如何入手數(shù)據(jù)分析?且看資深數(shù)據(jù)分析師如何說

↑點擊關(guān)注↑開啟精益成長

我司數(shù)據(jù)分析經(jīng)理整理了數(shù)據(jù)分析入門學習的7點建議（包含4本學習書籍）+入門必備知識（包含5種分析類型＋2類分析方法），助你快速成為一名初級數(shù)據(jù)分析師！

1

First Point

數(shù)據(jù)分析入門七大建議

生活中，我們在學習一門新知識的時候，首先要搞清學習目的和目前自己所處的狀態(tài)。如果你是處于數(shù)據(jù)分析師的“菜鳥”階段，要先把理論基礎(chǔ)打牢，然后結(jié)合實操練習，在此過程中不斷發(fā)現(xiàn)問題進而不斷改進。接下來給數(shù)據(jù)分析新手，提出以下幾點建議：

明確知識體系

任何一個崗位所應該具備的能力都不是單一的，而是需要多維度的學習。數(shù)據(jù)分析師不僅要對數(shù)據(jù)敏感，還要學會從數(shù)據(jù)的角度幫助團隊監(jiān)控、定位、分析、解決工作中的問題。在此基礎(chǔ)上，熟悉行業(yè)知識、搭建數(shù)據(jù)分析框架、學會運用數(shù)據(jù)分析方法、掌握數(shù)據(jù)分析相關(guān)的工具、運用圖表有效表達觀點也是必要的技能。你在明確了數(shù)據(jù)分析師需要學習的不同模塊后，然后逐一擊破，形成相應的整合能力，能夠使最后的效果最大化。

明確工作內(nèi)容

能夠解決問題的人才是最有價值的。在工作中，數(shù)據(jù)分析師一般會解決幾類問題：

1）解決臨時性的數(shù)據(jù)需求

2）根據(jù)業(yè)務情況，與開發(fā)工程師討論進行相關(guān)報表開發(fā)

3）依據(jù)業(yè)務建立各類挖掘模型，與同事一起進行數(shù)據(jù)分析與挖掘，提出有效的建議觀點

4）通過數(shù)據(jù)產(chǎn)品化方式解決結(jié)構(gòu)化業(yè)務等問題

掌握底層工具

通過以上的了解，首先我們會對崗位有一個全面的認知。接下來大家就可以從簡單到復雜一步步的提升自己的能力。作為數(shù)據(jù)分析師，需要熟練的進行Excel操作，特別是Excel中的一些常用的重要函數(shù):sum，count，sumif，countif，find，if，left/right。還需要熟悉SQL數(shù)據(jù)庫的基本操作。推薦學習《SQL必知必會》

大多數(shù)互聯(lián)網(wǎng)公司都是MySQL，你需要了解where，group by，order by，having，like，count，sum，min，max，distinct，if，join，left join，limit，and和or的邏輯，時間轉(zhuǎn)換函數(shù)等。學會了這些底層工具的運用，會做基本的數(shù)據(jù)提取、分析和展示，就完成了基本的能力進階。

訓練邏輯思維

現(xiàn)在是一個讀圖時代，龐大的數(shù)據(jù)用結(jié)構(gòu)化的形式展現(xiàn)出來才能更好的得出結(jié)論。平時學會運用邏輯圖來分析理清自己的思路，用PPT展示觀點，這樣能夠更好的推進項目進度。

正確的思維方式?jīng)Q定了你做事的質(zhì)量。在訓練邏輯思維方面，首推《金字塔原理》。

金字塔原理中的歸納推理、演繹推理、相互獨立完全窮盡的原則都是訓練邏輯的有效方式。再者可了解SMART、5W2H、SWOT、4P等理論，可以運用這些方法刻意的練習自己對數(shù)據(jù)的分析。在進行操作之前，最好可以畫一個思維導圖，這樣可幫助我們把各個分散的點聯(lián)系起來，形成一個系統(tǒng)的方法論，幫助我們進行下一步。

深化統(tǒng)計和數(shù)據(jù)庫知識

從統(tǒng)計的角度看數(shù)據(jù)，會給我們不一樣的視角。學會分析數(shù)據(jù)間的平均值、中位數(shù)、標準差、方差、概率、顯著性。掌握統(tǒng)計知識中的集中趨勢、變異性、歸一化、正態(tài)分布、抽樣分布、估計、假設檢驗等知識點。如果是多變量多樣本，還要學會各種檢驗。另外，有幾個主流的統(tǒng)計分析工具，也可以加深學習：SPSS作為一款菜單式操作軟件要比編程性軟件入門簡單，主要優(yōu)勢在于比較容易上手；R是一款為統(tǒng)計計算和數(shù)據(jù)可視化而生的軟件，它的功能非常豐富；近年來，企業(yè)偏好用Python，主要是因為其解釋性和功能比較強大。在這方面，Wes McKinney的《利用Python進行數(shù)據(jù)分析》這本書還比較實用。

關(guān)于數(shù)據(jù)庫，企業(yè)數(shù)據(jù)常常被保存在MySQL、Oracle、Postgres、MonogoDB、Cassandra等數(shù)據(jù)庫中，所以這些也要理解。

學習數(shù)據(jù)管理和可視化展示

對于海量數(shù)據(jù)，學會數(shù)據(jù)管理已經(jīng)成為一種必備技能。數(shù)據(jù)管理包括數(shù)據(jù)的清洗格加工ETL，這樣能夠讓數(shù)據(jù)更加清晰的展示，比如DataWrangler。數(shù)據(jù)可視化是為了能夠讓是數(shù)據(jù)在前端更形象的展示，比如tableau，spotfire。

目前很多公司都會傾向于選擇用數(shù)據(jù)可視化工具，比如FineBI、易觀方舟。

圖片整理自“易觀數(shù)據(jù)分析產(chǎn)品——易觀方舟”

加強業(yè)務實操，向同行學習

俗話說：“實踐出真知”。在學習理論和課程的基礎(chǔ)上，還需要真正的去操作，在不斷的實踐中才能更快的掌握技能。在工作中，積極的向同行請教，這樣可以更加直接的獲取經(jīng)驗。如果能夠真正做到扎實學習和勤于練習，相信你成為一個合格的數(shù)據(jù)分析師將會水到渠成。推薦閱讀《精益數(shù)據(jù)分析》，此書案例較多，涉及業(yè)務范圍較廣，有助于打造你的數(shù)據(jù)驅(qū)動思維模式。

數(shù)字化時代，數(shù)據(jù)分析思維和數(shù)據(jù)洞察能力將成為運營的核心競爭力之一。在掌握了以上內(nèi)容后，在這里再為大家提供數(shù)據(jù)分析必備知識：

2

Second Point

數(shù)據(jù)分析的五種類型

在正式進行數(shù)據(jù)分析之前，我們需要弄清楚數(shù)據(jù)分析的5種類型。這里總結(jié)了5種數(shù)據(jù)分析的類型，從描述性分析到規(guī)范性分析，數(shù)據(jù)分析的復雜性和工作量隨之增加，且越往后越依賴機器。

描述性分析——發(fā)生了什么

描述性分析是任何數(shù)據(jù)分析過程的起點，旨在回答發(fā)生了什么的問題，是我們通過對各種來源的原始數(shù)據(jù)進行整理，再將其轉(zhuǎn)化為對業(yè)務有價值的洞察。

通過易觀方舟可視化看板，我們可以將采集的數(shù)據(jù)自定義可視化成線圖、柱狀圖、氣泡圖等，很直觀地看到發(fā)生了什么。

易觀方舟數(shù)據(jù)看板示例

探索性分析——探索數(shù)據(jù)之間的關(guān)系

顧名思義，探索性分析的主要目的是探索，其最典型的應用領(lǐng)域就是數(shù)據(jù)挖掘。通過探索性分析，能夠幫助我們發(fā)現(xiàn)原本不相關(guān)事物之間的數(shù)據(jù)變量聯(lián)系。

數(shù)據(jù)挖掘領(lǐng)域有一個典型的案例：沃爾瑪通過數(shù)據(jù)挖掘，發(fā)現(xiàn)紙尿褲與啤酒的銷量數(shù)據(jù)呈相關(guān)關(guān)系。于是，調(diào)整了超市貨架的擺放位置，將紙尿褲與啤酒放在相近的位置，沒想到雙雙增加了這兩種完全不同品類的銷量。

診斷性分析——為什么會發(fā)生

診斷性分析是最常見的數(shù)據(jù)分析類型。數(shù)據(jù)分析人員通過診斷性分析能探究某件事情發(fā)生的原因，引發(fā)這件事情的前置事件是什么，這件事情發(fā)生后又會引發(fā)什么后置事件。

例如，某天客戶電話投訴突然減少：為什么會發(fā)生這種情況？通過數(shù)據(jù)分析發(fā)現(xiàn)，可能是因為雇傭了新客服、或者產(chǎn)品的某個界面添加了投訴功能等。

如果能知道某件事情發(fā)生的原因以及是如何發(fā)生的，我們將能很快確定解決問題以及面臨挑戰(zhàn)的具體可落地方法。

預測性分析——會發(fā)生什么

預測性分析通過分析已知的數(shù)據(jù)假設未來，回答將來會發(fā)生什么的問題。預測性分析不僅會用到前文所提到的3種數(shù)據(jù)分析類型，還需要用到機器學習（ML）和人工智能（AI）等前沿的數(shù)據(jù)科學技術(shù)。

例如，根據(jù)某零售店過去5年的銷售數(shù)據(jù)，我們能預測該零售店下個月、下個季度的總銷售額，以及某個單品的銷量。

通過預測性分析，不僅可以了解事情的發(fā)展趨勢、模式以及某件事情發(fā)生的原因；還可以根據(jù)某件事情在特定領(lǐng)域的發(fā)展現(xiàn)狀，做出明智的預測。易觀方舟內(nèi)置用戶流失預警、商品銷量預測等預測模型，大幅提升運營競爭力。

規(guī)范性分析——要采取什么行動

規(guī)范性分析是最高級的數(shù)據(jù)分析類型，通過以上所有數(shù)據(jù)分析，并結(jié)合數(shù)據(jù)模型，回答要采取什么行動的問題。規(guī)范性分析會分析多個場景，預測每個場景的結(jié)果，并根據(jù)結(jié)果決定哪個是最佳行動方案。

人工智能（AI）是處于數(shù)據(jù)分析前沿的規(guī)范性分析的例子。人工智能（AI）建立在大數(shù)據(jù)的基礎(chǔ)之上，通過攝取和分解大量的數(shù)據(jù)，自學如何使用數(shù)據(jù)信息并做出明智的決策。

我們在進行數(shù)據(jù)分析時，大多是進行描述型分析、探索型分析和診斷型分析，預測性分析和規(guī)范性分析大多交由機器去學習和解決。

3

Third Point

數(shù)據(jù)分析兩個方法：三板斧+雙股劍

回到數(shù)據(jù)分析的實際應用中，不管是產(chǎn)品迭代優(yōu)化分析，還是運營活動分析等，似乎總會涉及到很多數(shù)據(jù)分析的方法。

但萬變不離其宗，最終總結(jié)下來其實都是這5種方法或者他們的交叉組合。如下圖所示，易觀數(shù)科將其總結(jié)為數(shù)據(jù)分析的三板斧和雙股劍。

3.1 數(shù)據(jù)分析的三板斧

● 趨勢分析

趨勢分析可以說是最基礎(chǔ)且最常用的數(shù)據(jù)分析方法。通過對有關(guān)指標的各期對基期的變化趨勢的分析，分析該指標的趨勢變化，從中直觀地發(fā)現(xiàn)問題，讓運營決策更準確和更實時。

例如，對于品牌零售行業(yè)，GMV是最核心的指標，我們就可以根據(jù)日、周、月等時間維度描繪GMV的趨勢圖，這樣便可以很直觀的看到按照不同時間維度GMV的變化。

● 細分分析

當趨勢分析過于宏觀，細分分析則是精細化運營的必備，通過按照不同的維度一步步地對數(shù)據(jù)進行拆分，不斷接近問題發(fā)生的起源，讓運營獲取更加精細的數(shù)據(jù)洞察。

例如，某品牌零售企業(yè)的GMV某天有明顯的下降，那么我們就可以根據(jù)全國各省級行政區(qū)的維度，細分湖南省、廣東省、北京市、云南省等34個省級行政區(qū)，查看具體是哪個省級行政區(qū)的GMV有所下降。定位到具體的省級行政區(qū)后，還可以繼續(xù)往市級、區(qū)級層層細分。

● 對比分析

對比分析是將兩個或兩個以上的數(shù)據(jù)進行比較，分析差異并揭示數(shù)據(jù)所代表事情的發(fā)展變化情況以及規(guī)律。其特點是可以非常直觀地看出事情某方面的變化或差距，并且可以準確、量化地表示出這種變化或差距是多少，主要是為了給孤立的數(shù)據(jù)參考系。

例如，同樣以品牌零售企業(yè)的GMV為例，通過對比不同年份的GMV變化趨勢，我們可以很直觀地看到這家企業(yè)的年度增長情況，判斷是否值得投資。

3.2 數(shù)據(jù)分析的雙股劍

● 溯源分析

追溯到事情的源頭去分析，是避免運營做過多無用分析的方法。

舉個例子，當一批用戶到來我們的產(chǎn)品內(nèi)，購買轉(zhuǎn)化率比較低。通常情況下我們?nèi)シ治觯赡軙@產(chǎn)品流暢度的問題、運營活動力度的問題，或者商品吸引力的問題。但很有可能從源頭分析，這批用戶就并非我們的目標用戶，而是虛假流量。

● 歸因分析

通過一種或者一組規(guī)則，將銷售功勞或者轉(zhuǎn)化功勞等分配給轉(zhuǎn)化路徑中的各接觸點，即為歸因分析。

本質(zhì)上歸因分析都是為了衡量和評估用戶觸點對總體轉(zhuǎn)化目標達成所作出的貢獻，評價的核心指標為轉(zhuǎn)化貢獻度。但具體如何衡量和評估，就需要我們用到歸因分析模型。

常見的歸因模型主要有5種，分別為首次觸點歸因模型、末次觸點歸因模型、線性歸因模型、位置歸因模型和時間衰減歸因模型。關(guān)于歸因分析的詳細文章可跳轉(zhuǎn)《做?運營的還不懂歸因分析？難怪你的增長停滯不前》

Analysys

關(guān)于易觀數(shù)科

易觀數(shù)科是國內(nèi)專業(yè)的一站式全場景私域用戶運營解決方案服務商，旗下?lián)碛幸子^方舟智能分析、易觀方舟智能運營、易觀方舟智能畫像三大產(chǎn)品組件及配套咨詢服務，幫助企業(yè)沉淀數(shù)字用戶資產(chǎn)，打造數(shù)據(jù)驅(qū)動運營閉環(huán)，建立私域用戶親密關(guān)系，實現(xiàn)精益成長。

點擊「閱讀原文」免費體驗方舟產(chǎn)品

↓↓↓