第六周：业务知识（用户行为、产品、运营）
这一周需要了解业务。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。
我举一个数据沙龙上的例子，一家O2O配送公司发现在重庆地区，外卖员的送货效率低于其他城市，导致用户的好评率降低。总部的数据分析师建立了各个指标去分析原因，都没有找出来问题。后来在访谈中发觉，因为重庆是山城，路面高低落差比较夸张，很多外卖人员的小电瓶上不了坡…所以导致送货效率慢。
这个案例中，我们只知道送货员的送货水平距离，即POI数据，根本不可能知道垂直距离的数据。这就是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。
对业务市场的了解是数据分析在工作经验上最大的优势之一。不同行业领域的业务知识都不一样，我就不献丑了。在互联网行业，有几个宽泛的业务数据需要了解。
产品数据分析，以经典的AAARR框架学习，了解活跃留存的指标和概念（这些内容，我的历史文章已经涉及了部分）。
并且数据分析师需要知道如何用SQL计算。因为在实际的分析过程中，留存只是一个指标，通过userId 关联和拆分才是常见的分析策略。
网站数据分析，可以抽象吃一个哲学问题：
用户从哪里来（SEO／SEM），用户到哪里去（访问路径），用户是谁（用户画像／用户行为路径）。
虽然网站已经不是互联网的主流，但现在有很多APP+Web的复合框架，朋友圈的传播活动肯定需要用到网页的指标去分析。
用户数据分析，这是数据化运营的一种应用。
在产品早期，可以通过埋点计算转化率，利用AB测试达到快速迭代的目的，在积累到用户量的后期，利用埋点去分析用户行为，并且以此建立用户分层用户画像等。
例如用贝叶斯算法计算用户的性别概率，用K聚类算法划分用户的群体，用行为数据作为特征建立响应模型等。不过快速入门不需要掌握这些，只需要有一个大概的框架概念。
除了业务知识，业务层面的沟通也很重要。在业务线足够长的时候，我不止一次遇到产品和运营没有掌握所有的业务要点，尤其涉及跨部门的分析。良好的业务沟通能力是数据分析的基础能力。
第七周：Python/R学习
终于到第七周，也是最痛苦的一周。这时应该学习编程技巧。
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，爬虫，可视化报表都需要用到编程能力（例如上文的多元散点图）。掌握一门优秀的编程语言，可以让数据分析师事半功倍，升职加薪，迎娶白富美。
以时下最热门的R语言和Python为学习支线，速成只要学习一条。
我刚好两类都学过。R的优点是统计学家编写的，缺点也是统计学家编写。如果是各类统计函数的调用，绘图，分析的前验性论证，R无疑有优势。但是大数据量的处理力有不逮，学习曲线比较陡峭。Python则是万能的胶水语言，适用性强，可以将各类分析的过程脚本化。Pandas，SKLearn等各包也已经追平R。
学习R，需要了解数据结构（matrix，array，data.frame，list等）、数据读取，图形绘制( ggplot2)、数据操作、统计函数(mean,median,sd,var,scale等)。高阶的统计暂时不用去涉及，这是后续的学习任务。
R语言的开发环境建议用RStudio。
学习Python有很多分支，我们专注数据分析这块。需要了解调用包、函数、数据类型(list,tuple,dict)，条件判断，迭代等。高阶的Numpy和Pandas在有精力的情况下涉及。
Python的开发环境建议Anaconda，可以规避掉环境变量、包安装等大部分新手问题。Mac自带Python2.7，但现在Python 3已经比几年前成熟，没有编码问题，就不要抱成守旧了。
对于没有技术基础的运营和产品，第七周最吃力，虽然SQL＋Excel足够应付入门级数据分析，但是涉及到循环迭代、多元图表的分析部分，复杂度就呈几何上升。更遑论数据挖掘这种高阶玩法。
我也相信，未来了解数据挖掘的产品和运营会有极强的竞争力。
到这里，刚刚好是七周。如果还需要第八周+，则是把上面的巩固和融会贯通，毕竟这只是目的性极强的速成，是开始，而不是数据分析的毕业典礼。
如果希望数据分析能力更近一步，或者成为优秀的数据分析师，每一周的内容都能继续学习至精通。实际上，业务知识、统计知识仅靠两周是非常不牢固的。
再往后的学习，会有许多分支。比如偏策划的数据产品经理，比如偏统计的机器学习，比如偏商业的市场分析师，比如偏工程的大数据工程师。这是后话了。
发表评论