发帖
雷达卡
对于很多刚开始学习数据分析的人来说，最常被问道的问题就是：我感觉自己掌握了很多数据分析技术啊，但好像又什么也做不了。
拿到一堆数据，根本不知如何下手，从哪里开始分析？
统计分析、建模一顿骚操作，得出的结论竟然只是常识？
简单、规整的数据能够下手，遇到杂乱、多文件数据就懵逼？
………
这些问题看似简单，但是确实是大部分的人在学习过程中都会遇到的问题。真正去学习数据分析的人，都会有这样的感觉：数据分析本身并不困难，难的是真正获得能够支撑决策的结论。
就好像，即便你熟读Python各种语法，依然不能写出自己的程序一样。就是算你有一把锋利无比的剑，你不懂得招式方法，不懂驭剑之术，那就是一把废铁。
所以真实的数据分析应用，应该是工具与方法、逻辑、思维的结合，你仅掌握了工具（而且深入不够），自然不能得心应手。
那么到底应该掌握哪些技能，掌握到什么程度，才能够胜任真正的商业分析和职位需求呢？我们分别从技术、方法和业务三个方面来说明。
关于技术
技术应该是最能够直观感受的层面，请别人推荐书单、寻求专业人士的指导，搜索系统的教程，几乎都是去解决技术层面的问题。
通常我们去提升技术，无非是找一个资源，然后开始啃。比如要偶然听说要学Python，就哼哧哼哧开始数据结构、语句、函数、面向对象……；数据库要学习，就找来《十日精通mySQL》《MongoDB速成指南》……
这样毫无目的的学习，是一件收益极低的事情，且不说这样系统地啃大块头，很容易从入门到放弃，即便真正学习了一些东西，没有真正的输出，知识很快就不是你的了。
所以对于没有什么数据分析经验的人，更建议明确数据分析的流程，针对每个流程做针对性的学习，并在每个部分做实际的训练和内容输出。
我们通常把一个数据分析项目的技术流程分为“数据预处理、统计分析、探索性分析、预测性分析、可视化及报告”，那么我们就需要针对每个流程进行针对性的训练。
01 数据预处理
数据清洗虽然是“脏活”，但却是后续分析的重要保证。比如企业用户的数据，大量的缺失、异常、错误，要怎样将数据标准化？
这里面就涉及到数据的切片、拼接、过滤、排序以及基本的索引与运算，很多时候，数据清洗能够帮助我们掌握数据分布的基本特征，获得对整体数据的初步感觉。
02 统计分析
基础统计分析可以让我们直观地对数据进行描述，比如基本的统计量（极值、均值、中位数、众数、方差等），其实就可以为我们提供基础的描述性分析结论。
常见的排行榜、中位数对比、平均水平、相关性、影响因素等等结果，都可以从基本统计分析中得出，需要你要掌握基本的科学计算工具。
03 探索性分析
相对于有目的的统计分析（当然统计也可理解为探索），探索性分析适用于我们对数据中的信息缺乏经验的场景。通过数据可视化的方式，对数据进行更直观的展示，很多直接观察得不到的结论，通过图形却能够很好地掌握。
比如数据的分布规律、数据的变化趋势……这就要求你能够针对不同类型的数据，输出适合的图形（常见的条形图、箱线图、散点图、热力图、地图等），从中获得信息。
04 预测性分析
对未来数据进行预测，往往能够获得比较有指导意义的结论。这就要涉及基本的建模知识，像基本的线性回归、逻辑回归、决策树等模型，一般就可以建立不错的预测模型了。
做数据预测往往能直接提升我们的技术深度，往往一个优秀的数据分析师，也算是初级的数据挖掘工程师了。
关于方法论
为什么我们要说方法论呢？因为这在某种程度上，为我们做具体的数据分析项目提供了方向。
很多时候，我们拿到一个数据集、或者遇到一个分析问题，无从下手，很大的可能不是技术不足，而是缺少分析方法。
比如即便是最简单的统计分析，统计量的理解要非常深刻。哪些字段应该求和；哪些字段应该取均值；哪些字段应该进行方差分析；哪些应该进行频率统计……这些都是建立在你对统计分析理解的基础上。而仅仅是这些分析，就足够得出有价值的结论。
而对于刚上手数据分析的小白来说，探索性分析则是弥补方法论不足的重要方式。所以可视化的技能就显得尤为重要，有人认为可视化是单纯做最后的结论展示的，但事实上，可视化是进行数据分析的重要步骤。所以，尽可能多地用图形去观看探索数据内部的规律，是获得数据中隐藏信息的关键步骤。
这些比较通用的方法，只要你多做几个项目，你就会有一些初步的感觉：哪些统计信息是有用的，哪些字段的信息是相对重要的，这就是我们常说的数据思维。
当然涉及到具体的领域，还有一些比较常用的方法论，比如对比分析（数据变化、同比环比等指标）、比如用户增长的AARRR模型、生命周期模型、漏斗分析法……
当然，对于新手来说更重要的是，去熟悉更多的项目，尝试更多的实践，找到基本的分析感觉。我们遇到的大多是二维数据、时间序列、网络数据，了解不同数据类型的分析方法，就能掌握不同领域的数据分析。
经过实际训练，不用多久，你就会发现，对于数据分析豁然开朗，那么你就真正上道了。
关于业务思维
优秀的数据分析师一定是对业务非常了解的，这是输出价值结论、做出优秀决策的必要条件。在做数据分析时一定切记，对于你要分析的问题，你要有明确的输出：要得到什么结论，想弄明白的事情是什么。
很多人一开始只学习具体的技术，沉迷于炫技，势要写大段的代码，做炫酷的图表。当然提升技术深度固然没错，但很可能实际在分析思维和能力上的提升并不明显，也很难输出有价值的内容。
这是很多人都会走入的误区，认为努力弥补技术上的差距，就缩短了数据分析能力的差距，但很多时候，你和专业分析师差的是提出问题、梳理逻辑和解决问题的能力。
这种能力就源于对业务知识的理解。
对于一个具体的分析项目，你在拿到数据之后，知道具体要去解决什么问题？需要根据分析结论去做哪些决策？现有的数据能够去解决哪些方面的问题？
对于具体的业务来说，哪些指标是重要的？哪些字段之间通常会有很强的相关性？探索哪些数据之间的关系会大概率获得有价值的结果？
通过这些问题，你就有了一条非常清晰的分析逻辑，分析的先后顺序是什么，大概会得出哪些结论，甚至最终的报告如何呈现，就都不是问题了。
所以，在寻求技术突破的同时，更建议去找具体的数据集，或明确一个分析目标，做实际的分析项目，通过这种基于问题、结论的思考，获得数据分析的一般方法，这才是你的个人核心竞争力。
当然在具体的项目中，遇到技术上的空缺或不足，有针对性地弥补，效率也会更高。
进阶技能体系
对于一个专业数据分析师，也就是具备进阶分析能力的人，他的技能树应该是怎么样的呢？我们梳理了一个数据分析进阶的能力构成体系。
1.对技术有更深入的了解，工具/代码灵活应用，能够对复杂、大规模数据进行分析；
2.全面的技能树，能够利用科学计算、可视化、建模的方式进行全面的数据处理、探索、分析与预测；
3.整合更多的行业，理解不同类型的业务数据，熟悉各领域数据基本分析套路；
4.更高维度的数据分析思维，理解业务和数据，快速输出分析逻辑的能力。
成长为一个数据分析师，要注意「理解」你的知识，形成一个系统，而不是像机器人一样机械地胡乱套用模型和方法。
针对数据分析师的核心技能和分析思维训练，DC学院推出了一门数据分析进阶课程，让你快速迈入专业分析师的行列。
完善的Python数据分析生态
这门课设计了一个完整的Python数据分析体系，从数据清洗、科学计算、统计分析、探索性分析、可视化到数据挖掘建模，你能够真正去熟悉这套完整的流程。
通过这个流程，深度掌握 Numpy、Pandas、Matplotlib、Scikit-learn 这些必备的数据分析包，能够灵活运用于实际分析项目。
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
