主讲人：李启方 微信公众号：数据分析不是个事儿

课程PPT（鼠标放在ppt上出现下载按钮）
初识数据分析.pptx
课程笔记

一、数据分析究竟是什么？

1. 定义

数据分析，是针对某个问题，将获取后的数据用分析手段加以处理，并发现业务价值的过程。

2. 关键词

2.1 第一个关键词：问题

• 核心是目标：发现问题或发现目标
• 避免取数机器：不要以为业务说的话就是自己的目标
• 明确业务需求，明确分析目的，拆解目标

2.2 第二个关键词：获取

• 数据放在哪里——保证数据源的一致
  • 数据存储系统：mysql、oracle、sqlserver
  • 数据存储结构以及各表之间的关联方式：星型？雪花型？其他型？
  • 数据指标：名称、含义、字段类型、约束条件
  • 原始数据：是否经过了ETL处理，清洗规则是什么样的
• 数据怎么取出来——sql是数据分析师必备技能
  • 简单入门：单数据库表提取
  • 熟练掌握：跨表数据库查询
  • 精通使用：复杂查询、综合查询、联机分析处理等功能

精通sql后，也有很多分析师转行做了数据仓库师、数据架构师

2.3 第三个关键词：数据

• 数据库数据
  • 业务数据
  • 日志数据
  • 系统数据
  • 行业数据
• 数据场景
  • 点：确定指标
  • 线：确定指标与业务逻辑的关系
  • 面：确定业务流程或结构
  • 体：构建整体数据分析指标

从场景确定指标的顺序：体->面->线->点，以电商为例：
体：整体的分析指标分为人、货、场
面：人——用户购买的流程是什么？
线：购买流程的业务逻辑包含哪些指标？
点：根据确定的指标找数据

• 清洗后的数据
  • 脏数据的排除
  • 重复数据检索
  • 无效数据去除
  • 筛选数据指标
  • 整合核心数据

不是数据越多越好，一定要确定数据的质量

2.4 第四个关键词：分析手段

1. 描述分析——数据分析思维
   • 三大基础思维：对比、趋势、细分
   • 结构化思维
   • 指标思维
   • 矩阵思维
   • 问题思维
   • 业务思维
   • 费米思维
2. 数理分析——数据分析方法
   • 分类分析
   • 相似分析
   • 回归分析
   • 趋势分析
   • 聚类分析
   • 统计数理分析
   • 预测分析
3. 建模分析——数据分析模型
   • 波士顿矩阵模型
   • RFM模型
   • 贝叶斯模型
   • 漏斗模型
   • 帕累托模型
   • 回归模型
   • 其他模型
4. 挖掘分析——数据分析工具
   • Excel
   • SQL
   • Python
   • BI

举个例子🌰：今天卖了100个烤地瓜，卖得怎么样？

1. 对比：横向对比、纵向对比、同比环比、时空对比
   • 横向对比：是不是隔壁卖烤地瓜的没来？
   • 纵向对比：是不是每个星期的今天都会卖的多？
   • 时间对比：是不是今天比昨天多，也比前天多？
   • 空间对比：是不是换了销售地点，从地铁口换到了学校门口？
2. 趋势：周期趋势、行业趋势、外部环境趋势
   • 周期趋势：最近一个星期都在增长么？是阶段性增长还是持续性增长？
   • 行业趋势：预测明天销量是否准确？烤地瓜整体行业是否向好？
   • 外部环境趋势：天气是不是比昨天更冷，路人购买率更大？
3. 细分：指标细分、维度细分
   • 指标细分：细分为销售量、单个成本、单个效率等
     • 单个成本：进了价格更高、更好的地瓜？
     • 单个效率：做地瓜的效率更高了？出摊时间更早了、更长了？
   • 维度细分：单个地瓜的利润是否上升？单个地瓜的成本是否下降？利润与流量之间的比例是否增加？

不要指望用一张图了解数据背后的原因

2.5 第五个关键词：业务价值

为企业提供服务和产品，为企业创造价值
企业的目标是盈利，要实现盈利最大化，一个是将盈利时间拉长，另一个是将单位时间内的盈利最大化

1. 需创造的价值让越来越多的客户知道并认可，获得用户粘性，从而实现持续增长。
2. 需提高企业创造价值的效率。

总结5个关键词对应的业务流程

二、数据分析岗位还火不火？

1. 整体薪资水平与岗位需求分布图

2. 数据分析岗现状

• 大背景下的前景是广阔的
• 门槛低，吸引人
• 不缺人，但是缺人才
• 水分也很大
• 岗位价值不被认同
• 通用能力，而不是专业能力

  3. 数据分析职业发展

4. 清楚自己要去什么行业

对数据分析需求较多的行业

1. 传统行业
   • 能源化工
   • 机械制造
   • 政府机构
2. 零售行业
   • 传统零售
   • 电商零售
   • 海外零售
3. 医疗行业
   • 医疗器械
   • 生物制药
   • 医护行业
4. 金融行业
   • 银行
   • 证券
   • 金融咨询
5. 电信行业
   • 信息技术
   • 电子科技

5. 做好职业规划

• 明确行业或企业的盈利模式

不同的盈利模式，你所做的工作是不同的

• 自我认知+三年发展

自我解剖是否选择数据分析，天花板很低
想好三年内要做的方向，否则只能当取数机

• 有针对的大量学习

不到万不得已不要裸辞，可以一边充电一边工作

三、入行数据分析需要准备什么？

1. 学历

• 很少会对学历有要求

• 金融财经等行业对学历有要求

  2. 专业

• 专业生很少

• 基本都是转行

• 专业不要紧，但最好有相应基础

  3. 技能（面试时比较看中的技能）

• Excel技能

• 统计学基础
• 数据库技能：SQL必知必会
• 可视化技能：Python视实际情况
• 商业智能BI

• 数据挖掘技能

  4. 经验

• 项目经验

• 网上可视化、挖掘分析比赛
• 研究业务分析报告，尤其是实际业务场景的分析报告

四、数据分析应该怎么学？（学习路径）

1. 学习基础能力

• 数据分析思维
• 数据分析模型

• 统计学基础

  2. 实践业务练习

• 不懂业务别搞数据分析

• 场景分析

• 需求分析

  3. 一个好的工具

• Excel

• sql
• Python
• BI

总结