問答專欄Q & A COLUMN
首先我認為，業(yè)務數(shù)據(jù)分析是業(yè)務和數(shù)分這兩大塊內(nèi)容的集合體，學習業(yè)務和學習數(shù)據(jù)分析是同等重要的，既然題主問的是學習路徑，那么我就分開說：
按照我一貫推崇的學習路徑，數(shù)據(jù)分析一定要先學基礎和方法，再學工具和技能，但是很多人都恰恰本末倒置了，下面我就按照基礎和工具的順序，說一下應該學習哪些內(nèi)容
1、數(shù)據(jù)分析基礎包括：
（1）統(tǒng)計學基礎。
數(shù)理統(tǒng)計學是數(shù)據(jù)分析的基礎之一，很多人連統(tǒng)計學概念都沒搞清楚就跑去學python、學excel，結(jié)果卻發(fā)現(xiàn)越學越難。
首先要了解一些統(tǒng)計學的基本概念，比如什么叫描述型統(tǒng)計？什么叫假設檢驗？什么叫正態(tài)分布？
然后再去學習統(tǒng)計學里的數(shù)據(jù)模型，比如聚類、回歸，這些都是業(yè)務分析中必備的內(nèi)容。
關(guān)于統(tǒng)計學，大家可以看一看《深入淺出統(tǒng)計學》、《赤裸裸的統(tǒng)計學》、《統(tǒng)計學概論》這幾本書。
（2）數(shù)據(jù)分析思維的養(yǎng)成。
思維往往是很多人忽略的一點，但其實作為數(shù)據(jù)分析師來說，最起碼要了解和學習數(shù)據(jù)分析中的思維定式，比如結(jié)構(gòu)化思維、演繹推理等等，這些我們可以在生活中慢慢培養(yǎng)。
因為數(shù)據(jù)分析是靠人來做的，既然是靠人，就免不了要受到個人的思維影響，很大程度上數(shù)據(jù)思維能決定我們分析問題的方向和思路，建議大家可以看看下面這本書：
（3）數(shù)據(jù)分析模型與方法。
大多數(shù)時候，我們做業(yè)務分析都是依靠的分析模型，因此學習一些常見的數(shù)據(jù)模型是非常必要的，這也是基于我們的數(shù)據(jù)分析思路自然而然養(yǎng)成的。
比如我看到流失分析，就想到肯定會用漏斗模型；比如我想到商品關(guān)聯(lián)分析，就一定要用到購物籃模型；比如我看到會員分析，就一定會想到RFM模型。
這部分建議大家看看《深入淺出數(shù)據(jù)分析》，《誰說菜鳥不會數(shù)據(jù)分析》也可以看看，不過比較簡單，當做入門書看比較合適
2、數(shù)據(jù)分析工具和技能包括：
（1）SQL
取數(shù)的必備技能，要掌握一定的數(shù)據(jù)庫基礎，主要是學習sql的語法，建議大家看看《sql server：從入門到精通》、《MYSQL必知必會》：
（2）Excel
主要學習數(shù)據(jù)清洗、數(shù)據(jù)透視表、DAX函數(shù)這三個功能，有能力的可以學學VBA，不過業(yè)務分析不建議太深入，推薦讀物：
（3）BI工具
用來做數(shù)據(jù)分析的主要工具，比如tableau、powerbi、FineBI等等，這些工具都各有特點和適用環(huán)境
（4）Python/R
數(shù)據(jù)分析也需要至少掌握一種編程語言，萬能Python是最合適的了，不過也有很多人喜歡R，二者對于業(yè)務分析來說，差別并不大。
數(shù)據(jù)分析師=半個業(yè)務人員，可能對于業(yè)務分析師來說，必須首先得是個業(yè)務人，之后才能是數(shù)據(jù)分析師。而學習業(yè)務，才是數(shù)據(jù)分析人最痛苦的事情。
那該怎么具體了解呢？可以通過業(yè)務模式、產(chǎn)品、渠道、用戶、運營、部門、KPI來充分了解一個公司的業(yè)務、信息。
1、業(yè)務模式
通俗來講，要了解一家企業(yè)，可以了解它的商業(yè)模式，但這太寬泛了，我們用業(yè)務模式來代替。簡單講，就是這家企業(yè)是通過什么來掙錢的？
2、產(chǎn)品
產(chǎn)品是有企業(yè)提供的滿足某一用戶群體的某一場景下的特定需求的物品和服務。產(chǎn)品一般看什么：
3、渠道
渠道的定義，就是連接產(chǎn)品和用戶的通道。把產(chǎn)品提供給需要它的用戶，把用戶的錢帶回來。渠道有什么：
4、用戶
用戶，是產(chǎn)品和服務的最終使用者。我們最終的目的，就是希望用戶能盡可能多使用，購買我們的產(chǎn)品，所以我們就要了解自己的用戶。用戶都有什么屬性呢？這就多了，主要分為兩種用戶，企業(yè)用戶和個人用戶。
5、運營
運營在整個閉環(huán)中，需要支持產(chǎn)品，渠道，用戶三大部分。比較常見的是互聯(lián)網(wǎng)產(chǎn)品運營，這個職位一般需要優(yōu)化產(chǎn)品的用戶體驗，比如APP的這個功能基本沒什么用戶使用，就要考慮是哪里出問題了，好做相應的改進?；蛘咴趥鹘y(tǒng)行業(yè)幫助產(chǎn)品做好進銷存管理。
當然還有其他很多業(yè)務知識需要學習，這部分建議大家多去參與到業(yè)務部門的工作中，最好是跟在業(yè)務部門一段時間，多去學習業(yè)務才能真正做好數(shù)據(jù)分析。
評論0
加載中...
數(shù)據(jù)分析師主要學習的內(nèi)容大致分為六個模塊，分別是：
Excel
精通Excel分析工具，掌握Excel經(jīng)典函數(shù)，準確快速地完成數(shù)據(jù)清洗,利用Excel數(shù)據(jù)透視及可視化，可以透過現(xiàn)象看本質(zhì)。
MySQL
理解MySQL數(shù)據(jù)庫相關(guān)概念及存儲原理，掌握SQL基本的增、刪、改、查等語法掌握數(shù)據(jù)庫性能調(diào)優(yōu)策略，熟練使用SQL進行數(shù)據(jù)清洗與數(shù)據(jù)規(guī)范化。
BI商業(yè)智能工具
了解商業(yè)智能的核心價值，精通FineReport、FineBI，快速挖掘數(shù)據(jù)價值，掌握行業(yè)場景應用。
Python
學習Python基本編程語言知識，了解Python程序的計算機運行原理，能夠使用Python編程處理工作中的重復性工作。 掌握網(wǎng)絡數(shù)據(jù)抓取技術(shù)，Python數(shù)據(jù)庫應用開發(fā)，實現(xiàn)Python數(shù)據(jù)可視化操作，提高數(shù)據(jù)收集和數(shù)據(jù)分析能力。 掌握Python數(shù)據(jù)分析處理基礎庫，具有應用Python語言解決數(shù)據(jù)分析中實際問題能力。
數(shù)據(jù)分析思維與理論
掌握微積分、線性代數(shù)、概率論、參數(shù)估計、假設檢驗、方差分析等數(shù)理統(tǒng)計基礎 掌握基本的數(shù)學、統(tǒng)計學知識，學習數(shù)據(jù)運營方法論、機器學習夯實基礎，提升數(shù)據(jù)敏感性，建立數(shù)據(jù)思維和數(shù)據(jù)素養(yǎng)。
掌握如何撰寫行業(yè)分析報告和數(shù)據(jù)分析項目流程，能夠獨立完成數(shù)據(jù)分析項目。 掌握常見的數(shù)據(jù)運營方法如AARRR、漏斗、ABTset、描述性統(tǒng)計分析、相關(guān)分析、指數(shù)系統(tǒng)搭建等，培養(yǎng)利用多種數(shù)據(jù)分析方法解決實際工作問題能力。
機器學習
掌握機器學習常用經(jīng)典算法原理及sklearn代碼的實現(xiàn)、機器學習算法的選取、調(diào)優(yōu)及模型訓練、神經(jīng)網(wǎng)絡的特點及原理，增加個人核心競爭力，擁有能夠用相關(guān)數(shù)據(jù)挖掘算法為解決實際問題能力；奠定人工智能算法入門基礎。
想要了解更多咨詢可以關(guān)注我們頭條號和公眾號：聚數(shù)云海
評論0
加載中...
如何用數(shù)據(jù)診斷業(yè)務問題，作為一個數(shù)據(jù)師、分析師，用數(shù)據(jù)診斷業(yè)務是最基礎的，但是很多人對于診斷業(yè)務是一看就會一做就錯。所以今天給大家分享為什么你在做的數(shù)據(jù)分析業(yè)務方面會不認可呢？弄清楚這三個問題就知道了。
1、基礎診斷技巧知識業(yè)務診斷流程，第一步，建立監(jiān)控指標，第二步樹立判斷標準，第三步發(fā)現(xiàn)異常情況，第四步細節(jié)問題來源，第五步，給出診斷意見。例如，某公司有四條銷售業(yè)務線，目標是月銷一個億。實際達成9500萬屬于不達標，對應剛剛診斷流程分析，建立監(jiān)控指標為整體銷售業(yè)績樹立判斷標準為10000萬觀察現(xiàn)狀為9500萬發(fā)現(xiàn)異常問題為差500萬為不達標。所以細節(jié)問題為渠道a差1000萬不達標，渠道b超額200萬、渠道c超額為二百萬。渠道d位超額為100萬。如果銷售是線上的，就能進一步看到轉(zhuǎn)化流程，渠道a業(yè)績計劃，500萬投放量100萬投放轉(zhuǎn)換率50%購買轉(zhuǎn)換率50%。這是轉(zhuǎn)換過程，客單價為200這是轉(zhuǎn)化結(jié)果，實際上渠道a的業(yè)績是四千萬。投放量100萬投放轉(zhuǎn)化率分之40購買轉(zhuǎn)化率分之50客單價值200于是對比后發(fā)現(xiàn)是a業(yè)務線出了問題。投放轉(zhuǎn)換率太低，互聯(lián)網(wǎng)講究漏洞轉(zhuǎn)化模型，指的是用戶看到廣告到購買，結(jié)束購物過程中的全程記錄。
二是常見問題，單純的數(shù)據(jù)并不是為了記載，而是為了分析問題并解決。例如，上述渠道a實際4000萬投放量100萬投放轉(zhuǎn)化率分之40購買轉(zhuǎn)化率分之50，客單價200診斷后數(shù)據(jù)分析給出的理由是，一大環(huán)境不好，肯定轉(zhuǎn)化率低，二投放沒有問題。配套優(yōu)惠沒有跟上，肯定轉(zhuǎn)化率低，三次投放優(yōu)惠都沒問題，商品已過氣肯定轉(zhuǎn)化率低。四大家都沒有問題，是客戶口味變了，肯定轉(zhuǎn)化率低等等，很多做數(shù)據(jù)分析的人看到這些都會覺得很感性，怎么合DAU有轉(zhuǎn)化率活躍率，消費金額這些指標有關(guān)的；
三解決問題關(guān)鍵診斷業(yè)務只有找到病因，才能針對性解決區(qū)分的關(guān)鍵點有四個，第一個是否真的清楚現(xiàn)狀，第二個是否已采取行動，第三個是否已制定行動計劃，第四個是否打算申請資源。弄清楚這四點區(qū)分業(yè)務方是否想解決問題。說到這里從本質(zhì)上看，問題診斷之所以難，一是因為環(huán)境原因，業(yè)務能力和操作流程等都會導致業(yè)務問題，但這些不是用數(shù)據(jù)量化，而是一個個細節(jié)假設。二是遇到問題了大家都怕?lián)熑?，所以很多人拒絕了解真相，從而不想發(fā)現(xiàn)問題去解決。他說到這里。想要數(shù)據(jù)診斷，就得層次突破，爭取業(yè)務的支持和老板的理解才能見效，這也是數(shù)據(jù)道路落地的必經(jīng)之路。
評論0
加載中...0
回答0
回答2
回答0
回答0
回答0
回答2
回答0
回答0
回答0
回答
