干貨分享：數據分析師應掌握的核心技能和思維
大數據
發表時間:2018/12/5 10:30:40??作者:sjfx??
大數據
發表時間:2018/12/5 10:30:40??作者:sjfx??
對于很多剛開始學習數據分析的人來說，最常被問道的問題就是：我感覺自己掌握了很多數據分析技術啊，但好像又什么也做不了。
拿到一堆數據，根本不知如何下手，從哪里開始分析？
統計分析、建模一頓騷操作，得出的結論竟然只是常識？
簡單、規整的數據能夠下手，遇到雜亂、多文件數據就懵逼？
………
這些問題看似簡單，但是確實是大部分的人在學習過程中都會遇到的問題。真正去學習數據分析的人，都會有這樣的感覺：數據分析本身并不困難，難的是真正獲得能夠支撐決策的結論。
就好像，即便你熟讀Python各種語法，依然不能寫出自己的程序一樣。就是算你有一把鋒利無比的劍，你不懂得招式方法，不懂馭劍之術，那就是一把廢鐵。
所以真實的數據分析應用，應該是工具與方法、邏輯、思維的結合，你僅掌握了工具（而且深入不夠），自然不能得心應手。
那么到底應該掌握哪些技能，掌握到什么程度，才能夠勝任真正的商業分析和職位需求呢？我們分別從技術、方法和業務三個方面來說明。
關于技術
技術應該是最能夠直觀感受的層面，請別人推薦書單、尋求專業人士的指導，搜索系統的教程，幾乎都是去解決技術層面的問題。
通常我們去提升技術，無非是找一個資源，然后開始啃。比如要偶然聽說要學Python，就哼哧哼哧開始數據結構、語句、函數、面向對象……；數據庫要學習，就找來《十日精通mySQL》《MongoDB速成指南》……
這樣毫無目的的學習，是一件收益極低的事情，且不說這樣系統地啃大塊頭，很容易從入門到放棄，即便真正學習了一些東西，沒有真正的輸出，知識很快就不是你的了。
所以對于沒有什么數據分析經驗的人，更建議明確數據分析的流程，針對每個流程做針對性的學習，并在每個部分做實際的訓練和內容輸出。
我們通常把一個數據分析項目的技術流程分為“數據預處理、統計分析、探索性分析、預測性分析、可視化及報告”，那么我們就需要針對每個流程進行針對性的訓練。
01 數據預處理
數據清洗雖然是“臟活”，但卻是后續分析的重要保證。比如企業用戶的數據，大量的缺失、異常、錯誤，要怎樣將數據標準化？
這里面就涉及到數據的切片、拼接、過濾、排序以及基本的索引與運算，很多時候，數據清洗能夠幫助我們掌握數據分布的基本特征，獲得對整體數據的初步感覺。
02 統計分析
基礎統計分析可以讓我們直觀地對數據進行描述，比如基本的統計量（極值、均值、中位數、眾數、方差等），其實就可以為我們提供基礎的描述性分析結論。
常見的排行榜、中位數對比、平均水平、相關性、影響因素等等結果，都可以從基本統計分析中得出，需要你要掌握基本的科學計算工具。
03 探索性分析
相對于有目的的統計分析（當然統計也可理解為探索），探索性分析適用于我們對數據中的信息缺乏經驗的場景。通過數據可視化的方式，對數據進行更直觀的展示，很多直接觀察得不到的結論，通過圖形卻能夠很好地掌握。
比如數據的分布規律、數據的變化趨勢……這就要求你能夠針對不同類型的數據，輸出適合的圖形（常見的條形圖、箱線圖、散點圖、熱力圖、地圖等），從中獲得信息。
04 預測性分析
對未來數據進行預測，往往能夠獲得比較有指導意義的結論。這就要涉及基本的建模知識，像基本的線性回歸、邏輯回歸、決策樹等模型，一般就可以建立不錯的預測模型了。
做數據預測往往能直接提升我們的技術深度，往往一個優秀的數據分析師，也算是初級的數據挖掘工程師了。
關于方法論
為什么我們要說方法論呢？因為這在某種程度上，為我們做具體的數據分析項目提供了方向。
很多時候，我們拿到一個數據集、或者遇到一個分析問題，無從下手，很大的可能不是技術不足，而是缺少分析方法。
比如即便是最簡單的統計分析，統計量的理解要非常深刻。哪些字段應該求和；哪些字段應該取均值；哪些字段應該進行方差分析；哪些應該進行頻率統計……這些都是建立在你對統計分析理解的基礎上。而僅僅是這些分析，就足夠得出有價值的結論。
而對于剛上手數據分析的小白來說，探索性分析則是彌補方法論不足的重要方式。所以可視化的技能就顯得尤為重要，有人認為可視化是單純做最后的結論展示的，但事實上，可視化是進行數據分析的重要步驟。所以，盡可能多地用圖形去觀看探索數據內部的規律，是獲得數據中隱藏信息的關鍵步驟。
這些比較通用的方法，只要你多做幾個項目，你就會有一些初步的感覺：哪些統計信息是有用的，哪些字段的信息是相對重要的，這就是我們常說的數據思維。
當然涉及到具體的領域，還有一些比較常用的方法論，比如對比分析（數據變化、同比環比等指標）、比如用戶增長的AARRR模型、生命周期模型、漏斗分析法……
當然，對于新手來說更重要的是，去熟悉更多的項目，嘗試更多的實踐，找到基本的分析感覺。我們遇到的大多是二維數據、時間序列、網絡數據，了解不同數據類型的分析方法，就能掌握不同領域的數據分析。
經過實際訓練，不用多久，你就會發現，對于數據分析豁然開朗，那么你就真正上道了。
關于業務思維
優秀的數據分析師一定是對業務非常了解的，這是輸出價值結論、做出優秀決策的必要條件。在做數據分析時一定切記，對于你要分析的問題，你要有明確的輸出：要得到什么結論，想弄明白的事情是什么。
很多人一開始只學習具體的技術，沉迷于炫技，勢要寫大段的代碼，做炫酷的圖表。當然提升技術深度固然沒錯，但很可能實際在分析思維和能力上的提升并不明顯，也很難輸出有價值的內容。
這是很多人都會走入的誤區，認為努力彌補技術上的差距，就縮短了數據分析能力的差距，但很多時候，你和專業分析師差的是提出問題、梳理邏輯和解決問題的能力。
這種能力就源于對業務知識的理解。
對于一個具體的分析項目，你在拿到數據之后，知道具體要去解決什么問題？需要根據分析結論去做哪些決策？現有的數據能夠去解決哪些方面的問題？
對于具體的業務來說，哪些指標是重要的？哪些字段之間通常會有很強的相關性？探索哪些數據之間的關系會大概率獲得有價值的結果？
通過這些問題，你就有了一條非常清晰的分析邏輯，分析的先后順序是什么，大概會得出哪些結論，甚至最終的報告如何呈現，就都不是問題了。
所以，在尋求技術突破的同時，更建議去找具體的數據集，或明確一個分析目標，做實際的分析項目，通過這種基于問題、結論的思考，獲得數據分析的一般方法，這才是你的個人核心競爭力。
當然在具體的項目中，遇到技術上的空缺或不足，有針對性地彌補，效率也會更高。（來源：微信公眾號ecshujufenxi）
