数据分析如何入门到精通？

看数据，关注业务指标，有问题就开始找原因进行止损。开始做异动排查，梳理下可能维度，做些比较。定位好原因之后，可以在群里同步。

数据分析师，要参加产品的评审会，听听pm聊产品细节。自己盘一套功能监控和分析框架，方便后面推进数据建设和功能分析。有时候也要自己发起一些会议，明确大家的语气、分析框架的完整和可行性。

另外还需要和数据开发的同时，对齐一些数据集建设问题，协助数仓同学做好数据基础建设，为后面看板搭建打基础。

最后，分析专题，收集数据论证。

一、数据分析是做什么的？

数据分析的决策流程是在推进过程中会遇到的一些问题。比如没有数据、数据杂乱、数据获取困难、缺少数理统计知识等。所以为了推进这个流程，数据分析师登场了。

举个互联网公司的例子：

• 分析背景：运营做了一次营销活动投放，想要分析一下外部广告哪类人群更有效，从而决定下一次的外部投放侧重哪类人群。
• 获取数据：于是运营给数据分析师提了这样一个需求：获取投放期相比平时的新用户、老用户、流失回流用户的规模提升规模。
• 分析数据：运营拿到数据后，发现活动期流失回流用户提升比例较大，初步决定下一次营销针对流失回流用户提供回流福利。但还需要评估用户回规模用来确定营销预算。
• 再次获取数据：于是给数据分析师又提了一个需求：获取累计流失用户的用户数。
• 再次分析数据：运营拿到数据后，根据上一次活动的回流比例估算了一下回流人数，计算出回流福利所需的预算。
• 分析结果：预估活动预算，向业务领导提交方案。

整个决策过程都是数据分析，只不过这个数据分析中，运营是主角，数据分析是配角。整个分析框架是运营同事主导的，数据分析在期间承担取数的工作。

总的来说，只要是推动完成数据分析流程的工作，都可以是数据分析师的工作。

为了完成数据分析的整个过程，我们一般要做三件事：获取数据，处理数据，分析数据。

二、数据分析工作内容有什么？

（1）获取数据：

• 数据采集：前端开发、CRM录入等
• 数据存储：数据库开发、数据仓库开发等
• 数据提取：临时取数、数据产品开发、报表开发等

（2）处理数据：通过sql、excel、python等数据处理工具对数据进行维度下钻、聚合等操作。

（3）分析数据：通过结合业务知识、机器学习等方式，从数据中获得结论

也UI有公司比较粗，数据分析师做很多工作。所以企业对数据分析岗位的要求也是差别很大的。有些要会excel，sql，有些要会hadoop，有些需要咨询公司经验等等。要想有准备地应聘，就得事先搞清楚这个岗纠结侧重什么。

三、数据分析师平时做什么？

数据分析师不是出入高层会议室的光鲜亮丽的军师角色，而是一个很苦逼的岗位，有大量的脏活累活。经常遇到的脏活累活有：取数、对口径、底层重构，号称数据分析师三座大山。

取数：

取数是绝大部分数据分析师平时干的最多的活。领导做决策要你取数、业务做汇报要你取数、自己做分析也要取数。有时候为了取一个数，要对整个数据底层做一个梳理。花了大半天时间，只取出了一两个数。领导看来还觉得你工作效率低，取个数取半天。其中的苦真是一言难尽。

对口径：

取数的痛苦不仅仅来自于工作量，还来自于口径还经常对不齐。取出来的数据和报表对不上、和业务系统对不上、和上次取得数据对不上等等都会把人心态搞崩。有时候辛辛苦苦搞了一个下午取出来的数据，发现对不上。又要花时间去对两个数据的口径差异到底是什么？如果自己错了又要重新取。

有时候一个数据和其他人不一致，整个报告就得推到重新写。口径不统一不是创业公司特有的问题，大厂一样存在，一个公司内新用户数这个口径就可能有多个版本。我想每个数据分析师的新年愿望一定是每个口径都能够对齐。

底层重构：

随着业务的发展，数据底层表中的维度和指标经常会变化，就需要底层重构。这个工作的痛苦之处在于底层变了，那么和它对应的报表也得变，然后周报月报的模板也要变，然后业务会对新的数据反馈一些取数需求……

四、如何提升数据分析的价值

数据分析师的价值就要看他在这整个的数据分析过程中发挥的作用。一般来说，高价值的工作有：

• 提出好问题
• 给出好答案
• 总结分析套路
• 提供高效工具
• 解决困难问题

1. 提出好问题

一个好的问题是决定分析价值上限的最核心因素。

以下问题，哪个问题的价值更大？

• 两组运营投放的文案a和文案b哪个更好
• 用户规模下降的原因。
• 目前的运营重点应该是继续提升用户规模还是尝试商业化？

第一个是具体执行的问题，关系到某个具体的业务同事的工作，分析的结果是最终选择一套方案。

第二个是战术层面的问题，关系到一个运营团队的工作，这个问题的结果可能导致运营团队的工作重点发生变化。

第三个是战略层面的问题，关系到整个项目组的工作。分析的结果可能导致项目组的KPI变化甚至组织架构调整。

所以很明显是第三个战略层面的问题更有价值。

不过很少有数据分析师能够直接参与到战略层面的分析，分析战略层的问题。可能不切实际。但战术层面的问题还是可以切入的，还是尽量的分析一些更高维度的问题。

2. 标题

日常的分析往往浅尝辄止：

• 销售额为什么低？因为转化率低。
• 转化率为什么低，因为落地页转化率低
• 为什么落地页转化率低？因为……

这几个回答都太浅，只给出表面的原因。这种结论给多了，业务以后就只会找你取数了。因为你给不了他想要的结果。

分析的结果有几个层次：

• 最低的是what：告诉我业务同学目前发生了什么事儿？是好还是不好？是会继续还是会结束？
• 其次是why：再然后是告诉他目前发生了这件事背后的原因是什么？
• 最后是how：最后是这件事儿能怎么办？

尽量的多给出how，如果给不出号就给出why。如果都是what，那么价值就太低了。

3. 总结分析套路

前面两个方向是把数据分析做得更深。挖掘更深物体。给出更深的解答。如果你不能在深度上提供更多的价值，那么你可以考虑在数量上。提供价值.

这不是说你做更多的分析。一个人的时间总归是有限的。再怎么加班努力也很难产出比平时高一个数量级的结果。但是你可以通过总结一些类似问题的分析方法论，并将这些方法论推广到全公司，甚至直接沉淀在业务系统中。那么更多的人采用这样的方法，全公司提升的效率都是来自于你的产出。

4. 提供高效工具

另一种提高数量的办法是提供高效的工具。这是最容易做到，但也很辛苦的一类工作。

每家公司或多或少都会有一些报表，但是报表好不好用就是另外一件事了。大部分的报表只是满足一些基础的数据查询的需求，但往往数据口径烦杂不清。报表的成绩结构又比较混乱，而且没法解决一些个性化的下钻或者聚合需求。

如果你能够提供一个统一口径、层级清楚、持续维护的报表或数据产品，这也是一种高价值的工作。很多大厂会有专门一个团队来维护成熟也许的报表体系，所有业务层面的变动都会告知这个团队，随后在报表基础上修改。

时间长了之后，这套数据产品就成了公司内工作流必不可少的一个部分。但不是所有领导都能看清这个工作的价值。可能会会出现你在的时候别人不觉得这套报表有多重要，等你走了才发现没你真不行。

就算是你的领导非常看重，你也要清楚这种成体系的报表系统在初期是没什么出彩的地方的，也许在最初的三个月大家都不认可。但到达一个量级会产生质的变化。所以要做这方面工作，需要一定的耐心。

5. 解决困难问题

最后一种提高工作价值的方法是解决困难的问题。

困难的问题类型有很多。

• 沟通问题：某个分析问题牵扯到很多的部门，不同部门的诉求也不同，跨部门的沟通非常困难。如果你能平衡各方诉求，解决跨部门项目，这是价值。
• 产出时间问题：由于数据量级太大，无法保证在每天上午8点前产出数据。如果你能够通过巧妙的数据模型设计使得产出时间提早两个小时，这是价值。
• 团队合作问题：业务团队没有数据驱动意识，数据分析团队开拓合作不顺利。你通过找出对方的业务痛点，主动提供分析结论，并推动建立流畅的合作机制，这是价值。
• 高层决策问题：高层讨论决策时，希望能即时清楚业务现状，加快决策效率。你把绝大部分的业务指标都记在脑子中，成为高层决策时的人肉取数机，聊到任何业务问题都能马上说出是否符合数据现状，这是价值。

业务需要，但别人做不到但你能做到的困难工作，就是有价值的工作。

关于Python技术储备

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、Python练习题

检查学习结果。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

 最后祝大家天天进步！！

上面这份完整版的Python全套学习资料已经上传至CSDN官方，朋友如果需要可以直接微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】。