分享

数据分析入门学习指南:七阶段

问题导读
1.日常工作中最常用的分析工具是什么?
2.什么情况下会使用sql?
3.数据可视化有哪些软件?
4.数理统计学的作用是什么?



数据分析在如今的求职场上越来越重要。然而,让很多朋友困惑的是,我是没有编程基础的小白,能学会数据分析么?该如何学习数据分析呢?

其实,如果你打算成为一名数据分析师,如何出身并不重要,数据科学是一门应用学科,你需要系统提升数据获取、数据分析、数据可视化、机器学习的水平。下面我就简单提供一个数据分析入门的路径。

第一阶段:Excel数据分析
每一位数据分析师都脱离不开Excel。

它是日常工作中最常用的工具,如果不考虑性能和数据量,它可以应付绝大部分分析工作。虽然现在机器学习满地走,Excel依旧是无可争议的第一工具。

对于没有经验的你,Excel是一款必须熟练的工具。它是日常工作中最常用的工具,如果不考虑性能和数据量,它可以应付绝大部分分析工作。

1.jpg



第二阶段:SQL数据库语言
作为数据分析人员,我们首先要知道如何去获取数据,其中最常见的就是从关系型数据库中取数,因此你可以不会R,不会python,但是你不能不会SQL。

DT时代,数据正在呈指数级增长。Excel对十万条以内的数据处理起来没有问题,但是往小处说,但凡产品有一点规模,数据都是百万起。这时候就需要学习数据库。

会在招聘条件中,越来越多的产品和运营岗位,将会SQL作为优先的加分项。SQL是数据分析的核心技能之一,从Excel到SQL是数据处理效率的一大进步。

主要了解数据库查询语言,where,group by,orderby,having,like,count,sum,min,max,distinct,if,join,left join,limit,and和or的逻辑,时间转换函数等。

学习SQL最快的方法是能自己下载数据库管理工具,找些数据练习。客户端这里推荐MYSQL。

推荐书籍:《MYSQL必知必会》

第三阶段:数据可视化&商业智能
数据可视化能力已经越来越成为各岗位的基础技能。领英的数据报告显示,数据可视化技能在历年年中国最热门技能中排名第一。

2.jpg



可视化工作几乎是你正式进行数据分析的第一步,通过SQL拿到数据之后,我们需要使用可视化方法探索和发现数据中的模式规律。

数据分析界有一句经典名言,字不如表,表不如图。实际上除掉数据挖掘这类高级分析,不少数据分析就是监控数据和观察数据。

除此此外,数据分析的大多时候都是要兜售自己的观点和结论的,而兜售的最好方式就是做出观点清晰数据详实的PPT和报表给老板看。

可视化的工具有很多,这里我推荐Tableau或者FineBI。这两款都不要编程功底,实现起来简单,功能强大。下图是Excel制作销售管理分析仪案例:

3.jpg



Tableau制作股票分析仪:

4.jpg



FineBI可视化分析:

5.jpg



推荐书籍:《用图表说话》-麦肯锡

第四阶段:数理统计学
统计学是数据分析最重要的基础之一,是数据分析的基石和方法论。

统计知识会要求我们以另一个角度看待数据。当你知道AB两组的差异用平均值看是多傻的事情,你的分析技巧也会显著提高。

这里我们需要从基础的统计理论(描述性统计、区间估计、假设检验等)出发,到基本的统计分析(T 检验、方差分析等),最后到商业常用的模型(回归分析、方差分析等),学习数据分析背后的逻辑,掌握实用统计学的概念和会利用统计的思维去思考问题。

推荐书籍:《从零进阶 数据分析的统计基础》-曹正凤;《统计学》-贾俊平

第五阶段:数据分析与软件应用
SPSS是统计分析入门软件,如果你想快速入门而又不想学习编程,我推荐使用SPSS。

6.jpg



SPSS软件是世界三大统计分析软件之一,以其易于操作、易于入门,结果易于阅读的优点,一直备受数据分析人员的青睐,一般经过短期学习即可用SPSS 做简单的数据分析,包括绘制图表、简单回归、相关分析等等。

学习SPSS的重点并不在于软件本身,而是相关的统计学知识,这也是在前面建议大家铺垫的,也就是你要学会怎样去分析“输入数据后,软件给你呈现的结果”。

推荐书籍

《如虎添翼 数据处理的SPSS/SAS EG实现》-徐筱刚

《胸有成竹 数据分析的SPSS/SAS EG进阶》-常国珍

《SPSS统计分析基础教程+高级教程》-张文彤

第六阶段:数据挖掘与软件应用
数据挖掘,英文是Data Mining 也叫作数据勘探,类似于采矿,但是数据是贫矿。我们需要结合行业课题,利用数据挖掘工具,建置数据挖掘模型,发掘规律和商业价值。另外数据挖掘是交叉学科,涉及统计学、计算机、机器学习、运筹学等多门学科,是一个运用广泛和富有前景的学科领域。

学习算法模型包括线性回归、逻辑回归、主成分分析、因子分析、聚类、关联规则、决策树、随机森林、支持向量机、贝叶斯、神经网络等。

对于工具,这一阶段,建议选择一门编程语言来学习。

Python或者R语言,这一点是必备项也是加分项,在数据挖掘方向是必备项,语言相比较工具更加灵活也更加实用。

对于R和Python,我们应该使用哪种语言,已经争论很多年了,至今没有定论...... 事实大概是Python的主要功能是编程,除了单纯的数据分析,在很多领域还有广泛利用,所以就业市场上对Python的需求是远大于R。

R主要侧重统计功能,在统计方面显示出了很多的优势,用R做单纯的数据分析还是妥妥的稳稳的。但是往数据科学方向走的话,R就有点顶不住了,轮到Python扬眉吐气了......

是否具备编程能力,是初级数据分析和高级数据分析的风水岭。数据挖掘、BI、爬虫、可视化报表都需要用到编程。以下以python介绍语言学习的路径:


7.jpg


Python则是万能的胶水语言,适用性强,可以将分析的过程脚本化。Pandas、Numpy、SKLearn等包也是非常丰富。Python学习导图:

推荐书籍:

《笨方法学Python》《像计算机科学家一样思考》

《Python数据科学手册》《利用Python进行数据分析》《数据科学入门》

《机器学习实战:基于Scikit-Learn和TensorFlow》

《数据挖掘实战》

《Python深度学习》

第七阶段:数据分析行业应用和数据分析思维
对于数据分析师来说,业务的了解比数据方法论更重要。当然很遗憾,业务学习没有捷径。

推荐书籍:《增长黑客》;《精益数据分析》

以上就是商业数据分析师的完整进阶路线,如果你沿着此路线学习,相信你在数据分析道路上有所收获。
————————————————

最新经典文章,欢迎关注公众号
原文链接:https://blog.csdn.net/yuanziok/article/details/102514973



加微信w3aboutyun,可拉入技术爱好者群

已有(1)人评论

跳转到指定楼层
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关闭

推荐上一条 /2 下一条