數據分析交流

1. 成為數據分析師的感受是什麼呢

我不是數據分析師，但是我舍友現在是高級數據分析師，最近整天聽她訴說工作情況，那我就說一說她的感受吧。

我舍友是學數學專業的，不過她的第一份工作是老師，第二份工作是進口操作，這兩份工作都與數據分析沒有關系，但是經過前兩份工作，她慢慢的找到了自己的方向，還是想做老本行、與自己專業相關的數據方面的。

最終舍友裸辭了，開始攻讀數據方面的各種專業書籍、購買網路課程，光列印的基本的EXCEL知識就有好幾百頁，還有她花500塊買的二手的學習資料，一共500多個課時，其實都是錄下來的，聽都聽不清楚，看著就很枯燥，但是她卻堅持每天學習。星期天我基本見不上她，她總是一個人去泡圖書館，每次見面都給我說好難啊，要學的東西好多啊，最近准備做一個案例啊。最終她通過自己三個月的閉關修煉，功夫不負有心人，她經過初試、復試、再復試成功砍掉與她競爭的兩個研究生和兩個本科畢業生，從此踏入了央企的大門成為了一名高級數據分析師，工資都是按年薪計算的，已入職就已經知道自己今年的年終獎了。

目前舍友基本是穩定下來了，但是她工作很忙碌，每天都加班很晚，回到家晚上還要繼續學習，她說別人也很忙，沒有人帶她一切都靠她自學，而且她之前也沒有這方面的工作經驗，所以現在做的也很吃力，每天都要趕報告。另外，舍友還經常出差，前幾天剛從深圳出差5天回來，就又跑到濮陽去了。出差對她來說很累很累，很不適應，臉上現在起了很多痘。還好舍友單身，出差對她來說也挺好的，多學習多看看。

要戴皇冠，必受其重，每份工作都不容易吧，想要收獲更多，就要付出雙倍的努力。

2. 什麼是數據分析帶你了解數據分析的日常工作

【導讀】隨著互聯網事業的發展，以及不斷更新的人工智慧、物聯網等技術，都離不開數據分析，那麼什麼是數據分析?為什麼時下數據分析師是比較熱門的高薪職業呢?很多小夥伴認為數據分析師就是簡單的將數據收集，然後統計最後給出結論這樣的工作，其實不然，下面小編帶你了解數據分析的日常工作，讓你對數據分析師有個更加全面的了解。

數據分析師的日常

日常一：不固定的工作時間

很多上班族的工作時間都是固定的，做五休二，朝九晚五，不免讓人感到乏味。數據分析師卻不然，他們沒有固定的工作時間。因為數據分析師需要根據實時數據給出最新結論。換而言之，數據分析師就是要時刻准備著。

日常二：和數據打交道

數據分析師的日常就是與各種各樣的數據打交道。他們需要花費大量的時間來收集、整理數據。這兩個步驟看似簡單，但是如果將步驟細分，就有些復雜了。這些步驟主要包括：

1.提取數據。2.合並資料。3.分析數據。4.尋找模式或趨勢。5.使用各種工具，包括R，Tableau，Python，Matlab，Hive，Impala，PySpark，Excel，Hadoop，SQL和SAS。6.開發和測試新演算法。7.試圖簡化數據問題。8.開發預測模型。9.建立數據可視化。10.寫出結果並與他人分享。11.匯集概念證明……

但是這些任務都是數據分析師的次要任務，數據分析師的主要任務還是先確定問題，然後再通過嘗試不同的辦法來解決問題。

日常三：讓數據變得通俗易懂

有人認為，數據分析師是可有可無的。這樣的人往往不具備前瞻性。事實恰恰相反，數據分析師不僅僅需要建立模型，還需要解決問題。他們需要對數據進行處理，需要從小的角度看到全局，整理出簡潔明了的報告，從而讓外行人明白數據的含義。

日常四：不斷汲取新的知識

數據分析師盯著電腦只會是在分析數據嗎?

NO!他們可能是在：

1.瀏覽與行業相關的博客、新聞、通訊以及討論區。

2.參加會議或者和其他數據分析師在線交流。

3.探索出新方法時，和同行共享新信息。......

除了在數據中挖掘寶藏信息，數據分析師還需要在數據分析領域不停地鑽研。一個優秀的數據分析師，只有通過不斷地學習新的知識，才能與時俱進，不被社會淘汰。

以上就是小編今天給大家整理分享關於「什麼是數據分析?帶你了解數據分析的日常工作」的相關內容，希望對大家有所幫助。小編認為要想在大數據行業有所建樹，需要考取部分含金量高的數據分析師證書，這樣更有核心競爭力與競爭資本。

3. 如何快速成為數據分析師

1、了解數據分析師

數據分析可以理解為做菜的，把數據拿過來做成各種「菜」。這些「菜」就是數據分析師的工作結果。吃菜的人就是數據分析師服務的對象，可以是公司、個人、機構。

一個合格的數據分析師就是在保證數據干凈，數據原材料豐富的情況下把數據做成對目標用戶/用戶群有「營養」，有價值的「菜」。

2、選擇合適課程學習。

課程的來源非常多，在這個數據爆炸的時代最不缺的就是數據。可以採用以下課程：網易公共課、猴子聊數據分析、天善學院、Coursera等網課平台學習。

3、理論結合實踐加深印象。

要實踐，就要有兩個條件：數據來源和數據分析方法。數據來源葯權威，有很多權威網站如人民網、中華網等。其次是數據分析思維。需要多練，多看，多交流。

數據分析師需求量大的原因：

1、數據量越來越多

時至今日互聯網每天新增的數據量達2.5*10^18位元組，而全球90%的數據都是在過去的兩年間創造出來的。舉個直觀的例子來說明一下互聯網的數據量：假設大西洋里每一升海水代表一個位元組的數據，那麼整個大西洋存儲的數據也只能到2010年就滿了。

2、數據之間的關系越來越復雜

理解這個原理可以做這么一個數字題。現在有2個人互相聯網，第3個人加入後會和前兩個人都產生連接，那麼就是1+2個鏈接。第4個人加入後就產生1+2+3個鏈接。

3、數據的價值越來越大

維度的增加和信息的在線化導致互聯網行業的快速發展。尤其是和消費、金融、理財、個人信息相關的數據會不斷強化數據的重要性。

4、數據方面的人才欠賬越來越嚴重

另一方面，數據分析師的人才數量卻跟不上這些數據的增速。也很好理解：在數據量指數型增長的同時，工作人口無法指數型增長（甚至有所下降），因此，優秀的公司招不到優秀的人成為常態，也常常出現原來從事其他崗位的人邊干邊學數據分析的情況。

4. 掌握這4點!快速成為一名數據分析師

業務能力

數據分析工作的重中之重就是業務能力，只要真正的在實踐領域從事過，就會真正的明白業務知識是你分析的根本。而業務知識的學習是需要時間積累的。業務知識的培養是將遠遠超過技術工具的學習。數據分析其實就是基於業務之上的更深層次的思考和總結。對業務學習，我們可以根據以前的報告和案例拿來研究，這是一個需要時間沉澱的過程，也是最需要不斷提升的能力，沒有之一。

思考能力

當我們拿到一份數據報表的時候，整個數據就擺在面前，它不會主動開口告訴你。這就需要我們去推演和分析，從中找到規律，迅速評估問題的關鍵屬性和決定因素，形成自己的獨有見解，總結報告。所謂心思縝密，滴水不漏，沒有思考邏輯，就沒有分析思維。我們培養思考能力，可以通過跨領域的知識來帶給我們不同的思維方式和問題的角度;另外也要養成愛思考的習慣。“學而不思則罔，思而不學則殆”，思考本身就是一種實踐，將你所學的知識更系統和深入。

溝通能力

數據分析貫穿企業整個工作流程鏈，你需要面對不同的崗位，不同的角色，這個時候，就需要你良好的溝通能力，採用不同的語言和表達方式，來獲取你想要的東西。溝通能力就是數據和業務的橋梁。再溝通中，我們不要固執己見，要採取他人的意見，尤其是智者的意見，可以幫我們降低犯錯率，提高分析正確率，這樣我們的分析才會更有說服力。

技術能力

我們自己了解到的，相關技術像Excel，MySql，Python，SPSS等這些工具。我們如果剛剛步入數據分析工作，其實Excel就已經足夠了。如果我們想更深層次的掌握，可以學習Python，R，SPSS等這些。他們提供的強大的挖掘功能和圖形能力。尤其是R，Python引用他們的庫非常方便，而已技術也很成熟。

關於掌握這4點!快速成為一名數據分析師，青藤小編就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。

5. 數據分析需要掌握哪些知識

數據分析所需要掌握的知識：

數學知識

對於初級數據分析師來說，則需要了解統計相關的基礎性內容，公式計算，統計模型等。當你獲得一份數據集時，需要先進行了解數據集的質量，進行描述統計。

而對於高級數據分析師，必須具備統計模型的能力，線性代數也要有一定的了解。

分析工具

對於分析工具，SQL 是必須會的，還有要熟悉Excel數據透視表和公式的使用，另外，還要學會一個統計分析工具，SAS作為入門是比較好的，VBA 基本必備，SPSS/SAS/R 至少要熟練使用其中之一，其他分析工具（如 Matlab）可以視情況而定。

編程語言

數據分析領域最熱門的兩大語言是 R 和 Python。涉及各類統計函數和工具的調用，R無疑有優勢。但是大數據量的處理力不足，學習曲線比較陡峭。Python 適用性強，可以將分析的過程腳本化。所以，如果你想在這一領域有所發展，學習 Python 也是相當有必要的。

當然其他編程語言也是需要掌握的。要有獨立把數據化為己用的能力, 這其中SQL 是最基本的，你必須會用 SQL 查詢數據、會快速寫程序分析數據。當然，編程技術不需要達到軟體工程師的水平。要想更深入的分析問題你可能還會用到：Exploratory analysis skills、Optimization、Simulation、Machine Learning、Data Mining、Modeling 等。

業務理解

對業務的理解是數據分析師工作的基礎，數據的獲取方案、指標的選取、還有最終結論的洞察，都依賴於數據分析師對業務本身的理解。

對於初級數據分析師，主要工作是提取數據和做一些簡單圖表，以及少量的洞察結論，擁有對業務的基本了解就可以。對於高級數據分析師，需要對業務有較為深入的了解，能夠基於數據，提煉出有效觀點，對實際業務能有所幫助。對於數據挖掘工程師，對業務有基本了解就可以，重點還是需要放在發揮自己的技術能力上。

邏輯思維

對於初級數據分析師，邏輯思維主要體現在數據分析過程中每一步都有目的性，知道自己需要用什麼樣的手段，達到什麼樣的目標。對於高級數據分析師，邏輯思維主要體現在搭建完整有效的分析框架，了解分析對象之間的關聯關系，清楚每一個指標變化的前因後果，會給業務帶來的影響。對於數據挖掘工程師，羅輯思維除了體現在和業務相關的分析工作上，還包括演算法邏輯，程序邏輯等，所以對邏輯思維的要求也是最高的。

數據可視化

數據可視化主要藉助於圖形化手段，清晰有效地傳達與溝通信息。聽起來很高大上，其實包括的范圍很廣，做個 PPT 里邊放上數據圖表也可以算是數據可視化。

對於初級數據分析師，能用 Excel 和 PPT 做出基本的圖表和報告，能清楚地展示數據，就達到目標了。對於稍高級的數據分析師，需要使用更有效的數據分析工具，根據實際需求做出或簡單或復雜，但適合受眾觀看的數據可視化內容。

協調溝通

數據分析師不僅需要具備破譯數據的能力，也經常被要求向項目經理和部門主管提供有關某些數據點的建議，所以，你需要有較強的交流能力。

對於高級數據分析師，需要開始獨立帶項目，或者和產品做一些合作，因此除了溝通能力以外，還需要一些項目協調能力。

6. 數據分析和大數據平台網站有哪些

無需編程即可用來數據分析的工具/軟體，推薦幾個：
Excel / Spreadsheet：http://www.openoffice.org/download/
Trifacta：https://www.trifacta.com/start-wrangling/
Rapid Miner：https://rapidminer.com/
Rattle GUI：https://cran.r-project.org/bin/windows/base/
Orange：http://orange.biolab.si/
Tableau Public：https://public.tableau.com/s/
Talend：http://openrefine.org/download.html

7. 數據分析學習交流貼發在哪好

如果是干貨可以投稿到數據分析網，其他交流問題可以到相關貼吧！

在這推薦你一款免費私有化部署的數據統計分析工具Cobub Razor

8. 如何做好數據分析

第一步:數據准備:（70%時間）
· 獲取數據（爬蟲，數據倉庫）
· 驗證數據
· 數據清理（缺失值、孤立點、垃圾信息、規范化、重復記錄、特殊值、合並數據集）
· 使用python進行文件讀取csv或者txt便於操作數據文件（I/O和文件串的處理，逗號分隔）
· 抽樣（大數據時。關鍵是隨機）
· 存儲和歸檔
第二步:數據觀察（發現規律和隱藏的關聯）
· 單一變數:點圖、抖動圖；直方圖、核密度估計；累計分布函數
· 兩個變數:散點圖、LOESS平滑、殘差分析、對數圖、傾斜
· 多個變數:假色圖、馬賽克圖、平行左邊圖
第三步:數據建模
· 推算和估算（均衡可行性和成本消耗）
· 縮放參數模型（縮放維度優化問題）
· 建立概率模型（二項、高斯、冪律、幾何、泊松分布與已知模型對比）
第四步:數據挖掘
· 選擇合適的機器學習演算法（蒙特卡洛模擬，相似度計算，主成分分析）
· 大數據考慮用Map/Rece
· 得出結論，繪制最後圖表
循環到第二步到第四步，進行數據分析，根據圖表得出結論完成文章。

結合實際業務來做數據分析
「無尺度網路模型」的作者艾伯特-拉斯洛·巴拉巴西認為——人類93%的行為是可以預測的。數據作為人類活動的痕跡，就像金礦等待發掘。但是首先你得明確自己的業務需求，數據才可能為你所用。
1.數據為王，業務是核心
· 了解整個產業鏈的結構
· 制定好業務的發展規劃
· 衡量的核心指標有哪些
有了數據必須和業務結合才有效果。首先你需要摸清楚所在產業鏈的整個結構，對行業的上游和下游的經營情況有大致的了解。然後根據業務當前的需要，指定發展計劃，從而歸類出需要整理的數據。最後一步詳細的列出數據核心指標（KPI），並且對幾個核心指標進行更細致的拆解，當然具體結合你的業務屬性來處理，找出那些對指標影響幅度較大的影響因子。前期資料的收集以及業務現況的全面掌握非常關鍵。
2.思考指標現狀，發現多維規律
· 熟悉產品框架，全面定義每個指標的運營現狀
· 對比同行業指標，挖掘隱藏的提升空間
· 拆解關鍵指標，合理設置運營方法來觀察效果
· 爭對核心用戶，單獨進行產品用研與需求挖掘
發現規律不一定需要很高深的編程方法，或者復雜的統計公式，更重要的是培養一種感覺和意識。不能用你的感覺去揣測用戶的感覺，因為每個人的教育背景、生活環境都不一樣。很多數據元素之間的關系沒有明顯的顯示，需要使用直覺與觀察（數據可視化技術來呈現）。
3.規律驗證，經驗總結
發現了規律之後不能立刻上線，需要在測試機上對模型進行驗證。

sc-cpda 數據分析公眾交流平台。

9. 數據分析要掌握哪些知識

• 數學知識

對於初級數據分析師來說，則需要了解統計相關的基礎性內容，公式計算，統計模型等。當你獲得一份數據集時，需要先進行了解數據集的質量，進行描述統計。

而對於高級數據分析師，必須具備統計模型的能力，線性代數也要有一定的了解。

• 分析工具

對於分析工具，SQL 是必須會的，還有要熟悉Excel數據透視表和公式的使用，另外，還要學會一個統計分析工具，SAS作為入門是比較好的，VBA 基本必備，SPSS/SAS/R 至少要熟練使用其中之一，其他分析工具（如 Matlab）可以視情況而定。

• 編程語言

數據分析領域最熱門的兩大語言是 R 和 Python。涉及各類統計函數和工具的調用，R無疑有優勢。但是大數據量的處理力不足，學習曲線比較陡峭。Python 適用性強，可以將分析的過程腳本化。所以，如果你想在這一領域有所發展，學習 Python 也是相當有必要的。

當然其他編程語言也是需要掌握的。要有獨立把數據化為己用的能力, 這其中SQL 是最基本的，你必須會用 SQL 查詢數據、會快速寫程序分析數據。當然，編程技術不需要達到軟體工程師的水平。要想更深入的分析問題你可能還會用到：Exploratory analysis skills、Optimization、Simulation、Machine Learning、Data Mining、Modeling 等。

• 業務理解

對業務的理解是數據分析師工作的基礎，數據的獲取方案、指標的選取、還有最終結論的洞察，都依賴於數據分析師對業務本身的理解。

對於初級數據分析師，主要工作是提取數據和做一些簡單圖表，以及少量的洞察結論，擁有對業務的基本了解就可以。對於高級數據分析師，需要對業務有較為深入的了解，能夠基於數據，提煉出有效觀點，對實際業務能有所幫助。對於數據挖掘工程師，對業務有基本了解就可以，重點還是需要放在發揮自己的技術能力上。

• 邏輯思維

對於初級數據分析師，邏輯思維主要體現在數據分析過程中每一步都有目的性，知道自己需要用什麼樣的手段，達到什麼樣的目標。對於高級數據分析師，邏輯思維主要體現在搭建完整有效的分析框架，了解分析對象之間的關聯關系，清楚每一個指標變化的前因後果，會給業務帶來的影響。對於數據挖掘工程師，羅輯思維除了體現在和業務相關的分析工作上，還包括演算法邏輯，程序邏輯等，所以對邏輯思維的要求也是最高的。

• 數據可視化

數據可視化主要藉助於圖形化手段，清晰有效地傳達與溝通信息。聽起來很高大上，其實包括的范圍很廣，做個 PPT 里邊放上數據圖表也可以算是數據可視化。

對於初級數據分析師，能用 Excel 和 PPT 做出基本的圖表和報告，能清楚地展示數據，就達到目標了。對於稍高級的數據分析師，需要使用更有效的數據分析工具，根據實際需求做出或簡單或復雜，但適合受眾觀看的數據可視化內容。

• 協調溝通

數據分析師不僅需要具備破譯數據的能力，也經常被要求向項目經理和部門主管提供有關某些數據點的建議，所以，你需要有較強的交流能力。

對於高級數據分析師，需要開始獨立帶項目，或者和產品做一些合作，因此除了溝通能力以外，還需要一些項目協調能力。

10. 數據分析師在干什麼工作的時候需要溝通交流

一般情況下是銷售人員比較缺乏的時候，銷售人員對大數據的了解程度不夠，需要大數據分析工程師。做銷售工作。針對客戶的一些解答和解釋。