問答專欄Q & A COLUMN
首先我認為，業務數據分析是業務和數分這兩大塊內容的集合體，學習業務和學習數據分析是同等重要的，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，數據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容
1、數據分析基礎包括：
（1）統計學基礎。
數理統計學是數據分析的基礎之一，很多人連統計學概念都沒搞清楚就跑去學python、學excel，結果卻發現越學越難。
首先要了解一些統計學的基本概念，比如什么叫描述型統計？什么叫假設檢驗？什么叫正態分布？
然后再去學習統計學里的數據模型，比如聚類、回歸，這些都是業務分析中必備的內容。
關于統計學，大家可以看一看《深入淺出統計學》、《赤裸裸的統計學》、《統計學概論》這幾本書。
（2）數據分析思維的養成。
思維往往是很多人忽略的一點，但其實作為數據分析師來說，最起碼要了解和學習數據分析中的思維定式，比如結構化思維、演繹推理等等，這些我們可以在生活中慢慢培養。
因為數據分析是靠人來做的，既然是靠人，就免不了要受到個人的思維影響，很大程度上數據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）數據分析模型與方法。
大多數時候，我們做業務分析都是依靠的分析模型，因此學習一些常見的數據模型是非常必要的，這也是基于我們的數據分析思路自然而然養成的。
比如我看到流失分析，就想到肯定會用漏斗模型；比如我想到商品關聯分析，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《深入淺出數據分析》，《誰說菜鳥不會數據分析》也可以看看，不過比較簡單，當做入門書看比較合適
2、數據分析工具和技能包括：
（1）SQL
取數的必備技能，要掌握一定的數據庫基礎，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
主要學習數據清洗、數據透視表、DAX函數這三個功能，有能力的可以學學VBA，不過業務分析不建議太深入，推薦讀物：
（3）BI工具
用來做數據分析的主要工具，比如tableau、powerbi、FineBI等等，這些工具都各有特點和適用環境
（4）Python/R
數據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，二者對于業務分析來說，差別并不大。
數據分析師=半個業務人員，可能對于業務分析師來說，必須首先得是個業務人，之后才能是數據分析師。而學習業務，才是數據分析人最痛苦的事情。
那該怎么具體了解呢？可以通過業務模式、產品、渠道、用戶、運營、部門、KPI來充分了解一個公司的業務、信息。
1、業務模式
通俗來講，要了解一家企業，可以了解它的商業模式，但這太寬泛了，我們用業務模式來代替。簡單講，就是這家企業是通過什么來掙錢的？
2、產品
產品是有企業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。產品一般看什么：
3、渠道
渠道的定義，就是連接產品和用戶的通道。把產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，企業用戶和個人用戶。
5、運營
運營在整個閉環中，需要支持產品，渠道，用戶三大部分。比較常見的是互聯網產品運營，這個職位一般需要優化產品的用戶體驗，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。或者在傳統行業幫助產品做好進銷存管理。
當然還有其他很多業務知識需要學習，這部分建議大家多去參與到業務部門的工作中，最好是跟在業務部門一段時間，多去學習業務才能真正做好數據分析。
評論0
加載中...
數據分析師主要學習的內容大致分為六個模塊，分別是：
Excel
精通Excel分析工具，掌握Excel經典函數，準確快速地完成數據清洗,利用Excel數據透視及可視化，可以透過現象看本質。
MySQL
理解MySQL數據庫相關概念及存儲原理，掌握SQL基本的增、刪、改、查等語法掌握數據庫性能調優策略，熟練使用SQL進行數據清洗與數據規范化。
BI商業智能工具
了解商業智能的核心價值，精通FineReport、FineBI，快速挖掘數據價值，掌握行業場景應用。
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。 掌握網絡數據抓取技術，Python數據庫應用開發，實現Python數據可視化操作，提高數據收集和數據分析能力。 掌握Python數據分析處理基礎庫，具有應用Python語言解決數據分析中實際問題能力。
數據分析思維與理論
掌握微積分、線性代數、概率論、參數估計、假設檢驗、方差分析等數理統計基礎 掌握基本的數學、統計學知識，學習數據運營方法論、機器學習夯實基礎，提升數據敏感性，建立數據思維和數據素養。
掌握如何撰寫行業分析報告和數據分析項目流程，能夠獨立完成數據分析項目。 掌握常見的數據運營方法如AARRR、漏斗、ABTset、描述性統計分析、相關分析、指數系統搭建等，培養利用多種數據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典算法原理及sklearn代碼的實現、機器學習算法的選取、調優及模型訓練、神經網絡的特點及原理，增加個人核心競爭力，擁有能夠用相關數據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注我們頭條號和公眾號：聚數云海
評論0
加載中...
如何用數據診斷業務問題，作為一個數據師、分析師，用數據診斷業務是最基礎的，但是很多人對于診斷業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據分析業務方面會不認可呢？弄清楚這三個問題就知道了。
1、基礎診斷技巧知識業務診斷流程，第一步，建立監控指標，第二步樹立判斷標準，第三步發現異常情況，第四步細節問題來源，第五步，給出診斷意見。例如，某公司有四條銷售業務線，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，建立監控指標為整體銷售業績樹立判斷標準為10000萬觀察現狀為9500萬發現異常問題為差500萬為不達標。所以細節問題為渠道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，就能進一步看到轉化流程，渠道a業績計劃，500萬投放量100萬投放轉換率50%購買轉換率50%。這是轉換過程，客單價為200這是轉化結果，實際上渠道a的業績是四千萬。投放量100萬投放轉化率分之40購買轉化率分之50客單價值200于是對比后發現是a業務線出了問題。投放轉換率太低，互聯網講究漏洞轉化模型，指的是用戶看到廣告到購買，結束購物過程中的全程記錄。
二是常見問題，單純的數據并不是為了記載，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100萬投放轉化率分之40購買轉化率分之50，客單價200診斷后數據分析給出的理由是，一大環境不好，肯定轉化率低，二投放沒有問題。配套優惠沒有跟上，肯定轉化率低，三次投放優惠都沒問題，商品已過氣肯定轉化率低。四大家都沒有問題，是客戶口味變了，肯定轉化率低等等，很多做數據分析的人看到這些都會覺得很感性，怎么合DAU有轉化率活躍率，消費金額這些指標有關的；
三解決問題關鍵診斷業務只有找到病因，才能針對性解決區分的關鍵點有四個，第一個是否真的清楚現狀，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。弄清楚這四點區分業務方是否想解決問題。說到這里從本質上看，問題診斷之所以難，一是因為環境原因，業務能力和操作流程等都會導致業務問題，但這些不是用數據量化，而是一個個細節假設。二是遇到問題了大家都怕擔責任，所以很多人拒絕了解真相，從而不想發現問題去解決。他說到這里。想要數據診斷，就得層次突破，爭取業務的支持和老板的理解才能見效，這也是數據道路落地的必經之路。
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
