从提问者的描述来看,应该是数据分析并不怎么了解,所以要回答如何自学数据分析,需要先回答以下三个问题
1 什么数据分析
2 数据分析在职场中实际的工作内容是什么
3 数据分析岗位都需要具备哪些知识和能力
只有了解了以上三个问题,才能对数据分析有个基本的了解,结合自己的实际情况,评估是不是真的适合数据分析这个岗位。答主之所以这么说,是因为平常见了太多人因为对一个行业不了解,抱着无限憧憬和幻想转行,结果发现却不是自己想要的,白白浪费了大量的时间和精力。
当然如果你适合,那可以认真看看该如何自学数据分析
那接下来讲的都是干货,未入行的同学有可能会看不太懂,为了让大家对数据分析有更加直观的认识,答主找了一个最近本人比较喜欢的前 IBM 数据分析大咖的基本算是免费的新课,为期 3 天,目的就是帮助大家对数据分析有个全面的认识,快速入门数分,有基本操作、有分析思维、有分析方法、更重要的是有分析案例,具有较强的带入感,感兴趣的同学可以报名参加,链接如下:
好了,现在就让答主开启数分大门,带着大家一起走入数分的世界
ps:个人对于业务数据分析经验比较丰富,以下所有的内容都是偏业务的数据分析
1 什么是数据分析
学术解释:指收集来的大量数据使用适当的分析方法进行分析,运用高效的分析工具将他们加以分类和汇总,并提取其中最有价值的信息,概况总结形成有效结论,挖掘数据最大价值的过程。
数据分析的四个层级
大家可能有点儿难理解,不过没有关系,这个是从宏观上对数据分析有个认识,答主举一个简单的例子,大家就明白啦
接下来看一组数据,来对概念进行一个详细阐述
这是一个汽车公司的每个地区的不同车型的销售数据
我们能从数据中看出什么呢?
接下来我们根据每个地区分组,对销量进行求和,通过柱状图进行展示
很明显,我们能够通过柱状图的高度,对比发现,西北地区的销售额最高,而西南地区的最低。
这就是我们发现的规律,针对这个规律我们就要分析为什么西北地区的销售额最高,西南地区的最低,找到原因之后,就要针对具体原因作出相应的决策,以此来提高整体的销售额。
注:这里只是为了举个简单的例子,暂且定义为其他条件都相等的情况下,各个地区具有可比性。
再来看一组数据这是关于每款车型在一年每个月的销量情况
我们对每款车型,利用折线图,进行每月的走势对比分析,如下图
我们发现,5 月的销量呈现断崖式下降,这就是我们发现的规律,接下来还是要分析为什么? 是市场环境的问题?还是公司货源问题?还是突发情况造成的?假设我们通过跟业务部门沟通,确定原因是突发情况造成的,整体所有车型销量断崖式下降,该怎么办?这个时候,我们就想,已经发生了,那没办法呀?其实不是的,我们找到原因之后,要去考虑的问题是:公司为什么没有紧急预案,如果下次再出现类似情况,该怎么办?是不是要吸取教训,想好解决措施。
总结:
从上面两个小案例当中,我们发现数据分析其实就是对于一堆看似没啥用的数据,运用专业的分析方法和分析工具,发现数据背后隐藏的规律,通过总结分析得出有价值的信息,然后用于商业决策,也就是通过数据的科学方式来管理企业,而不是传统的凭经验,一拍脑袋,就这么干就完了。
2 数据分析在职场中实际的工作内容是什么
相信大家都听说过「表哥」、「表姐」、「SQL BOY」、「SQL Girl」这些其实都是数据分析岗位的同学自我调侃的说法,这种说法分三种情况
第一种:80% 的日常工作是取数、做表,那可能水平还没达到分析师的程度,最多算是个数据分析员吧,毕竟每个岗位也是有级别的
第二种:30%~50% 的日常工作是取数、做表,50%~70% 是分析类相关的工作,但是自己对于分析没有一套分析思路,分析的结论没有那么有价值,所以不敢标榜自己多厉害,就拿「SQL BOY」自我调侃了。
第三种:纯粹自我调侃,谦虚的说法。
所以,千万不要相信别人说的数据分析师只要会 SQL 就行,日常也就取数、做表,这些都是比较片面的,如同亲戚问你:「是做啥工作的,你说是坐办公室打键盘的」一样。
那数据分析师日常工作到底有哪些呢,其实各行各业都略有不同,因为行业不同、业务不同、公司发展水平不同、数据管理者水平不同,岗位定位不同,都会直接影响分析师岗位的工作内容,接下来答主就基于目前对于行业的认知,总体概括一下数分的工作内容,从易到难(侧重互联网行业)--【仅个人观点,不接受反驳,可接受讨论】
- 数据支持 比较繁琐的工作内容之一,根据其他部门的需求,提供临时所需数据 需要熟练掌握 Excel、SQL 等数据提取和清洗的能力开发数据报表 设计分析报表,涉及到日报、周报、月报等各种定期查看的业务报表 需要具备一定的报表设计能力及使用 BI 工具的能力,有公司自研的 BI、或外采的 BI:如 FineReport、Tableau 等
数据监控,归因分析 日常监控数据,发现问题并分析原因,提出可落地的建议方案,如:某天销售额大幅下降,该怎么办? 需要具备一定的分析逻辑、业务了解程度、运用适当分析方法及统计学知识
- 搭建指标体系 建立在对业务的模块、流程理解的基础之上,搭建业务指标体系,指标是可以反应业务发展状况好坏的一个标准,建立多个指标的关联关系,可以反应业务各个环节的发展情况,当一个重要指标出现问题时,便于核查原因,快速定位问题。 需要具备全局思维、宏观框架、业务的全面理解,虽然很多 JD 都有这条,但是实际操作起来很难,真正做好的分析师不多。
- 专题分析 针对业务中某个痛点进行专题分析,聚焦范围,深入钻研,并出具专题分析报告; 需要具备钻研精神、深入了解业务,必要时需要用到算法模型(辅助完成),这个对数据分析师具有很高的要求,也是分析师能力的最佳体现。
- 分析模型研究 渠道分析、漏斗分析、用户行为分析、路径分析、留存分析、RFM 模型、AARRR 模型、用户生命周期模型、AIPL 模型等不同协作对象职责略有不同主要与运营同学协作 除了日常数据监控、归因分析、专题分析外,还需要参与运营活动分析、营销策略分析、用户画像分析主要与产品同学协作 新产品 A/B 测试、功能转化分析、数据产品设计计算规则等等
数分天花板很高,需要持续性的学习研究
3 数据分析岗位都需要具备哪些知识和能力
答主绘制了一张图,这块儿就不展开讲了,因为内容太多。
4 如何自学数据分析
这里主要针对未从事过数分岗的同学来说,答主自己从事这个行业也是 7 年+了,也积累了一些自学的经验,并且把它整理了出来,大家可以参考以下链接:https://zhuanlan.zhihu.com/p/116509353,按照目录学习。
4.1 快速具备硬实力,毕竟会工具才是敲门砖
尽管数据分析不是只会工具就可以,但是不会工具也是万万不能的,所以最开始还是要从工具学起,毕竟做数据分析第一步也就是获取数据,连取数都不会,何谈分析。
相信大家都会搜到很多数据分析入门的推荐书籍,其实答主本人倒不建议一上来就买一堆书,看了一段时间觉得枯燥就放弃了,反而扼杀了大家对于数分的浓厚兴趣,答主建议还是从视频学起,市面上还是有很多关于数分课程的免费课程的,比如知乎。
4.2 学习分析思维、分析逻辑,建立基本的分析意识
这块儿与工具就有所不同了,还是建议大家买点相关的数据分析思维的书籍看看,毕竟思维是需要刻意练习的,答主常看的书籍有《增长黑客》《深入浅出数据分析》《精益数据分析》这几本可以先看其中一本,其实买电子书也成;除了看书之外呢,还得看视频,但这块儿的视频就得好好选选了,我也见过市面上一些培训机构讲这块儿内容,说实话都有点偏理论了,因为这块儿需要实战案例做支撑,才能讲透彻,但是数据分析因为涉及到数据保密和安全的问题,大部分案例都无法直接获取,需要数据脱敏后方可,这个是需要有经验的和用心做课程的人才能做好。
答主找了一个最近本人比较喜欢的前 IBM 数据分析大咖的基本算是免费的新课,为期 3 天,目的就是帮助大家对数据分析有个全面的认识,快速入门数分,有基本操作、有分析思维、有分析方法、更重要的是有分析案例,具有较强的带入感,感兴趣的同学可以报名参加,链接如下:
链接放这里啦
4.3 向有经验的人请教,了解数分实际场景
自己找视频、看书学习是最直接,也是比较有效的方式,但是对于一个未知岗位而言,心里总是好奇数据分析到底都做啥工作,到底难不难,这个时候如果能有认识的在数分岗的人,那就最好不过了,可以多向他请教一些日常工作的一些小案例,遇到的一些问题等,帮助自己去对数据分析有进一步的深层次的了解。
但是,大家不要把数分想象的那么神秘,把数据分析师这个岗位想象的那么仙气,毕竟我们也是要吃大米饭的(答主是吃馒头的),很接地气的,也没有大家想象的那么难,偶尔会有难题,比如答主做分析报告的时候,每次都要加好几天班,抓耳挠腮,眉头紧锁,神神叨叨,自言自语;但是大部分时间都是能正常应对的。
4.4 积累实战案例,作为面试时的谈资
这个也是一个很重要的课题,没有数据分析经验,但是又要找工作时,简历上该如何体现自己的数分实力呢,光写自己会啥也没人信呐,所以还是需要有项目案例的,可是有的人就说我不入行,哪来的经验,成死循环了。
其实,实战案例还是可以积累的,就是需要大家从市面上找相关的培训课程了,里面会有实战案例,但是一定要认真对比,答主找了一个最近本人比较喜欢的前 IBM 数据分析大咖的基本算是免费的新课,为期 3 天,目的就是帮助大家对数据分析有个全面的认识,快速入门数分,有基本操作、有分析思维、有分析方法、更重要的是有分析案例,具有较强的带入感,感兴趣的同学可以报名参加,链接如下:
<a data-draft-node="block" data-draft-type="edu-card" data-edu-card-id="1603446066053160961">本文作者:@七七
使用 App 查看完整内容目前,该付费内容的完整版仅支持在 App 中查看
🔗App 内查看 |