数据分析所需的必备技能详解 - 大数据教程
当前位置:天才写手 > tutorial > 大数据教程 > 数据分析所需的必备技能详解
2018-07-18 08:00 星期三
数据分析所需的必备技能详解

  一切事物尽需分析,当然了,数据也需调整与分析,本篇文章为大家详细介绍了进行数据分析时所需注意事项,以及必备技能讲解,那么带大家进入本篇文章吧!

     大数据如此火爆的时代,各种人才倍受青睐。视野决定了境界和能力,而所处的环境又决定了视野。好多人不知道什么是数据分析师,认为会熟练使用Excel就是数据分析师,如果你还会使用Excel中的一些高级功能如透视和函数等等,可能别人就认为你是牛*的数据分析师了,如果你工作中还用到了VBA,(word天啊!),在别人眼中你就是数据分析大神了。真的是这样吗?诚然,单用Excel的确可以解决大部分的数据问题,但是作为一个数据分析师,你并不是一个基层的统计分析从业者,那么数据分析师应该是怎样的职业呢?

数据分析所需的必备技能详解_大数据_数据分析_虚拟化_课课家教育

  (一)数据分析师的职场之路

数据分析的职位分类按照数据处理的不同阶段分为数据采集、数据分析、与数据挖掘三种。其中数据采集的概念是对企业来说的,是jacky企业(航航数据)在做的事,包括原始数据源的采集和地理信息数据的采集,这里受众面太窄,就不一一说了,想了解的朋友可以私信我。

  图1:数据分析职位分类

  数据分析的职位分类按照数据处理的不同阶段分为数据采集、数据分析、与数据挖掘三种。其中数据采集的概念是对企业来说的,是jacky企业(航航数据)在做的事,包括原始数据源的采集和地理信息数据的采集,这里受众面太窄,就不一一说了,想了解的朋友可以私信我。

  下面主要说下数据分析和数据挖掘的职位:

  大家要记住一句话:数据分析的职位分为业务方向与技术方向两个方向,这两个方向决定了两条不同的职业规划和晋升途径,包括下面章节要说的数据分析的学习规划也跟这两个方向紧密相关。

  1、业务方向

  大家在招聘网站中搜索数据分析的职位,大概分为两类:辅助业务的数据分析职位和数据分析师职位。

  1)辅助业务的数据分析:一般在零售业里职位设置较多,该职位一定要对业务烂熟于心,对业务有长时间的积淀和理解,用数据发现业务流程中的问题,并提出合理化的解决方案,分析数据是为整个商业逻辑去做支撑。细分职位包括:市场调查、行业分析和经营分析三类。

  2)数据分析师:业务方向的数据分析师,该职位招聘时一定前面有一个限定词,什么数据分析师,归结起来分为三类:产品数据分析师,运营数据分析师和销售数据分析师。

  2、技术方向

  技术方向主要指数据挖掘方向,分为三类:数据挖掘工程师(机器学习)、数据仓库工程师(构架师)和数据开发工程师。在互联网和金融行业岗位设置较多

  普遍来说:技术方向的基础岗的工资薪酬要比业务岗的薪酬高一个等级,但是做到管理岗的话,在中国,业务岗的薪酬比技术岗的薪酬要高。

  (二)数据分析从业者需具备的核心能力

我认为,数据分析从业者要具备四种核心能力:1、基础科学的能力;2、使用分析工具的能力;3、掌握编程语言的能力;4、逻辑思维的能力

 图2:数据分析核心能力体系

  我认为,数据分析从业者要具备四种核心能力:1、基础科学的能力;2、使用分析工具的能力;3、掌握编程语言的能力;4、逻辑思维的能力

   1、基础科学的能力

  可以说,在数据决策的时代,数据分析几乎渗透到企业的每个业务环节中,行业数据分析报告更是淋漓满目,发布报告的有的是世界500强企业,有的是知名的数据洞察咨询公司,jacky做为第三方数据评估机构的从业者,在看到可视化效果越来越绚丽的同时,我也忧心忡忡,大多数的数据分析报告:逻辑不见了,故事线没有了,统计学支撑没有了,金在其外,败絮其中。

  统计学,数学,逻辑学是数据分析的基础,是数据分析师的内功,内功不扎实,学再多都是徒劳。

  掌握统计学,我们才能知道每一种数据分析的模型,什么样的输入,什么样的输出,有什么样的作用,开始我们并不一定要把每个算法都弄懂。

#p#分页标题#e#

  如果我们要做数据挖掘师,数据能力是我们吃饭的饭碗。如果你没有数学能力,用现成的模型也好,模块也好,也能做,但一定会影响你的技术提升,当然更影响你的职位晋升。

  2、使用分析工具的能力

  数据分析工具:SQL、SPSS、SAS、R、EXCEL等等吧,都必须掌握并且会应用,毕竟企业需要的不是学者而是应用型人才。

  3、掌握编程语言的能力

  不会Python、不会R,说你懂数据分析谁都不信。

  4、逻辑思维的能力

  逻辑思维对于数据分析来说特别重要,不单单是数理逻辑这块,还要有逻辑学的知识。反映商业数据里,大家可以理解为去搭建商业框架或者说是故事线,有逻辑的推进,结果才会另人信服。

  下面补充下做数据分析的流程逻(参考知乎网友,有改进,非原创):

  1)提出假设

  2)验证假设(统计方法)

  3)取数(SQL / Hive / Spark)

  4)清洗和整理数据(R / Python Pandas / PySpark)

  5)可视化(Excel / R ggplot2 / Python matplotlib)

  6)展示给非技术人员(PowerPoint / Tableau / iPython Notebook / R Markdown)

  (三)2017,数据分析学习规划

  任何一门技术或学科都有其内部规律,需要有计划,有先后,循序渐进来学,jacky跟大家分享下润禄数据学院的一些经验:2017,数据分析的学习规划(因个体差异,仅供参考)

  下图:橙色区域代表数据采集板块,蓝色区域代表数据分析板块,绿色区域代表数据挖掘板块。

  图3:数据分析学习规划(从入门到中级)

下图:橙色区域代表数据采集板块,蓝色区域代表数据分析板块,绿色区域代表数据挖掘板块。    图3:数据分析学习规划(从入门到中级)

  1、统计学(业务方向)与SQL(技术方向):首要必会技能

  任何数据分析师从事业务方向的工作都必须会统计学,统计学的学习最好辅助SPSS或其他SAS来学,做到数据分析基本功扎实,兼顾实战性。

  任何数据分析师从事技术方向的工作都必会SQL,不单是数据分析师,每一个运营、产品经理、尤其是互联网行业,一定要会SQL,基本知名互联网公司的产品经理都能写SQL。

  学习中,要掌握SQL的基础语法、中级语法和常用函数,结合关系数据库系统(Oracle Database、SQL Server、DB2等)来学习SQL语句,找好方法,真的不难。

  2、Python与R:不分伯仲,都要掌握

  Python主要掌握基础语法,pandas操作、numpy操作、sklearn建模,学会用python编写网络爬虫爬取数据,等等。

  R语言就是为了统计而存在的语言,我们要掌握R语言的基础语法、数据管理、数据挖掘建模与评估等。

  在中国,尽管网络营销的概念很火,但网络营销的效率低于一些发达国家也是事实。无论是门户广告、搜索引擎广告,还是广告联盟,从行业平均转化率上看,都要低于国外较为成熟国家的水平。据估计,国内的Bounce rate(蹦失率,即用户只浏览第一页即离开的比例)介于90%~99%之间,而欧美的Bounce rate则是70%左右。诚然,国内的网络营销环境处于发展之中,环境不那么尽如人意,但中国互联网络信息中心分析师孙秀秀认为,出现这种情况的很多责任在投放广告的企业方,在于对营销背后的数据分析工作的不重视,没有精确定位有效的客户群,导致大量的展示给了不相关的网民。通常,广告投放前的数据分析可以分为两步走。第一步:描述目标群体。比如,目标群体是18~25岁,上网购物的年轻女性。第二步:描述此群体的网络活动轨迹。也就是说,知道目标客户群上什么网站、做什么事、在什么时间地点能够找到他非常重要。实际上,论覆盖面,网络营销还远远赶不上传统媒体。2009年底中国的互联网普及率为28.9%,而同期中国电视的普及率却已经超过80%。但是,仍旧有很多有远见的企业选择网络营销。其中的一个重要原因是,网络营销的全过程都可以被追踪到,通过数据分析可以随时调整投放方式。

  以上是我们第二阶段要学的技能。

  3、数据可视化

  有了Python、和R的基础,我们可以就可以学习数据可视化了。运营和产品都需要学习可视化,可视化说白了,就是画图,但做为数据分析师来说,我们不能用EXCEL 来实现可视化,因为它的局限性太大了。这里也不建议花太多时间学习给非专业人士展示的Tableau,有1个小时学会Tableau足够。

  Python中可视化的工具有matplotlib,seaborn,ploltly;

  R中可视化工具有plot基础库、ggplot2

  随心所欲,用Python和R,你就知道做数据分析工作是多么爽一个事

  4、数据挖掘

  这里知道要掌握基本概念,知道数据挖掘时做什么的,知道它与数据分析相比有什么不同

  5、监督学习、非监督学习、模型评估

#p#分页标题#e#

  Model建模,知道模型建好后应该怎样去评估,掌握怎样用一些定量的指标,数据,数值来衡量模型建好后到底有多准确,或者说到底有多错误。模型评估的指标或计算方式选择正确与否,能够直接影响到整个项目获模型是否有效。

  6、以上这些只是数据分析的入门,还有… …

  机器学习,文本与自然语言处理,分布式计算工具SPARK…. …

  数据分析的路上,你准备好了吗?2017,跟我一起,来逆袭吧

  包括样本基本资料的描述,作各变量的次数分配及百分比分析,以了解样本的分布情况。此外,以平均数和标准差来描述市场导向、竞争优势、组织绩效等各个构面,以了解样本企业的管理人员对这些相关变量的感知,并利用t检验及相关分析对背景变量所造成的影响做检验。

      小结:看完本篇文章是不是有很深的感受,对于数据分析的相关事宜有了了解了吧?更多详细内容,尽在课课家教育!我在这里等你!

 

    关键字:

在线提交作业