随着大数据时代的到来,“数据分析”越来越普及,从企业决策到业务环节,都需要数据分析持续发挥作用。很多人觉得数据分析似乎遥不可及,难以操作,但其实数据分析渗透在生活的方方面面,近在咫尺。
在接触数据分析之前,我可以说是零基础,完全的超级菜鸟。新手小白如何入门数据分析?希望这篇来自自己经历的文章能给初学者一些启发。
数学基础
想要学好数据分析,首先要建立一定的数学基础,尤其是统计部分。学理工科的学生大一会学概率论和数理统计。从数据分析的角度来看,其实已经足够了。但是真正从零开始或者对知识不熟悉的人,不仅仅可以参考大学课本,还可以学习《简单数据分析》这本书。
在学习数学的基础部分,这本书确实能起到思想启蒙的作用,适合任何没有基础的小白。太基础了,甚至有人说这本书简直太简单了。但恰恰是数据分析用到了这些最基础的知识。总结起来,可以归纳为以下几个方面:
1.数据分析的基本步骤:识别问题-分解数据-评估-决策。
2.具体方法:实验法、最优化方法、假设检验法、贝叶斯统计法、主观概率法、启发式方法、直方图法、回归法、误差处理。
3.数据处理:关系数据库,如何用Excel整理收集到的杂乱数据。
程序设计语言
有一定的数学体系基础,就是掌握编程语言。数据分析常用的编程语言一般分为Excel和Python。
在学习的过程中,我其实是跳过了Excel的学习。当然,后续研究发现,Excel在一定程度上对数据分析有着不可替代的作用,而且比Python更简单易操作。
比如在计算多组数据的平均值、标准差、计数等指标时,Excel中的透视表就是一个很好的分组工具,对于简单的数据处理,比大多数编程工具都要方便。只需将所需的数据拖动到相应的行和列即可获得结果。
在学习数据分析之前,我比较关注Python的学习。一方面,我是工科生,之前接触过基础编程语言,对编程比较感兴趣;另一方面,Python更有助于数据分析的学习,可以促进学习者走得更远。
首先,您需要安装和设置Python相关的环境。可以使用Anaconda进行安装,包括常用的数据分析包和Jupyter笔记本。具体方法,求度娘帮忙。其次,我们需要遵循系统的课程学习。
在这里,我不建议直接买书啃,这样很容易没开始就放弃;也不要选500+集的课程。15分钟左右就能睡着。学的Python,小破站小乌龟零基础入门课程。我每天边敲边不停的学习,不会就搜。
课程学习
在建立了数据分析的基础体系后,这个人才真正开始了数据分析的学习。为了少走弯路,我问了身边学过数据分析的学长学姐,也在平台上发布了相关的求助帖。在多方了解下,我报了贪心AI的《商业数据分析》。
总授课时间长达十周,拥有主站广告优化分析项目、亚马逊电商常驻用户画像分析项目、亚马逊电商常驻平台订单报表分析项目、亚马逊电商常驻用户数字化运营项目、Kindle电子书多渠道销售商业分析项目、淘宝用户行为用户价值分析、员工薪酬探索性分析、门户网站广告效果聚类分析、会员体系消费行为分析等九大经典实践项目。在讲课的过程中,穿插小项目数据,帮助理解概念。
AI贪婪的商业数据分析课程,从最初对数据分析的感知,到数据分析师的面试指导,不仅仅是知识和重点的简单把握,更重要的是有针对性的就业实践,真正从实际案例出发。我简单说一下我在其中的收获。
1.数据分析的基本概念
要学好数据分析,首先要建立数据分析的基础体系。课程刚开始并没有太多的难点知识点,更多的是对数据分析知识的探索和理解。
数据,也就是未经加工的原始记录,在我的理解中,就像是一个载体,把身边的事情数字化记录下来。
考虑到不是每个学习者都接触过数据,老师通过微信生态数字化运营的例子,演示了数据的可变性、规律性和客观性,学习了数据分析的四个步骤:数据抓取-数据清洗-数据分析-商业决策。
这样我们就不仅仅停留在枯燥的知识点上,还通过一些实际案例进行介绍,提高了我们的学习兴趣,使知识点更加具体易懂。
2.不同类型的数据方法和原理
要真正准确地掌握数据处理的方法,就必须仔细研究其背后的原理,这样才能不盲目套用。就像搬沙发一样。用汽车的话,装不下,超载。如果用货车的话,正好。了解运输工具的能力可以节省经济成本,了解数据方法背后的原理可以提高工作效率。
描述性分析:简单来说,就是把到底发生了什么说清楚,就像一篇文章的中心思想一样,这是数据最本质的特征。包括数值分析、分布规律和可视化方法,相对简单,不需要任何深入的解读,就是按照标准的模板来应用,但也应用广泛。
讲知识点的时候,如果只是枯燥的概念,就很难掌握。但老师会用例子和解释渗透每个概念,并与主要图像进行匹配,如正态分布、长尾分布等,以表格形式进行对比,边总结边记忆。这样更有利于知识点的掌握。
诊断分析:在数值计算中,尤其是面对很多多元数据时,最简单的计算之一就是诊断分析。要得到一个问题,不仅要关注问题本身,更要探究问题背后的影响因素。
举个例子,如果有两组成年人身高和热量摄入的数据,那么我们就可以研究热量对身高是否有影响。影响如何?简单来说就是找原因,类似于逆向工程,分析实际效果和潜在因素的关系。相对于算法来说,更依赖于数据分析师的素质,所以在学习过程中要更加重视这些知识。
预测分析:数据通常存储在数据库中,如果数据库放在那里,不会有实质性的作用。借助数据分析中强大的预测分析功能,你可以利用这些数据进行实时决策,从而实现利润最优化。预测分析通常分为线性分析和非线性分析,可称之为“科学占卜”。合理应用有助于及时了解市场的变化和趋势,从而提高效率。
在这里,也可以称之为数据分析的重中之重。在讲解过程中,老师使用的课时较长,主要分为线性回归和逻辑回归两个方面。除了基本的概念理解,他们还侧重于代码和Excel的应用。不需要重建网络环境。贪婪的AI有一个特殊的平台可以依靠。上课跟着老师按部就班,练习几次,基本没问题。
3.课后思考和回答问题
其实对于新手来说,学习中经常会有问题和疑惑。这时候如果没有人及时回答,很可能会被卡住,甚至中途放弃。贪心的我,AI最大的吸引力就是有一对一的课后答疑助手团队和课后思考问题的实时解答,有针对性的解答学生的学习问题。
助教不仅很有耐心,而且很有幽默感。在回答的时候,助教会先了解学生对问题的认识,对问题的看法,以及在解决问题的过程中遇到了哪些障碍,然后顺着学生的思路一起探索解决。
但相比其他机构的学生系统,贪心AI缺乏课后监控和错题统计,需要在学习过程中自己整理总结。
参考书
超简单使用Python让Excel飞起来是我学习数据分析过程中最有帮助的,在这里也推荐给你。
这本书主要讲的是Python编程环境的构建以及如何链接Python和Excel,从而实现办公的高效率,更偏向于业务岗和业务技术集成岗。
这本书最大的特点就是图文并茂,有具体的操作演示图,相对来说比较好学。
实战演习
了解了数据分析的理论和工具后,不足以处理工作中的实际问题。除了以上贪心AI课程包含的实际项目,建议你多找一些真实的实际案例,多加练习。
首先要推荐的是Kaggle,一个几乎被砸的网站。可以说是数据老师聚集的大平台。除了经典案例和数不清的数据库,每年还会举办大规模的数据科学竞赛。
在Kaggle上,还可以参考别人的代码,学习别人的分析逻辑和建模方法,提升自己。
相比之下,国内推出的科赛网络凯西奇,现在更名为巨鲸科技,是国内最早专注于大数据算法竞赛的商业服务机构之一。
实际项目更新快,定期举办比赛。可以找到很多开源数据集,供专业人士或爱好者练习。
摘要
数据分析的目标绝不是简单地看数据,而是提供适当的实时决策。从狭义上讲,数据分析就是将数据以直观的形式展现出来,但这远远不够。真正优秀的数据分析,需要从用户需求的角度去实现数据,让数据驱动决策,从而实现收益最大化,规避风险。从这个角度来说,数据分析的学习还很长。
总的来说,我的学习过程是“数学-编程-课程-实战”,还需要大量的实践来巩固知识。俗话说,“实践是检验真理的唯一标准。”对于数据分析来说,练习是重点。只有多入门,才能提高决策的准确性,减少决策的失误。



