最近有很多人在問數(shù)據(jù)分析的一些問題。關(guān)于數(shù)據(jù)分析到底應(yīng)該怎么學(xué)？如何快速入門，以及技術(shù)和業(yè)務(wù)之間的瓶頸如何突破？

其實，要學(xué)數(shù)據(jù)分析之前，至少要了解一下數(shù)據(jù)分析師，到底需要哪些技能。有的同學(xué)看到數(shù)據(jù)分析幾個字，就馬上開始Python函數(shù) 控制語句、R語言和ggplot庫……上來一頓騷操作，還沒入門就放棄了。

這就是需求不明確導(dǎo)致的，當(dāng)然學(xué)習(xí)方式也值得商榷，那到底數(shù)據(jù)分析需要什么樣的技能呢？ 這里作為例子，從招聘網(wǎng)站上找了幾個數(shù)據(jù)分析的崗位，我們來看看具體的要求是怎樣的。

其實企業(yè)對數(shù)據(jù)分析師的基礎(chǔ)技能需求差別不大，可總結(jié)如下：

• 分析工具：一般要求R、Python、FineBI等分析工具至少會一種，會兩種以上加分，有的企業(yè)因內(nèi)部需求，會指定的一種；

• 數(shù)據(jù)庫：絕大會要求會SQL，部分要求SQL、NoSQL會一種，高級的分析師或者大型企業(yè)要求能夠處理大數(shù)據(jù)，需要Hive（較少的需要Hadoop/Spark）；

• 統(tǒng)計學(xué)：若無相關(guān)專業(yè)背景，需要具備相應(yīng)的統(tǒng)計學(xué)、概率論等基礎(chǔ)知識；

• 數(shù)據(jù)挖掘：少部分要求會建模，了解基本的算法模型，能夠做數(shù)據(jù)預(yù)測，即便不要求，算法也是加分項；

• 結(jié)果輸出：Excel、PPT、Tableau、FineBI等專業(yè)BI工具。Excel和PPT要求的比較多，主要用作常規(guī)的數(shù)據(jù)呈現(xiàn)，與業(yè)務(wù)部門溝通等，Tableau、FineBI等一般作為可視化或者分析工具的加分項或者要求之一；

• 業(yè)務(wù)/思維：對某個領(lǐng)域（如電商、金融等）相關(guān)業(yè)務(wù)的了解或具有產(chǎn)品、運營方向的分析經(jīng)驗，有自己的數(shù)據(jù)分析的方法論和項目經(jīng)驗。

看上去很簡單呀，對吧，但其實你把每個技能拆分開來，都是一個不小的知識體系。如果我們按照數(shù)據(jù)分析的流程來細(xì)分的話，每個部分應(yīng)該掌握的技能，大概是這樣的：

那對于這個技能體系，應(yīng)該如何進(jìn)行技能的訓(xùn)練呢？先后順序是什么？哪些地方可能出現(xiàn)困難和瓶頸？

這可能是初學(xué)者最困惑的地方，我們可以看看數(shù)據(jù)分析的不同層次：

一、初級階段：懂基本操作

這個要求真的不高，如果是用Excel，也就是畫個分布圖、用用場函數(shù)和Vlookup的事情，當(dāng)然對于專業(yè)數(shù)據(jù)分析師而言，僅會Excel是遠(yuǎn)遠(yuǎn)不夠的，特別是對于擁有海量數(shù)據(jù)的巨頭。

用Python來做的話，也就是numpy、pandas和matplotlib的一些基本操作，簡單來說，你需要掌握基本的數(shù)據(jù)分析處理和可視化，進(jìn)行探索性的數(shù)據(jù)分析，觀察數(shù)據(jù)分布、計算各種統(tǒng)計量，得出一些基本的結(jié)論。

當(dāng)然你還需要補補基本的統(tǒng)計知識。

所以開始上手的話，就兩個部分，Python庫和統(tǒng)計學(xué)知識，當(dāng)然你可以找一些數(shù)據(jù)集來進(jìn)行這些操作。

在這個時候你已經(jīng)可以做一些基本的數(shù)據(jù)清洗、數(shù)據(jù)分析工作了，像數(shù)據(jù)專員這樣的職位都可以嘗試，如果懂一些業(yè)務(wù)，初級數(shù)據(jù)分析的工作也可以著手了。

這個階段的工作主要進(jìn)行基本數(shù)據(jù)處理，對于明確的分析任務(wù)能夠進(jìn)行技術(shù)上的基本實現(xiàn)，能夠正常推進(jìn)具體的分析計劃落地實施。

而處于這個階段，欠缺的能力在于技術(shù)的熟練度、全面性以及整體業(yè)務(wù)分析的規(guī)劃。

一方面是對于實際的項目缺乏多重技術(shù)的對比，對于復(fù)雜項目缺乏有效實施手段；

二是對于整體的業(yè)務(wù)缺乏清晰的拆解方向，對于用什么指標(biāo)，需要構(gòu)建什么模型等問題的缺乏系統(tǒng)性思考。

二、中級階段：深入技術(shù)，做全方位的數(shù)據(jù)分析

能夠做基本的操作之后，接下來你應(yīng)該可以更深入下去了，掌握更多的技巧，以滿足不同的數(shù)據(jù)和場景。

所以這應(yīng)該是一個連續(xù)的、循序漸進(jìn)的過程。 當(dāng)然這個時候你更多的是要通過具體的數(shù)據(jù)集，去進(jìn)行真實場景的分析，盡可能多的從不同的角度進(jìn)行探索，得出更多的結(jié)論。

考慮到更多的場景，你可能還需要數(shù)據(jù)庫（SQL or NoSQL）的技能，至少能夠順利提取、查詢公司的數(shù)據(jù)庫，能夠通過數(shù)據(jù)庫的管理實現(xiàn)基本的數(shù)據(jù)清洗和分析。

還有就是爬蟲的技術(shù)，如果你有獲取網(wǎng)絡(luò)數(shù)據(jù)的需求，你需要掌握另外的Python包（比如BeautifulSoup、Requests等）。當(dāng)然這些可能并不是當(dāng)下必須的技術(shù)，可以等到有需求的時候再去學(xué)習(xí)。

總的來說，這個部分，是數(shù)據(jù)分析工具深入和全面實戰(zhàn)的部分。

確定你能夠熟練完成項目并輸出結(jié)果后，就完全可以去嘗試初級數(shù)據(jù)分析師相關(guān)的職位了。

當(dāng)然在此之前，你需要去大量進(jìn)行項目練習(xí)，一來為熟悉流程和工具，二來培養(yǎng)分析思維，這些項目經(jīng)驗也是求職的優(yōu)質(zhì)資源。

三、高級階段：數(shù)據(jù)挖掘

別慌，并不是要去真正地系統(tǒng)學(xué)習(xí)數(shù)據(jù)挖掘。只是在做數(shù)據(jù)分析的時候，通常會涉及到預(yù)測型的數(shù)據(jù)分析，比如預(yù)測廣告的點擊、出行需要的時間、未來某個時間的銷售額……這些對未來情況的預(yù)測是做決策的重要依據(jù)。

那其實就是要掌握一些數(shù)據(jù)挖掘的方法，比如邏輯回歸、樸素貝葉斯方法、決策樹等等。當(dāng)然你需要用到Python庫scikit-learn，scikit-learn里都可以直接調(diào)用這些算法，知道怎么調(diào)用就可以了。

但隨著深入，你會有了解算法原理的需求，那可以幫助你去調(diào)參，提升算法效果。當(dāng)然特征選擇也是提升預(yù)測效果不可忽視的部分，如果算法應(yīng)用沒問題了，可以嘗試做特征工程提升效果。

數(shù)據(jù)挖掘技能（或者說算法能力）并不是分析師的必修項目，但你去看招聘JD就會發(fā)現(xiàn)，這是一個很好的加分項，優(yōu)秀的分析師應(yīng)該具有一定的構(gòu)建算法模型的能力。

四、終極階段：從數(shù)據(jù)分析到商業(yè)決策

老實說，這個步驟并不是最后來訓(xùn)練的，而是貫穿在整個數(shù)據(jù)分析的過程中。因為數(shù)據(jù)分析的本質(zhì)，或者說終極追求是為商業(yè)目的服務(wù)的，比如提供用戶增長的策略，為銷售提升提供解決辦法，通過數(shù)據(jù)分析提供更人性化的用戶體驗……

方法、技巧皆為工具，你將會總結(jié)出自己的一些方法論，如何通過一個完整的分析得出一個高價值的商業(yè)報告，甚至是一套自動化分析決策的商業(yè)系統(tǒng)（比如推薦系統(tǒng)，用戶畫像系統(tǒng)，風(fēng)險模型）。

這些才是更高層次的數(shù)據(jù)分析工作應(yīng)該去做的事情，在任何項目推進(jìn)之前明確目標(biāo)，并系統(tǒng)地解決數(shù)據(jù)獲取、數(shù)據(jù)存儲、數(shù)據(jù)建模和可視化呈現(xiàn)的問題，推動整個項目的進(jìn)度。

我們的終極目的不是去獲取幾個數(shù)據(jù)，也不是呈現(xiàn)幾張炫酷的圖表，而是去探索一個問題的解決方案，尋找一個市場的突破口，以技術(shù)的方式去降低策略制定的風(fēng)險。

所以當(dāng)你不再聚焦于具體的技術(shù)點、工作流程，而是重于不同業(yè)務(wù)指標(biāo)的選取，解決問題的模型的構(gòu)建，高效和低成本的決策輔助等時候，你就真正上升到比較高的層次了。