type
status
date
slug
summary
tags
category
icon
password
01
为什么需要一份数据分析学习地图?
从事数据分析工作快6年了,参与过数据治理、ETL、数据看板、专题分析、数据挖掘建模等多种项目。踩过很多坑,也感受过借助数据分析帮助业务创造价值和增长的喜悦,收获颇多,对数据分析工作也有了更深的认识。
在专注于思考思考于业务的同时,我最近开始思考,现在的自己比6年前的自己在数据分析领域到底进步了多少?有哪些优势和弱点?未来应该如何提升?在做了一些自查和学习后,我决定梳理一份数据分析师的学习地图,既可以帮助从业者查漏补缺,持续精进,也可以给有志于从事数据分析工作的应届生和想要转行的朋友提供一个学习框架。
由于个人水平十分有限,其中必然有不妥或错误之处,欢迎评论!
02
数据分析学习地图介绍
在参考了一些资料后,我将数据分析学习地图分为了以下五个部分,接下来会分别介绍一下这五个部分的内容。
需要说明的一点,不同行业、公司数据分析职位对于同一种知识和技能的要求是不同的,大家的精力也是有限的,因此要结合自身和公司的特点在对自己信息增益(知识点)最大的方向上投入主要的精力。
03
基础知识
基础知识是数据分析从业者的内功,只有持续巩固基础知识,深入理解原理,才能保证自己的数据分析产出有坚实的理论基础。现在网上有很多课程会直接从编程和工具的使用入手,而忽略对基础知识的讲解,这是一种不太好的导向。就像盖房子,第一步就是打好地基。另外有的同学可能认为基础知识很难、很枯燥,但很多理论背后的原理都可以通过直观和形象的方法阐述。强烈推荐大家去B站搜索一下3Blue1Brown,他有一系列通过动画讲解线性代数、微积分、概率的视频,强烈推荐。同时推荐一个互动学习计算机、数学知识的App/网站Brilliant.org。
下面是基础知识部分一些主要知识点的整理和总结。由于涉及的内容较多,如有遗漏和错误欢迎留言评论。
04
编程能力
工欲善其事,必先利其器。有了基础的理论知识就需要通过编程或软件工具帮助我们获取数据、清洗数据、分析数据、可视化数据和对数据建模。想要提取数据自然离不开SQL,想要进行一些快速的数据透视分析Excel是最好的帮手,当碰到复杂的数据处理、数据分析和建模问题时Python会是你最好的帮手,当需要用生动的形式呈现数据结论时BI工具会让你如虎添翼。没有工具是万能的,最重要的是选择合适的工具,提升自己的编码能力,从而提升数据工作的效率。下图就常用的数据分析编程语言和工具进行了总结。
05
实战能力
掌握了扎实的基础知识和过硬的编程能力还不足以帮助业务创造价值,这时候就需要开始通过实践提升与业务场景相结合的实战能力。不同行业对实战能力的要求和侧重会有差异,下图列出了一些最常用的实战能力。每一个实战能力基本都能作为一个专题来讲解。后续会挑选其中的部分内容进行更深入的探讨和分享。
06
经验积累
经验积累从以下三个方面进行,侧重点会有所不同。
- 项目经验:一般是公司内部与具体业务场景结合的实际项目,重点关注在项目中加深对业务的理解和思考,总结数据分析可提升数据优化运营和驱动业务决策中落地概率的方法与经验。
- 数据竞赛:如Kaggle、天池等数据科学竞赛,可以接触到不同行业的问题、数据,可以锻炼自己的特征工程能力,探索和学习新的模型,主要注重提升自身的建模能力和工程能力。
- 行业动态:关注数据分析领域最新的趋势与动态,如新的模型,新的应用方向和公司和新的工具与平台等,与时俱进,保持竞争力。
07
沉淀输出
对于已经有数年工作经验的分析师,这一点尤其重要。因为在你掌握了基础知识和编程能力,并在数年的实战中为业务创造了价值后,进一步提升和成长的一个关键就是总结经验、方法论,结合自己的思考输出独立观点。只有这样才能保持对于业务和技术的持续思考,保持数据分析的初心,不断精进自己。更重要的是,独立思考并输出可以加深我们对事物的认识并可能激发新的创意。总结了一些常见的沉淀输出形式供大家参考。
- 方法论沉淀:结合自己的工作,将工作中某个领域的多次成功经验和最佳实践总结成一套方法论,并进行分享和讨论,并持续优化。
- 案例总结:对一些创造了较大业务价值的数据分析项目进行复盘,总结项目成功的原因并分享。
- 培训或课程:针对自己擅长的领域产出培训材料甚至课程,通过培训他人提升自己对知识的理解。
- 数据产品化/服务化:将一些具有较高业务价值的数据、数据分析、数据模型等产品化或服务化,开放给公司内部使用并推广,而不只是藏在团队里。
- 作者:cookiepapa
- 链接:https://xuzheblog.com/article/340027af-0364-46f5-b2a3-f7807ada37aa
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议,转载请注明出处。