首先是基础篇1、首先是Excel,貌bai似这个很简单,其实未必。Excel不仅能够做简单二维表、复杂嵌套表,能画折线图/Column chart/Bar chart/Area chart/饼图/雷达图/Combo char/散点图/Win Loss图等,而且能实现更高级的功能,包括透视表(类
首先,基础知识
1.首先,Excel。 看起来这很简单,但不一定。 Excel不仅可以制作简单的二维表,复杂的嵌套表,还可以绘制折线图/柱形图/条形图/面积图/饼图/雷达图/组合图/散点图/获胜图,等等。 可以实现更多高级功能,包括数据透视表(类似于BI的多维分析模型Cube)以及诸如Vlookup之类的复杂功能,处理一百万个以内的数据没有大问题。 最后,许多更高级的工具具有Excel加载项,例如一些AI Machine Learning开发工具。
2. SQL(数据库)
我们都知道数据分析师每天都在处理大量数据。 这些数据来自数据库,那么如何从数据库中获取数据呢? 如何建立两个表与三个表之间的关系? 如何获取所需的特定数据? 等等。 这些数据选择问题是您的首要考虑因素,这些问题已通过SQL解决,因此SQL是数据分析的最基本技能。
3.基本统计
数据分析的前提是要知道数据,如何收集数据? 数据的总体分布是什么? 如果存在时间维度,那么随着时间的变化是什么? 数据的平均值是多少? 数据的最大值和最小值是多少?
4.主可视化工具,例如BI(例如Cognos / Tableau / FineBI等),具体取决于公司使用的工具 ,就像我以前使用FineBI一样。 这些工具非常便于可视化,特别是分析报告中可以包含这些图表,这些图表肯定会吸引高级领导者的注意力,一目了然,并深入了解业务性质。 另外,作为专业分析师,使用多维分析模型Cube可以轻松自定义报告,从而大大提高了效率。
高级阶段需要掌握的内容:
1.统计的系统研究
纯机器学习强调算法的预测能力和实现,但是统计始终强调“可解释性”。 例如,今天的微博股票发行增加了20%。 您可以使用两个模型来预测股票的涨跌,以新浪为例,然后将其展示给老板。 统计就是这样的功能。
与数据挖掘相关的统计方法(多种Logistic回归分析,非线性回归分析,判别分析等)
定量方法(时间轴分析,概率模型,
决策分析(多用途决策分析,决策树,影响图,敏感性分析)
建立竞争优势的分析(通过项目学习基础知识和 成功案例分析概念)
数据库简介(数据模型,数据库设计)
预测分析(时间轴分析,主成分分析,非参数回归,统计 过程控制)
数据管理(ETL(提取,转换,负载),数据治理,管理责任,元数据)
优化和启发式(整数计划方法,非线性 计划法),局部探索法,超启发式(模拟退火,遗传算法))
bi g数据分析(学习非结构化数据概念,MapReduce技术,大数据分析方法)
数据挖掘(聚类(k均值方法,分段方法),关联规则,因子分析,生存时间分析 )
其他:选择以下两项(社交网络,文本分析,Web分析,财务分析,服务行业分析,能源,医疗保健,供应链管理,集成营销中的概率模型) 通信)
用于风险分析和操作分析的计算机
在软件级别进行分析(组织级别的分析主题,IT和业务用户) ,变更管理,数据主题,结果表示和沟通方法)
2,掌握AI Machine Learning算法将使用工具(例如Python / R)进行建模。
传统的BI分析可以回答过去发生的情况? 现在发生了什么? 但是将来会发生什么呢? 它必须依靠算法。 尽管诸如Tableau和FineBI之类的自助服务BI已内置了一些分析模型,但希望进行更全面和深入探索的分析人员仍需要Python / R之类的数据挖掘工具。 此外,大数据之间的隐藏关系无法通过使用传统工具进行手动分析来实现。 此时,它将通过算法实现,无疑会有更多的惊喜。
其中,用于统计分析的开源编程语言及其操作环境“ R”引起了很多关注。 R的优势不仅在于它包含丰富的统计分析库,而且还具有使结果可视化的高质量图表生成功能,并且可以使用简单的命令运行。 此外,它还具有称为CRAN(综合R存档网络)的程序包扩展机制,通过导入扩展程序包,可以使用标准状态下不支持的功能和数据集。 尽管R语言功能强大,但学习曲线相对较陡。 我个人建议从python开始,并使用大量的统计库,NumPy,SciPy.org,Python数据分析库和matplotlib:python绘图。