最近有很多人在問資料分析的一些問題。關於資料分析到底應該怎麼學?如何快速入門,以及技術和業務之間的瓶頸如何突破?

其實,要學資料分析之前,至少要瞭解一下資料分析師,到底需要哪些技能。有的同學看到資料分析幾個字,就馬上開始Python函數+控制語句、R語言和ggplot庫...上來一頓操作,還沒入門就放棄了。這就是需求不明確導致的,當然學習方式也值得商榷,那到底資料分析需要什麼樣的技能呢?

其實企業對資料分析師的基礎技能需求差別不大,可總結如下:


分析工具:一般要求R、Python、FineBI等分析工具至少會一種,會兩種以上加分,有的企業因內部需求,會指定的一種。
資料庫:絕大會要求會SQL,部分要求SQL、NoSQL會一種,高級的分析師或者大型企業要求能夠處理大數據,需要Hive(較少的需要Hadoop/Spark)。
統計學:若無相關專業背景,需要具備相應的統計學、概率論等基礎知識。
資料採擷:少部分要求會建模,瞭解基本的演算法模型,能夠做資料預測,即便不要求,演算法也是加分項。
結果輸出:Excel、PPT、Tableau、FineReport等專業BI工具。Excel和PPT要求的比較多,主要用作常規的資料呈現,與業務部門溝通等,FineReport、Tableau等一般作為視覺化或者分析工具的加分項或者要求之一。
業務/思維:對某個領域(如電商、金融等)相關業務的瞭解或具有產品、運營方向的分析經驗,有自己的資料分析的方法論和專案經驗。

看上去很簡單,但其實你把每個技能拆分開來,都是一個不小的知識體系。如果我們按照資料分析的流程來細分的話,每個部分應該掌握的技能,大概是這樣的:

那對於這個技能體系,應該如何進行技能的訓練呢?先後順序是什麼?哪些地方可能出現困難和瓶頸?

這可能是初學者最困惑的地方,我們可以看看資料分析的不同層次:

一、初級階段:懂基本操作

這個要求真的不高,如果是用Excel,也就是畫個分佈圖、用用場函數和Vlookup的事情,當然對於專業資料分析師而言,僅會Excel是遠遠不夠的,特別是對於擁有海量資料的巨頭。

用Python來做的話,也就是numpy、pandas和matplotlib的一些基本操作,簡單來說,你需要掌握基本的資料分析處理和資料視覺化,進行探索性的資料分析,觀察資料分佈、計算各種統計量,得出一些基本的結論。

當然你還需要補補基本的統計知識。

所以開始上手的話,就兩個部分,Python庫和統計學知識,當然你可以找一些資料集來進行這些操作。

在這個時候你已經可以做一些基本的資料清洗、資料分析工作了,像資料專員這樣的職位都可以嘗試,如果懂一些業務,初級資料分析的工作也可以著手了。

這個階段的工作主要進行基本資料處理,對於明確的分析任務能夠進行技術上的基本實現,能夠正常推進具體的分析計畫落地實施。

而處於這個階段,欠缺的能力在於技術的熟練度、全面性以及整體業務分析的規劃。

一方面是對於實際的專案缺乏多重技術的對比,對於複雜專案缺乏有效實施手段。;另一方面是對於整體的業務缺乏清晰的拆解方向,對於用什麼指標,需要構建什麼模型等問題的缺乏系統性思考。

二、中級階段:深入技術,做全方位的資料分析

能夠做基本的操作之後,接下來你應該可以更深入下去了,掌握更多的技巧,以滿足不同的資料和場景。

所以這應該是一個連續的、循序漸進的過程。 當然這個時候你更多的是要透過具體的資料集,去進行真實場景的分析,盡可能多的從不同的角度進行探索,得出更多的結論。

考慮到更多的場景,你可能還需要資料庫(SQL or NoSQL)的技能,至少能夠順利提取、查詢公司的資料庫,能夠通過資料庫的管理實現基本的資料清洗和分析。

還有就是爬蟲的技術,如果你有獲取網路資料的需求,你需要掌握另外的Python包(比如BeautifulSoup、Requests等)。當然這些可能並不是當下必須的技術,可以等到有需求的時候再去學習。

總的來說,這個部分,是資料分析工具深入和全面實戰的部分。確定你能夠熟練完成項目並輸出結果後,就完全可以去嘗試初級資料分析師相關的職位了。當然在此之前,你需要去大量進行專案練習,一來為熟悉流程和工具,二來培養分析思維,這些項目經驗也是求職的優質資源。

三、高級階段:資料採擷

別慌,並不是要去真正地系統學習資料採擷。只是在做資料分析的時候,通常會涉及到預測型的資料分析,比如預測廣告的點擊、出行需要的時間、未來某個時間的銷售額……這些對未來情況的預測是做決策的重要依據。

那其實就是要掌握一些資料採擷的方法,比如邏輯回歸、樸素貝葉斯方法、決策樹等等。當然你需要用到Python庫scikit-learn,scikit-learn裡都可以直接調用這些演算法,知道怎麼調用就可以了。

但隨著深入,你會有瞭解演算法原理的需求,那可以幫助你去調參,提升演算法效果。當然特徵選擇也是提升預測效果不可忽視的部分,如果演算法應用沒問題了,可以嘗試做特徵工程提升效果。

資料採擷技能(或者說演算法能力)並不是分析師的必修項目,但你去看招聘JD就會發現,這是一個很好的加分項,優秀的分析師應該具有一定的構建演算法模型的能力。

四、終極階段:從資料分析到商業決策

老實說,這個步驟並不是最後來訓練的,而是貫穿在整個資料分析的過程中。因為資料分析的本質,或者說終極追求是為商業目的服務的,比如提供使用者增長的策略,為銷售提升提供解決辦法,通過資料分析提供更人性化的用戶體驗…

方法、技巧皆為工具,你將會總結出自己的一些方法論,如何透過一個完整的分析得出一個高價值的商業報告,甚至是一套自動化分析決策的商業系統(比如推薦系統,使用者畫像系統,風險模型)。

這些才是更高層次的資料分析工作應該去做的事情,在任何專案推進之前明確目標,並系統地解決資料獲取、資料存儲、資料建模和視覺化呈現的問題,推動整個專案的進度。

我們的終極目的不是去獲取幾個資料,也不是呈現幾張炫酷的圖表,而是去探索一個問題的解決方案,尋找一個市場的突破口,以技術的方式去降低策略制定的風險。

所以當你不再聚焦於具體的技術點、工作流程,而是重於不同業務指標的選取,解決問題的模型的構建,高效和低成本的決策輔助等時候,你就真正上升到比較高的層次了。

另外,如果你準備進入大數據分析領域,我強烈建議您使用這個資料分析報表工具FineReport。你可以點擊以下連結免費下載使用。初學者不用擔心,點擊這個學習計畫表頁面,它提供了從基礎到進階詳細的學習計畫,來幫助你快速入門!

免費下載FineReport10.0

相關文章:
如何學習數據分析?十年數據分析經驗告訴你,看這一篇就足夠了
數據分析師需要掌握哪方面的電腦技能?——從基礎到進階
從事數據分析工作,如何找到適合的好企業?