超级菜鸟如何入门数据分析？

与数据同行 2021-10-16

The following article is from 数据管道 Author 宝器

“与数据同行”开通了微信群，现已汇聚了4000位小伙伴了，加傅一平为微信好友（微信号：frank61822702）申请入群，让我们共建一个数据社区，《与数据同行》致力于为您提供最好的DT文章。

正文开始

经常看到很多朋友会问，入行数据分析之前我要不要学个java，学个Tableau，然后在学个Python会比较容易。好像是说，数据分析一定需要Python才能做，分析变成了为某种编程语言、某种可视化工具服务。

其实这样误区的是很不对的，按这种方式学习下去，即使最后Python学的很好，也挺难找到一份数据分析的工作。

什么是数据分析

所以在讨论这个话题之前,第一个问题可能要思考的是什么是数据分析。为了简便，第一部分宝器先用之前整理的几张图回答，详细文章请见：

数据分析只需要看懂一张图，附下载链接！

请先耐心看完第一部分:

数据分析职业发展不同阶段

第二部分谈的是关于数据分析这个岗位不同阶段所需要业务能力和技能需求（这一部分来源参考了各种大佬的解答）。

第一阶段:助理分析师，这是个使命必达的阶段，你核心要做的是快速学习，执行配合，业务能力上你需要做到几点：

问题识别：在一定指导下准确识别问题

分析规划：在一定知道下完成分析规划

数据获取：提取简单数据，了解分析方法

展示演示：能够形成报告，展示分析结果

价值应用：完成业务需求，提出自己的见解

执行和管理能力：合理分配和安排，完成分析任务即可。

影响力：这一阶段基本上是学习阶段，没什么大的影响力。

第二阶段:数据分析师，这是个无懈可击的阶段，你核心要做的是独立执行，小有成就，业务能力上你需要做到几点：

问题识别：能够独立清晰的识别问题

分析规划：明确范围并做好分析规划

数据获取：熟练提取数据，应用分析方法

展示演示：展现的条理、逻辑、表达清晰

价值应用：提出建议并推动建议被采纳

执行和管理能力：作为核心成员、控制项目进度和质量

影响力：推动建议被采纳，跨团队沟通协调

第三阶段:资深数据分析师，这是个无中生有的阶段，你核心要做的是发掘项目，主动执行，业务能力上你需要做到几点：

问题识别：发现问题并转化成分析目标

分析规划：提炼问题并做好分析规划

数据获取：熟练提取数据，指导员工分析

展示演示：结论突出清晰、指导员工

价值应用：提出有效建议，独立主动

执行和管理能力：领导跨部门项目、寻求资源

影响力：具备一定判断力和影响力

第四阶段:数据分析专家，这是个独当一面的阶段，你核心要做的是推动业务，辅导团队，业务能力上你需要做到几点：

问题识别：识别问题并推动解决问题

分析规划：提炼问题并做好分析规划

数据获取：熟练提取数据，指导员工分析

展示演示：结论突出清晰、指导员工

价值应用：提出有效建议，独立主动

执行和管理能力：完成影响力大的复杂项目

影响力：具备较强判断力和影响力

第五阶段:高级数据分析专家，这是个红杏出墙的阶段，你核心要做的是统筹规划，名声在外，业务能力上你需要做到几点：

问题识别：思考数据的价值并规划推进

分析规划：提炼问题并做好分析规划

数据获取：熟练提取数据，指导员工分析

展示演示：结论突出清晰、指导员工

价值应用：提出有效建议，独立主动

执行和管理能力：完成影响力大的复杂项目

影响力：分享和指导，在公司层面具有强影响力

第六阶段:资深数据分析专家，这是个诸葛连弩的阶段，你核心要做的是参与决策、指挥有度，业务能力上你需要做到几点：

问题识别：提出业务的前瞻性建议

分析规划：提炼问题并做好分析规划

数据获取：熟练提取数据，指导员工分析

展示演示：结论突出清晰、指导员工

价值应用：提出有效建议，独立主动

执行和管理能力：完成影响力大的复杂项目

影响力：在专业领域有一定影响力

你需要的技能树拆解

这一部分谈的数据从业者需要学习的一些技能，下图后面有拆解版(图打开看更清晰)。

概括为以下内容：

1、SQL脚本取数

SQL一定要写的非常熟练，最好是熟悉Hive-sql，可参见以下几篇文章：

数据分析招聘要求：熟练SQL！| 精简版复习大纲送给大家！

解一下TMD几道热门数据分析面试题。

2、统计学理论

统计学可分两部分学习，第一部分是描述性统计，分别要掌握以下知识点：

第二部分是推断性统计，你最少要知道中心极限定理、大数定律、置信区间、假设检验、t检验、f检验、卡方检验、ABtest等等。（面试考这一部分较多）可参考这篇文章：

AB test | 数据分析师面试必知！

3、机器学习理论。

这部分你需要从几点准备，第一要理解每个算法的应用背景，优缺点（最重要的）。第二，熟悉常见的公式推倒（不需要每个都会）。大致要掌握的是逻辑回归、SVM、决策树、随机森林、Adboost、XGboost等集成学习、神经网络。（DNN、CNN、inception、ResNet、RNN、LSTM等深度学习算法在数据分析面试中很少问，不需要准备那么多）

4、业务分析。

这部分可以从“人人都是产品经理”社区、增长黑客等内容学习，你最少要知道Pv、Uv、DAU等各种指标，如何进行指标拆解、如何进行流量分析、留存分析、用户行为分析，啥是海盗模型，RFM模型、某个指标下降/上升如何分析等等。宝器之前做流量分析的时候会做一个这样框架图，其他的也可参考：

一边吃粽子，一边思考流量数据分析！

5、 工具类
语言：非大数据类R、Python最多（比较geek的也有用julia的，不差钱和某些公司要求的用SAS、Matlab)。

可视化：Tableau、http://plot.ly、d3.js、echarts.js，R里面的ggplot、ggvis，Python里的bokeh、matplotlib、seaborn、Pyechart等都不错.

其他框架、类库（选学）：爬虫(requests、beautifulsoup、scrapy).

想好自己的发展方向

数据分析的小方向比较多，分类方法也不尽相同。在这里根据技术要求的侧重点不同，简单的划分为三个方向（这部分回答乘次不齐，有的是直接简单的分技术类和业务类，这里参考广大网友作答）：

1、BI方向
BI的概念已经出现很久了，但仍然不过时。
重点在于如何设计高效的数据模型，以及如何通过BI工具从多个角度观察数据，了解数据内部的规律。

传统的BI工具可以满足大部分传统企业的数据分析场景。近些年随着分析工具功能日趋强大，大数据领域的BI平台也有了长足的发展。所以BI仍然具有强大的生命力。

2、机器学习方向
机器学习与BI的区别在于，更多的依赖机器模拟人类学习的过程去发现数据内在的规律，构建一个数据模型，通过某些算法来预测未来的可能性。
机器学习和深度学习概念非常火热，但相对入门门槛也较高，因为想真正理解那些算法的原理需要高等数学的基础。

3、行业分析方向
还有一些数据分析师，仅仅通过一些公开的市场宏观数据，通过经济学和统计学分析方法，观察经济的运行状况，从而发现行业的经济发展规律，进一步预测未来行业发展的趋势。这个方向也很不错的，但是需要对统计和经济学有一定基础。