本站分享:AI、大数据、数据分析师培训认证考试,包括:Python培训Excel培训Matlab培训SPSS培训SAS培训R语言培训Hadoop培训Amos培训Stata培训Eviews培训

没有基础,一样可以成为数据分析师

数据分析师 cdadata 4457℃

没有基础,一样可以成为数据分析师

不少人后台问我,如何转行做数据分析师,或毕业生怎样入行。我之前的文章都是围绕硬技能来写,这次以我知乎上的一篇答案为基础谈一下软技能。权当做杂谈。

我进入互联网行业完全是零基础,不是数据分析零基础,是样样能力零基础。

零基础到什么样子?我找工作花了三到四个月时间,最后以运营身份入职。

我从来不是数理强人,大学虽学习过高数、统计学、SQL和C语言,均是低空略过,考试还借助了小伙伴的力量。现在回头看,当时应该多学些。

最开始我不会vlookup,也没人教我,Excel只能做基础的操作。那时要关联多张报表,我仗着手速快,一个个搜索复制黏贴的…数据量一多肯定哭。后来我想这可不是办法啊。于是借助万能的百度:

“Excel怎么匹配多张表的数据。”

然后第一次看到vlookup函数。我也没有一次学会,每次用都要先看一遍网上的样例。后续我教组员的时候,他们学得比我快多了。

Excel一步一个脚印,学习都是依赖搜索和琢磨,抽空用工作中的内容练习分析:比如什么样的用户愿意用我们APP,用户哪些指标特别好。

即使在此期间,我也不会数据透视表。

记得15年初,老板给了我一个任务:网上收集数据,大约需要几万条,我不可能全部复制黏贴下来啊,便继续查询:

如何快速下载网页上的数据。

于是知道了爬虫,知道了Python,但我并不会。最后靠第三方爬虫工具,按照教程学习。早期已经学习过HTML+CSS,然后再了解网页结构,学习Get/Post,学习正则。花了一周时间加班,才下载下来。

可没有结束,数据是脏数据,我还需要清洗。再花一周时间学习Excel的find,right,mid,replace,trim等文本处理函数。那时候不知道这叫数据清洗,但是学会了很多技巧,即使我尽可能快速省力,还是花费数天。

当我现在写Python爬虫的时候,效率快速很多。包括文本清洗,用Levenshtein速度杠杠的。加起来一晚上就搞定。

没有基础,一样可以成为数据分析师
  任何学习都不是无用的,很多知识相通。我因为爬虫学习了HTML+CSS,后续便触理旁通地了解了网站结构和网站分析

后续知道布置百度统计,知道JS,学习网页端的各类指标,了解访问路径、漏斗转化、跳出率退出率等。这些知识不止能用在网站上。也能用在APP分析、用户行为上。

我们把学习当成一个点,学完这本书就看下本书,其实这样发挥不出学习的效率。任何知识都具有关联性,A知识可以应用在B知识上,知识技能树应该是呈网状发散的。

HTML+CSS—— 网页结构 ——网站分析——用户分析

HTML+CSS—— 爬虫工具——Python爬虫

HTML+CSS—— JS ——可视化JS

HTML+CSS——SEO——SEM上面链条是我基于前置知识掌握新知识的关系谱。

数据分析涉及的领域很宽广,除了本身扎实的业务背景,还需要瑞士军刀般的技能树,属于T型能力(一专多才)。

比如你看到某个页面跳出率较高。除了常规的分析外,还要检查网络速度,用户弱网环境,是不是HTML页面加载过多,是否使用了缓存,网络DNS如何等。这些知识不会有人教你,但它左右业务结果。

看到这里别怕,虽然要学的多,但是随着学习的加深,很多知识是共通的。就像转化率来源于网站分析,却能用于产品路径,既能升华为桑基图,又能做用户分层。越学到后面,越容易一法通万法通。

驱动力

其实零基础学习数据分析,最难的门槛不是技能,而是学习动力。我从零培养过数据分析师,从零教过Excel、从零教过SQL、从零教过分析思维、从零教过Python。难点从不在于这些知识,而是你真的想不想学。

不是下载了十几G的资料就是学习,不是关注了很多公众号就是学习。因为十几G的资料最终不会打开,很多公众号最后都是未读。这能说明想学习?零基础太容易无从下手,难以坚持,浅尝则止了。

无从下手,这是不知道学什么,我说过数据分析是一门比较宽广的学科。它既有传统商业分析的方法论,也有数据时代的统计和编程。可它又偏偏是任何岗位任何职业都能用到的技能,绕不过。

学习是很主观的事情,我们从小学开始读到大学,数十年的学生生涯,最缺漏的能力是主动学习。

中考高考打磨那么多年,很大情况是环境因素逼迫人去学习,本身没有任何学习的驱动力和习惯。大学四年再一度过,可能学习性就消磨殆尽了。

之所以说我们习惯被动学习,是大家都有一道题目做一道题目,只知道公式应用,不需要知晓原理。教材辅导题海战术,内容也不会超纲。整个大的学习环境都是为被动打造。

现在学习数据分析,拿起书籍、打开PDF资料、关注公众号。不会有老师纠正你辅导你,不会有作业鞭策你训练你。也不知道工作中哪个会经常用到,没有练手的数据题目,甚至连网络上的知识质量都难以辨别。

无从下手,对吧,可这才是主动学习。

心态要转变。

零基础学习数据分析,最大的老师只能是自己,不会有任何一篇文章一夜教人成为数据分析师。我带过愿意学习并且成长很快的实习生,也教导过有兴趣但依旧带不出节奏的同事。前者是主动学习,后者是止于兴趣的被动学习。

因为是零基础,所以才更需要主动性。数据分析本事是发展很快的行业,几年前会SQL就行,现在得了解些MR和HIVE,过几年SparkSQL也许就是必备,如果想在这一行做的好一些。

持续的学习是必须的能力。或者基础不如其他人,至少学习性别输吧。

我也给出我的建议,学习应该是具体为解决某一个问题而设立目标,说透彻点,实战为王。不论是何种职业,一定或多或少能接触数据。先别去分析,而是想,能用这些数据干什么,做一个简单的假设。

我是HR,我的假设就是最近招人越来越困难啦,

我是市场,我的假设就是现在营销成本太高,又没有什么效果。

我是运营或者产品,更好办了,假设某指标的数据因为ABC等原因而无法提升。

哪怕是学生,也能假设在学校商圈赚钱是容易还是困难。

数据围绕假设去收集、生成、组合、利用、论证和分析。

这是麦肯锡式的思维方法,也可以作为学数据的方法。新人容易陷入数据的迷途:我没有数据,有了数据也不知道干啥,知道干啥又不知道方法。想的太多,远不如有方向好用。

基于假设的好处是,我首先有了一个方向,别管它对不对,至少能按照方向做分析。

HR认为招人越来越困难,则可以拿出历史数据,以前我招人需要下载几份简历,打几个电话,发出几个Offer最终入职。现在呢?我还可以拿各个环节的数据观察,这不就是转化率嘛?时间维度放得宽一点,看看去年这时候招人困难不,是不是年底都难招,这样就了解折线图概念。

市场专员做分析,可以拿更多的数据作参考,假设营销成本太高,现在高到什么地步了,什么时候开始高的,找出时间点分析一下。效果不好,是什么时候效果不好,那时市场环境有什么变化吗?我假设市场环境有了变化,这又是一个新的假设,可以继续拎出一堆深入研究。

虽然各人分析效率和成果肯定不同,但是思路都能以这样训练出来。不是有了数据才有了分析,而是有了分析的方向才能收集分析数据。我的学习从来都是以解决问题为主,不是突然灵光一闪就会了。

如果把数据分析的学习旅程想成一条很长道路的话,我们不是一路开到终点,这没人能行。而是把这条道路分割成一段段,每段上面摆一个旗帜作目标,以旗帜为前行方向,不是以几十公里外的终点站作为目标。

好奇心

除了学习驱动力外,想成为数据分析师,还需要一颗好奇心。

好奇心就是问问题,想问题,琢磨问题,解决问题。如果你是一个天生八卦的人,那么将它用在数据分析上绝对是天选分析师,良材美玉。

很多人喜欢追求数据分析的工具、知识、要点、窍门。但是从来很少提到好奇心。

好奇心是解决问题的核心能力,编程可以锻炼,统计可以学习,这些最终都不是瓶颈。你学全了十八般武艺,临敌对战,最终需要的什么?是求胜心。数据的求胜心就是好奇。

知识决定解决问题的下限,好奇心决定解决问题的上限。好的数据分析师一定会有好奇心,会提问,会想问题,也能去解决问题。

我们最早期推的所有活动,都没有监控体系,整个运营也缺乏数据指导。对当时的我来说,很多运营的运作是黑箱。我不知道发什么了什么,怎么发生,只有一个结果输出。

别人若问我问什么,我只能做出假设,有可能一二三点。是否是这样,我也不知道。

运营活跃数上升,原因是什么?不知道。

短信推送后效果怎么样?不知道。

新注册用户来源有哪些?不知道。

那时随着公司业务线的拓展、用户数量提升。我用Excel做关联越来越吃力。我再一次向研发提数据需求时,CTO对我说:要不给你开个数据库权限,你自己查吧。

我告别了Excel,学习和了解数据库。从几张表的接触扩展到几百张表。

知道left join 和 inner join的区别。知道group by,知道数据结构,知道index。

那时期需要建立用户数据体系,包括留存、活跃、回流、分层等指标。我网上一边查运营指标的应用和解释,一边查SQL的实现。

和研发解释、沟通,因为了解数据库,很多需求以更合理的要求实现。这是我第一次开始接触、了解和建立以业务为核心的数据体系。

举一个例子:用户用过APP很长一段时间,我们管他叫忠诚用户,后来突然他连续几周不用,那么我们会通过SQL找出这类用户,分析他行为,电话访谈为什么不用,尝试唤回他。其他运营都是同理。

这时候,我才可以说我了解了活跃数,知道它为什么上升,为什么下降。

我们给不同用户推短信,借助SQL我能查询到数据的好坏,但是有没有更明确的指标?比如多少用户因为短信打开APP,短信打开率是多少?

当时短链用了url scheme,可以自动跳转到app,为了监控,我们也在短链中埋了参数。通过推送数据,观察这条短信会有多少人打开。

这是衡量一个文案的标准,好文案一定能触动用户打开。我们经常拿文案作为AB测试。举一个例子,我们会用短信营销,运营是和礼品挂钩的,当时有不少用户线上注册完并不下载APP,我们有那么一条针对此类的短信文案:

我们已经为您准备好了专属心意,XXXXX,请打开APP领取。这条短信的打开率约在10%左右。但是还有优化空间,于是我不断修改文案,后续修改为:

既然您已经注册,为什么不来领取属于您的专属心意呢,XXXXX,请打开APP领取(中间内容不变)。打开率被优化到18%。因为它用了营销心理,已经注册,契合了沉默成本的暗示:我做都做了,为什么不继续,不然白注册了。这种心理常见于旅游景点,景点很坑爹,但绝大多数人还是会说:既然来都来了,就是一种共通的心理。

后续短信又采取个性化方案,最终优化到25%。比最早期的文案效果好三倍左右。如果不好奇短信效果,如果不收集数据监控指标,那么优化无从谈起。我们可能凭感觉写出好文案,但你不知道具体效果,而数据能。

再来个例子,最开始我们借助微信朋友圈进行用户拉新,起初有多个渠道,但是我不知道哪个渠道效果好。然后我的好奇症又犯了,哪个渠道效果好?邀请转化率还能不能优化?渠道拉新成本是多少?

依旧是推动和落地数据分析的执行,因为微信的网页分享,会自动带from=timeline等参数,通过参数我能过滤出微信端浏览和访问的数据。后来又拜托研发针对不同渠道设置参数。通过参数统计转化率,并且给新用户打渠道来源标签。

期间发现一个渠道的转化率过低。我们大概分两类渠道,一个是落地页直接邀请用户注册,附加有礼品信息。一个是让用户先挑选礼品样式,最后领取步骤中跳到注册。通过转化率分析,后者的流失较为严重。因为步骤太冗余了,还有快递地址要填写,选取礼品的吸引力不足以支持用户走完流程。

于是便更改第二个渠道流程。不同注册渠道的用户来源,因为有标签,所以在后续新用户的运营中,可以有针对性地做措施。这也是短信通过个性化达到25%打开率的原因之一。

好奇是为了解决问题而服务的。通过不断的想问题,解决问题,数据分析相关的能力自然会提升。

幸运的是,好奇心能够后天锻炼,就是多问问题多想问题,锻炼难度不高。

非数据

零基础学习还会有另外一个问题,就是轻视业务的重要性。

实际上,想成为数据分析师,难点不在于Excel、SQL、统计等知识欠缺。而是业务知识的匮乏。

一个人懂业务不懂数据,另一个懂数据不懂业务,前者更有可能解决实际的问题。因为数据分析师始终是为业务而服务。

我曾向产品提出(没请吃饭)布置APP和Web埋点,通过用户的路径了解用户,也弥补百度统计的缺点。

当时通过Hadoop存储数据,使用Hive建立离线的脚本清洗、分区、加工。用户浏览产品的页面、使用的功能、停留的时间都能构成用户画像的基础。

我曾经很好奇什么是用户画像,因为网络上说用户的性别、地域、年龄、婚姻、财务、兴趣、偏好是构成用户画像的基础。

但是我们的业务获取不到那么多数据。而我认为,用户画像是为了业务服务的,它不该有严格统一的标准。只要在业务上好用,就是好的用户画像。

就像在线视频的用户画像会收集电影的演员、上映时间、产地、语言、类型。还会细分到用户是否快进,是否拖拽。

这些都是以业务为导向。甚至视频网站的分析师们本身就得阅片无数,才能根据业务分析。

不然那么多电影类目和类型,如何细分各类指标?能通过拖拽快进去判断用户是否有兴趣,自身也得用过类似行为才能理解。

零基础怎么学习行业和业务知识?如果本身和业务接触,只是想做数据分析,难度小不少。如果像当初的我一样,既没有义务知识又不懂数据,也是可以的。

数据如果是假设性思维学习的话,那么业务应该是系统性思维学习。业务知识也需要一个目的和方向,但是和数据分析不同。业务注重的是系统性,系统性不是大而全,而是上而下的结构知识。先瞄准一个方向钻取深度,广度会随着深度的挖掘逐渐拓展。

比如你是一个外行,想学用户运营体系的分析,不要先考虑啥是用户运营,这问题太大。而是瞄准一个方向,例如活跃度,了解它的定义和含义,再想怎么应用。线下商场的活跃度如何定义,医院患者的活跃度如何定义,某个学校社团的活跃度如何?拿身边例子去思考活跃度。商场的活跃,可以是走来走去的人流,可以是进行消费购物的客流,可以是大包小包的土豪。什么因素会影响活跃?促销还是打折,节假日还是地理。等这些问题想通了,上手用户运营会很快。

再通过同样的思维去想留存、去想拉新。就会知道,如果商场的人流下次继续来消费,就是留存,有新客人来,就是拉新。这又有哪些因素互相影响?最后的知识思维一定是金字塔结构的。上层是用户运营,中间是拉新、活跃、留存。下层是各个要点和要素。

数据分析的学习注重演绎和推理,业务的学习注重关联和适用,学以致用就是说的这种情况。期间也会用到好奇心和假设,这两点都是加速学习的途径之一。

实际上说了这么多,对于零基础想当数据分析师的同学来说,可能仍旧有一些云山雾罩吧。

这些软技能也不会助人一步登天的,其实的七周成为数据分析师,从最开始我也说过是入门的大纲。重要的是自己是否真的想学和学好,师傅领进门,修行靠个人,其他一切都是虚的。

想起很久以前看的一句鸡汤话,当你想要前行时,一切都会为你让路。我想这比我说的一切都更有力。

所以你问我零基础能成为数据分析师吗?我的回答是能。

转载请注明:数据分析 » 没有基础,一样可以成为数据分析师

喜欢 (11)or分享 (0)