深入浅出，教你一步步实现数据分析入门、进阶

最近有很多人在问数据分析的一些问题。关于数据分析到底应该怎么学？如何快速入门，以及技术和业务之间的瓶颈如何突破？

其实，要学数据分析之前，至少要了解一下数据分析师，到底需要哪些技能。有的同学看到数据分析几个字，就马上开始Python函数+控制语句、R语言和ggplot库……上来一顿骚操作，还没入门就放弃了。

这就是需求不明确导致的，当然学习方式也值得商榷，那到底数据分析需要什么样的技能呢？ 这里作为例子，从招聘网站上找了几个数据分析的岗位，我们来看看具体的要求是怎样的。

 

 

 

其实企业对数据分析师的基础技能需求差别不大，可总结如下：

• 分析工具：一般要求R、Python、FineBI等分析工具至少会一种，会两种以上加分，有的企业因内部需求，会指定的一种；
• 数据库：绝大会要求会SQL，部分要求SQL、NoSQL会一种，高级的分析师或者大型企业要求能够处理大数据，需要Hive（较少的需要Hadoop/Spark）；
• 统计学：若无相关专业背景，需要具备相应的统计学、概率论等基础知识；
• 数据挖掘：少部分要求会建模，了解基本的算法模型，能够做数据预测，即便不要求，算法也是加分项；
• 结果输出：Excel、PPT、Tableau、FineBI等专业BI工具。Excel和PPT要求的比较多，主要用作常规的数据呈现，与业务部门沟通等，Tableau、FineBI等一般作为可视化或者分析工具的加分项或者要求之一；
• 业务/思维：对某个领域（如电商、金融等）相关业务的了解或具有产品、运营方向的分析经验，有自己的数据分析的方法论和项目经验。

看上去很简单呀，对吧，但其实你把每个技能拆分开来，都是一个不小的知识体系。如果我们按照数据分析的流程来细分的话，每个部分应该掌握的技能，大概是这样的：

 

那对于这个技能体系，应该如何进行技能的训练呢？先后顺序是什么？哪些地方可能出现困难和瓶颈？

这可能是初学者最困惑的地方，我们可以看看数据分析的不同层次：

一、初级阶段：懂基本操作

这个要求真的不高，如果是用Excel，也就是画个分布图、用用场函数和Vlookup的事情，当然对于专业数据分析师而言，仅会Excel是远远不够的，特别是对于拥有海量数据的巨头。

用Python来做的话，也就是numpy、pandas和matplotlib的一些基本操作，简单来说，你需要掌握基本的数据分析处理和可视化，进行探索性的数据分析，观察数据分布、计算各种统计量，得出一些基本的结论。

FineBI自助式分析工具

当然你还需要补补基本的统计知识。

所以开始上手的话，就两个部分，Python库和统计学知识，当然你可以找一些数据集来进行这些操作。

在这个时候你已经可以做一些基本的数据清洗、数据分析工作了，像数据专员这样的职位都可以尝试，如果懂一些业务，初级数据分析的工作也可以着手了。

这个阶段的工作主要进行基本数据处理，对于明确的分析任务能够进行技术上的基本实现，能够正常推进具体的分析计划落地实施。

而处于这个阶段，欠缺的能力在于技术的熟练度、全面性以及整体业务分析的规划。

一方面是对于实际的项目缺乏多重技术的对比，对于复杂项目缺乏有效实施手段；

二是对于整体的业务缺乏清晰的拆解方向，对于用什么指标，需要构建什么模型等问题的缺乏系统性思考。

二、中级阶段：深入技术，做全方位的数据分析

能够做基本的操作之后，接下来你应该可以更深入下去了，掌握更多的技巧，以满足不同的数据和场景。

所以这应该是一个连续的、循序渐进的过程。 当然这个时候你更多的是要通过具体的数据集，去进行真实场景的分析，尽可能多的从不同的角度进行探索，得出更多的结论。

考虑到更多的场景，你可能还需要数据库（SQL or NoSQL）的技能，至少能够顺利提取、查询公司的数据库，能够通过数据库的管理实现基本的数据清洗和分析。

还有就是爬虫的技术，如果你有获取网络数据的需求，你需要掌握另外的Python包（比如BeautifulSoup、Requests等）。当然这些可能并不是当下必须的技术，可以等到有需求的时候再去学习。

 

总的来说，这个部分，是数据分析工具深入和全面实战的部分。

确定你能够熟练完成项目并输出结果后，就完全可以去尝试初级数据分析师相关的职位了。

当然在此之前，你需要去大量进行项目练习，一来为熟悉流程和工具，二来培养分析思维，这些项目经验也是求职的优质资源。

三、高级阶段：数据挖掘

别慌，并不是要去真正地系统学习数据挖掘。只是在做数据分析的时候，通常会涉及到预测型的数据分析，比如预测广告的点击、出行需要的时间、未来某个时间的销售额……这些对未来情况的预测是做决策的重要依据。

那其实就是要掌握一些数据挖掘的方法，比如逻辑回归、朴素贝叶斯方法、决策树等等。当然你需要用到Python库scikit-learn，scikit-learn里都可以直接调用这些算法，知道怎么调用就可以了。

 

但随着深入，你会有了解算法原理的需求，那可以帮助你去调参，提升算法效果。当然特征选择也是提升预测效果不可忽视的部分，如果算法应用没问题了，可以尝试做特征工程提升效果。

数据挖掘技能（或者说算法能力）并不是分析师的必修项目，但你去看招聘JD就会发现，这是一个很好的加分项，优秀的分析师应该具有一定的构建算法模型的能力。

四、终极阶段：从数据分析到商业决策

老实说，这个步骤并不是最后来训练的，而是贯穿在整个数据分析的过程中。因为数据分析的本质，或者说终极追求是为商业目的服务的，比如提供用户增长的策略，为销售提升提供解决办法，通过数据分析提供更人性化的用户体验……

方法、技巧皆为工具，你将会总结出自己的一些方法论，如何通过一个完整的分析得出一个高价值的商业报告，甚至是一套自动化分析决策的商业系统（比如推荐系统，用户画像系统，风险模型）。

 

这些才是更高层次的数据分析工作应该去做的事情，在任何项目推进之前明确目标，并系统地解决数据获取、数据存储、数据建模和可视化呈现的问题，推动整个项目的进度。

我们的终极目的不是去获取几个数据，也不是呈现几张炫酷的图表，而是去探索一个问题的解决方案，寻找一个市场的突破口，以技术的方式去降低策略制定的风险。

所以当你不再聚焦于具体的技术点、工作流程，而是重于不同业务指标的选取，解决问题的模型的构建，高效和低成本的决策辅助等时候，你就真正上升到比较高的层次了。