數據分析師的學習路徑

---

今天在公司的論壇里發現一個同學問了個問題，我把給TA的回答也發在公眾號里，希望你也能看看。也非常歡迎你能對我的回答提出不同意見和建議，歡迎交流。

Q: 作為數據分析師，目前剛剛學完SQL，接下來是應該把空余時間的重點精力放在數學上還是業務上？

我的回答：

數據分析學的不是工具。其實數據分析最先開始要學的是分析和解決問題的思路，學會拆解問題的方法，找到問題的根源，知道使用什么工具或者算法能更好地解決問題，然后再去匹配知識儲備、技能、工具?，F用現學往往是最直接最有效最能沉淀和記憶的學習方法。

如果從數據分析流程上來看:

第一步拆解問題：業務流程法、決策樹法、公式法等等。另外數據的描述性統計也能幫你更快發現問題，找到問題根源。其中一些戰略方法也能幫你梳理分析思路，比如PEST，SWOT，波特五力，BCG矩陣等等。特別是矩陣的變通應用能特別好解決很多業務問題，提問的同學有興趣可以跟我討論我給你一些案例。

第二步收集數據：數據分為內外部數據，內部數據就是公司內部產生的數據，業務監控指標，埋點或者游戲內的用戶聊天記錄等等。外部數據就是比如市場調研、競品等的數據。這里面要學習的就是對業務的理解，比如至少知道AARRR里各階段都用什么指標可以做量化衡量。另外做用戶調研的時候也會應用到如何合理設計問卷，以及問卷可信度分析，比如AHP（行政部門做供應商比選也可以用AHP）。

第三步數據的清洗和整理：數據收集后還要做清洗和整理，比如查找缺失值、異常值，做數據的歸一化、標準化，標簽編碼，one-hot編碼等等，這些如果能掌握一些工具會很方便，推薦學Python數據分析相關課程或書籍，不要跑偏去學python編程了。另外推薦用VS code的同學使用Data Wrangler插件。

第四步，就是應用工具和算法了，統計學（相關性分析、方差分析、卡方獨立性檢驗、各種假設檢驗、各種分布、時間序列、季節分解）、監督學習（回歸，分類器）、非監督學習（聚類、關聯規則、對應分析、協同過濾）、深度學習（神經網絡、LSTM）、強化學習（智能體）、NLP等等。（但是我覺得作為數據分析師而言，深度和強化先不著急學）算法都是需要Features的，那怎么設計和獲取Features，就需要對業務清晰，你要知道游戲里的各種埋點的數值對應的現象和影響是什么，對用戶的行為有了解，并能對應到相關的量化指標。技術上來說也可以學習下特征工程方面的東西。

第五步，就是決策建議，也就是要落地。數據分析師產出的不是漂亮的報表和Dashboard，而是分析問題的原因和解決方案或者決策支持，以及后續怎么跟蹤和驗證結果的方法，怎么確定解決方案和建議是有效的。如果沒有效果還要從前面幾個步驟再來甚至從頭再來。這里面就有涉及了試驗設計，如A/B Test和T檢驗、方差分析等等。

貫穿整個流程里還需要對數據的展示及BI層面有一些了解和清楚怎么能監控和向需求方展示清楚。在整個流程里也會涉及到如何用類似ChatGPT這類工具輔助你的工作。

希望我這個回答能幫提問的同學梳理一下思路。有興趣歡迎一起學習和探討。


來源：炳叔讀數據


加入CPDA，全面提升數據分析能力！

 

---

---