如何迅速成长成为一名数据分析师？
-
我的理解，数据分析就像做菜一样差的数据分析师只是把一组组数据堆在一起，不管先后、深度、逻辑；就像做菜只按菜谱把一些珍贵的材料、调料放在一起烧，没掌握好火候，做出来菜当然不好吃好的数据分析师就是像做菜一样，每组数据、图标、结论一步扣一步，合适的地方出现合适的数据，逻辑性强，配合好相关的模型，做出一道菜来
-
第一是业务，任何分析都是有出发点的，懂业务、理解业务、掌握相关业务基础知识能帮助确定分析目标，分拆目标和确定分析路径；比如你要负责优化某广告系统的点击率，从而实现收益最大化，那么就需要知道哪些环节对点击率影响较大，现在这些环节的情况都是怎样，一步一步拆解开来第二是掌握必要的分析工具，比如excel，可以利用excel绘制图表等帮助了解趋势，另外会些编程语言就更好了，比如python或awk等脚步，可以帮助你快速地从基本数据中发现有价值信息；还有要掌握必要的数学知识，比如距离的衡量第三就是多练多看多思考，持续让自己沉浸其中。另外不要忽视机械、细微的工作，比如对搜索词进行类目标注，这些细微工作中往往会蕴含惊喜，另外这种机械工作进行中并不是就停下思考
-
读研时候在咨询公司和互联网公司都做过一段时间的数据分析师，说一下个人浅见。不同行业和不同企业对数据分析师的要求不尽相同，个人认为想迅速成为一名合格的数据分析师，大体上要提升以下几方面的技能：一、理论知识：包括常用的统计学知识和一定的数学建模能力。建议系统的学习统计学的基础课程，并掌握常用的数据模型如线性回归、决策树、时间序列等等。二、工具技能：可以熟练运用一个专业的数据统计软件，如SAS、R等。可以熟练使用excel。具备一定的数据库操作技能。具备较好的数据呈现能力，包括数据可视化、数据报告等等。三、业务认知：对行业领域的深刻理解。个人认为，一和二是数据分析师的基础技能，三则是普通数据分析师和优秀数据分析师的分水岭。数据分析不是闭门造车，大多时候是为了洞悉业务中的问题，给出针对性的指导策略，乃至形成可执行的解决方案。初学者往往容易犯的错误是，为了过程的"优美"生搬硬套模型，而忽略了业务内在的逻辑（曾经我就犯过这样的错误）。切记脱离业务去谈数据分析都是耍流氓。
-
数据分析师在各行各业中都有都需要，不知道题主讲的是哪个行业的，今天我给题主介绍的是有关于互联网营销行业的数据分析师--不需要任何编程语言基础。想要快速成为互联网营销行业的数据分析师，重点在于你要知道数据分析的目的在于什么，你可以通过什么方式进行数据分析，今天的文章向大家展现了一个非常规数据分析的案例：通过发传单，翻垃圾桶来回收数据，不断优化传单内容，最终提高转化率。通过这个案例，大家会认识到数据分析离我们的生活也许不远，从日常生活中就可以开始着手数据分析。背景：向某4万级工厂普工推广类银行存款产品。目标：对该工厂区4万名员工进行线下推广，完成10%的注册转化。通过调查，设置3个地推点，食堂门口，公司与小吃一条街的必经之路上，第三个点设置在一个超市门口。推广方式采用送小礼品引来用户注册，发传单推广。首日，注册500人，发放1000张传单，结果：500人注册，1000次曝光，但注册后使用app投资的人寥寥无几。未达到预期效果，所以重新分解整个活动。以食堂为例5000人流量涌来小礼品吸引X人（以获得奖品数量算）转化率A获得奖品注册数Y（后台统计）转化率B体验金及真实标投资人数Z(后台统计)转化率C由于必须注册才能拿奖品，所以B受A直接影响，但是问题来了，转化率C太低了。讨论了半天，才找到关键点，直接影响C的是那张传单，但是我们并不知道传单有多少人看，突然想到翻垃圾桶不就知道了：只要看所有垃圾桶被扔掉的张数，就知道传单的内容他们感不感兴趣。所以我就把厂区的垃圾桶翻了个遍！两小时，翻出954张，只有46张没被扔掉。当晚回去检查了传单，发现问题：1.传单的内容突出的卖点均针对白领设置。2.传单是三页纸，信息实在太多。于是把三页纸的传单精简成了1张纸。第二天发完传单，再掏垃圾桶，还发1000张，879张被扔，继续改传单...一直到第五天。5天后，再翻垃圾桶，降为456张，有544张没被扔！要知道第一天的时候，只有46张没被扔掉！掏了5天垃圾桶，传单留存率从0.46%转化为54.4%。而我们之前最关注的转化率C，则高出了公司同期线上活动3倍之多！其实说这么多我只想表达，数据分析不是高不可攀，也不是坐在电脑前面算算EXCEL，数据有的时候按照常规途径不能得到，那就换个方式，比如掏垃圾桶。读到这里，相信你也明白了，我们在营销工作中数据分析的目的--优化调整你的营销方案，所以在此之前你需要借助各种你想得到的任何方式获得数据，着手分析后对你的营销方案进行不断调整，最终达到理想的营销效果。
-
首先先说明数据分析绝对不单是一门简单技术，而是包罗万象的，可以反应所有的事物的。然后来回答题主的问题。题主想成为好的数据分析师，那么需要具备以下几个技能，数据能力，分析能力，以及个人能力。具体说明总结如下的:1.数据能力基础的能力就不再赘述了，像数据收集处理等等，这些如果不会还是自行补课吧。主要为了解决题主所说的瓶颈，所以这里的数据能力包含以下几个。首先，数据来源的获取能力。这里包含对于数据的敏感性和捕捉能力，同时也包含个人的人脉关系及社会交往能力。我的朋友在省社科院、百度、阿里巴巴和网易都有做数据分析工作，他们工作的好坏，很大程度取决于数据获取质量的高低。这里边，在打实基本能力基础的前提下，多通过朋友或者关系获得数据是5非常重要的。其次，数据信度的保证。无论是哪里的数据分析，信度和效度保证都是数据分析师的基本职业操守，当然也是这份数据可靠与否的保证。在大数据时代，数据冗余垃圾信息泛滥而公众识别能力普遍又不高。如何能够让自己的数据信度效度都提升，同时被他人认可，是数据分析工作重要的一环。但往往被人们所忽视。2.分析能力这里边首先要有基础的分析能力。我认为数据分析软件和办公组件（如office）非常类似。都是具有极其基础功能但深入很难得工具。。所以我认为数据分析软件的学习没有终点。要不断通过实例来开发研究学习新功能。除此之外，要掌握新的进阶功能。这就要靠有经验的数据分析人员的指点和自己经验的积累才能提升了。3.个人能力数据分析绝不仅是看图说话。一个简单的散点图甚至能得出众多的不同结论。而数据分析师的最核心业务就是根据对数据分析出来的结果，给予一定的指导性意见。那么这里边数据分析人员一定要有自己的所长领域，要能结合自身的专业背景知识（例如经济金融等），分析数据。
-
一个优秀的数据分析师应该具有全局观和专业度，从业务实际出发，综合各个方面的可能性。因此，EDM注册转化率骤降的可能性罗列如下：1.技术原因：ETL延迟或者故障，造成前端注册数据缺失，注册转化率急剧下降；2.外部因素：该时间节点是否有节假日，其他部门近期是否有向用户发送推广邮件，这些因素可能稀释用户的注意力；3.内部因素：邮件的文案、设计是否有改变；邮件的到达率、打开率、点击率是否正常；邮件的注册流是否顺畅。经过逐一排查，数据分析师将原因锁定在注册流程上：产品经理在注册环节添加了绑定信用卡的内容，导致用户的注册提交意愿大幅度下降，转化率暴跌。一个看似简单的转化率分析问题，它的背后是数据分析师各方面能力的体现。首先是技术层面，对ETL（数据抽取－转换－载入）的理解和认识；其实是全局观，对季节性、公司等层面的业务有清晰的了解；最后是专业度，对EDM业务的流程、设计等了如指掌。练就数据分析的洪荒之力并非一朝一夕之功，而是在实践中不断成长和升华。一个优秀的数据分析师应该以价值为导向，放眼全局、立足业务、与人为善，用数据来驱动增长。
-
既然说是数据分析师，而不是数据爱好者，那么专业程度是必备的。现在网上很流传什么小黄书，小蓝书。。我承认，这些书写的很好（我都看过），趣味性很强，很容易吸引人的兴趣。但是我不得不说他们不够专业，不够系统。首先，作为一名数据分析师，专业的统计学知识是必不可少的，所以找一本专业的教材去好好的研究下吧（那些大学用的教材就好，别怀疑，这些教材是最好的）。虽然很枯燥但是很必要。如果你连基本的统计学知识以及这些知识背后的理论都不能理解，那么你永远无法真正的进入到数据分析师的行列。在你学完统计学之后，你可以再看看这些小黄书，小蓝书什么的，你会对书中所说的案列有一个更专业，更深层次的理解。而不是仅仅停留在趣味上面。作为数据分析师（专业的数据分析师），学会一个专业的数据软件是必需的。最简单的是EXCEL，它不仅是简单的而且是必备的。正所谓初级学图表，中级学函数透视表，高级学习VBA.EXCEL功能的强大只有那些正真学过它的人才能知道，我反对任何关于EXCEL复杂，不实用的说法。我自学了EXCEL1年，在学完VBA之后，我不得不说EXCEL几乎能解决你在日常工作中遇到的所有问题。（记住：我说的是几乎）剩下的我推荐SPSS,SAS,R。在这里我推荐R，因为它无所不能，而且永久免费。SPSS虽然简单，但是不灵活SAS强大的令我有点不太想形容它，如果你想做数据挖掘，SAS是你的必备。但是作为初学者，我只推荐R和EXCEL。接下来，你需要向高级数据分析师进军，你需要读专业的数据挖掘书籍，记住：是专业书籍。里面的很多理论可能你这辈子都用不到，但是它所讲到的数据分析过程，理论形成的方法会一直指引着你。最后，不要盲目的做数据分析。你需要且必须懂得一个领域的专业知识。比如说：管理理论，消费者理论，金融理论。只有掌握了这些正确的方法理论，你才能正确有效的，有目的的进行数据分析。学习任何一门知识都是永无止境的过程，你需要不断的读书，思考，增添你的知识。数据分析尤其如此，大数据更新的速度是我们无法料及的，我们要随时补充自己的专业知识，拓展自己的视野。
-
数据分析最重要的可能并不是你熟悉的编程工具、分析软件，或者统计学知识，而是清楚你所使用的统计知识（统计学、计量、时间序列、非参数等等）背后的原理、假设及其局限性，知道各种数据分析工具（例如数据挖掘）能带来什么，不能带来什么，看到一组统计检验的结果你能言说什么，不能言说什么。这一切的背后，需要一套完整的「科学」逻辑框架，让你了解自己手中的工具的本质，你才能从数据中「正确地」发现有效的信息，而不是胡乱地使用一大堆自己都搞不清楚的工具来堆砌分析结果，这样得到分析结果不仅无用，而且有害。知道了这些后，希望成长为「数据分析师」，就需要着手训练自己的能力和洞察力。既然是「数据分析师」，那就分别从「数据」和「分析」两方面入手。「数据」当然包含了数据收集、处理、可视化等内容，每个环节对于最后的结果都有关键性的影响。其中涉及的技术性内容只是一部分而已，更重要的是你要理解数据收集（是否存在采样偏差？如何纠正或者改进？）、处理（是否有漏洞或异常情况没有考虑？）背后的逻辑。例如：如果分析股票数据用于设计交易策略，那么你不仅需要明白数据处理本身的问题，还要清楚金融市场的基本知识。例如，使用股票价格时，到底要用收盘价，还是复权价；复权价的话要用前复权价还是后复权价。这些选择与数据分析没有太大的关系，纯粹决定于你分析的目的是什么。因此你要充分了解这些概念背后的逻辑、动机是什么，才能正确地根据自己的目的作出选择。数据可视化更多的是一门艺术：如何把信息以最恰当的方式呈现给希望获得这些信息的人。首先，你要充分理解这些信息究竟是什么，有什么特点，你才能较为恰当的选择采用的可视化工具。另外一部分就是「分析」。当然就是各种分析模型，还是需要了解这些模型背后的逻辑，要放到整个项目的上下文中去看，而不是单纯地在模型中看。总而言之，「理解」数据以及其中的信息是非常重要的，这决定了你的分析和呈现的方法是否合适，决定了最后的结论是否可靠。现在可以回答题主的问题了：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。在这个理念下训练你的编程能力，了解你所分析对象的原理和尽可能多的细节。在这个基础上，才能谈数据分析。
回答请先登录