完整的互联网数据分析能力养成提纲

我会根据大纲增加互联网侧的内容，如网站分析、用户行为序列等。我不想留在表面上，而是系统地讲述。比如什么是产品埋点？获得埋点数据后，如何使用Python/Pandas？shift()函数将其清洗为用户行为session，然后计算用户在每个页面的停留时间，以及如何将其转换为统计宽表，以及如何建立用户标签。以下是每周的学习概述。第一周：Excel学习掌握如果Excel玩得顺滑，你可以跳过这一周。但是我入行的时候也不会vlookup，所以有必要说一下。重点是了解各种函数，包括但不限于sum，count，sumif，countif，find，if，left/right，时间转换等。Excel函数不需要完全学习，学习搜索很重要。也就是说，如何在搜索引擎上清楚地描述遇到的问题。我认为掌握vlookup和数据透视表是最划算的两种技能。学习vlokup，SQL中的join，Python中的merge很容易理解。学习数据透视表，SQL中的group，Python中的pivot_table也是如此。基本上，10万条以内的数据统计并不难，80%的办公室白领都可以秒杀。Excel熟能生巧，多找练习。还需要养成好习惯，不要合并单元格，不要太花哨。根据原始数据(sheet1)表格、加工数据(sheet2)，图表(sheet3)的类型管理。以下是为以后更好的基础而附加的学习任务：了解单元格式，后期的数据类型包括各种timestamp，date，string，int，bigint，char，factor，float等。了解数组，以及如何使用(excel数组很难使用)，Python和R也将涉及list。了解函数和参数，当先进的编程数据分析师时，会让你掌握得更快。了解中文编码、UTF8和ASCII，包括CSV的delimiter等，以后你会回来感谢我。本周的内容将分为函数和技能两部分。这是一个练习，我给你1000个身份证号码，告诉我有多少男女，各省市人口的分布，这些人的年龄和星座。若能完成上述过程，则本周直接跳过。第二周：数据可视化数据分析界有一句经典名言，字不如表，表不如图。数据可视化是数据分析的主要方向之一。除数据挖掘等高级分析外，许多数据分析都是监控数据观察数据。数据分析的最终结论是出售自己的观点和结论。最好的兜售方式就是给老板做一个有清晰观点和详细数据的PPT。如果没有人同意分析结果，那么分析就不会得到改进和优化。未落地的数据分析价值在哪里？首先要了解常用的图表：Excel图表可以100%完成上述图形要求，但这只是基础。编程绘制必然需要后续的高级可视化。为什么？例如，常见的多元分析，你能很容易地用Excel完成吗？但IPython只需要一行代码。第二，掌握BI，下图为微软BI。BI(商业智能)和图表的区别在于BI擅长交互和报告，更擅长解释已经发生和正在发生的数据。将要发生的数据是数据挖掘的方向。BI的优点是在很大程度上解放数据分析师的工作，提升全部门的数据意识，减少其他部门的数据需求(万恶导数据)。BI市场上有很多产品，基本上都是通过维度的联动和钻取，建立仪表盘Dashboard进行可视化分析。最后，我们需要学习制作可视化和信息图。这是安(装)身(逼)立(加)命(薪)的基础。这与数据能力无关，更注重审美、解读、PPT、信息化能力。但是花点时间学习是值得的。数据可视化学习有三个过程：理解数据（图表）集成数据（BI）展示数据(信息化)第三周:本周分析思维的训练很容易，学习理论知识。好的数据分析首先要有结构化的思维，俗称金字塔思维。思维导图是必不可少的工具。然后了解SMARTT、5W2H、SWOT、4P理论，六顶思维帽等框架。这些框架都是大巧不工的经典。分析也有框架和方法论，主要集中在三个关键点：一个业务没有指标，不能增长和分析；好的指标应该是比例或比例；好的分析应该是比较或相关的。举个例子:我告诉你今天一家超市有1000人的客流。你会怎么分析？与附近的其他超市相比，这1000人的数量是多是少？(对比)这1000人的数量比昨天多还是少？(对比)实际购买了多少1000人？(转化率)路过超市，超市外的人流是多少？(转换率)这是一种快速构建分析框架的方法。如果只看1000人，就看不到分析，也看不到任何结果。优秀的数据分析师会折磨别人的数据，他自己的分析经得起折磨，这就是分析思维能力。需要确切理解的是，数据思维不能在一周内锻炼，只能理解。数据思维是不断练习的结果，我只是尽量缩短这个过程。第四周:数据库学习Excel处理10万条以内的数据没有问题，但互联网行业并不缺乏数据。只要产品有一点规模，数据就是百万。此时需要学习数据库。在招聘条件下，越来越多的产品和运营岗位将SQL作为优先加分项。SQL是数据分析的核心技能之一，从Excel到SQL绝对是数据处理效率的一大进步。围绕Select学习。可以跳过增删、约束、索引和数据库范式。主要了解where，groupby，orderby，having，like，count，sum，min，max，distinct，if，join，leftjoin，limit，and和or的逻辑，时间转换函数等。如果你想进一步学习row_number，substr，convert，contact等。此外，不同数据平台的函数也会有所不同，比如Presto和phpmyAdmin。再追求一点，就去了解Explain优化，了解SQL的工作原理，了解数据类型，了解IO。以后可以和技术研发人员谈笑风生。毕竟用“这里有bug”的说话代替“这个数据死锁”，差别很大。SQL的学习主要是多练习，网上找相关练习，刷一遍差不多。第五周：学习统计知识很遗憾，统计知识也是我的弱点，但这是数据分析的基础。我读过很多与产品和运营相关的数据分析文章，没有提到太多的统计知识。这并不严格。比如产品的AB测试，如果产品经理不知道可信度的含义和概念，那么好的效果并不意味着真的好。特别是5%这种非显著的增加。例如，如果操作一个活动，如果操作不理解测试的相关概念，那么如何判断数据中的活动是否有效呢？更别说平均数了。我们来讨论一下经典的概率。如果一个人得了流感，实验结果是阳性的概率是90%；若无流感，实验结果为阳性的概率为9%。现在这个人的测试结果是阳性的，他有多少机会得流感？如果你认为有50%的机会，、60%、70%等等，然后都犯了直觉错误。它还与疾病的基本概率有关。统计知识将教我们从另一个角度看待数据。假如大家都知道统计数据会撒谎，那么就知道很多数据分析的决策并不可靠。我们需要一周的时间来掌握描述性统计数据，包括平均值、中位数、标准差、方差、概率、假设检验、显著性、整体和抽样。我们不需要学习更高层次的统计知识。谁让我们快速成功？只要你不被数据欺骗，就不要犯错误。以Excel分析工具库为例(在网上找到图片)。在初级统计学习中，我们需要理解列1的名词含义，而不是停留在平均值的基础上。第六周:本周需要了解业务知识(用户行为、产品、运营)。对数据分析师来说，对业务的理解比数据方法论更重要。当然，不幸的是，商业学习没有捷径。我举个数据沙龙的例子。一家O2O配送公司发现，在重庆，送货员的送货效率低于其他城市，导致用户好评率下降。总部的数据分析师建立了各种指标来分析原因，但没有发现问题。后来在采访中发现，由于重庆是山城，路面高低落差夸大，很多外卖人员的小电池上不了坡...因此，交货效率较慢。在这种情况下，我们只知道送货员的送货水平距离，即POI数据，不可能知道垂直距离的数据。这就是数据的局限性，也是只看数据的分析师和接地气分析师之间最大的区别。了解业务市场是数据分析在工作经验中最大的优势之一。不同行业的商业知识是不同的，所以我不会献丑。在互联网行业，需要了解几个广泛的业务数据。产品数据分析，通过经典的AAARR框架学习，了解活跃保留的指标和概念(我的历史文章已经涉及到这些内容的一部分)。而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，保留只是一个指标，通过userid关联和拆分是常见的分析策略。网站数据分析可以抽象地吃一个哲学问题：用户从哪里来？（SEO／SEM），用户去哪里(访问路径)，用户是谁(用户画像)／用户行为路径)。虽然网站不再是互联网的主流，但现在有很多应用程序 Web的复合框架，朋友圈的传播活动一定要用网页的指标来分析。用户数据分析是数据操作的应用。在产品的早期阶段，转换率可以通过埋点计算，AB测试可以实现快速迭代的目的。在用户数量积累的后期阶段，用埋点分析用户行为，建立用户分层用户肖像。例如，用贝叶斯算法计算用户的性别概率，用K聚类算法划分用户群，用行为数据建立响应模型。但是，快速入门不需要掌握这些，只需要有一个大致的框架概念。除商业知识外，商业层面的沟通也十分重要。当业务线足够长时，我不止一次遇到产品和运营都没有掌握所有的业务要点，特别是涉及跨部门的分析。良好的业务沟通能力是数据分析的基本能力。第七周：Python/R学习终于到了第七周，也是最痛苦的一周。此时，我们应该学习编程技巧。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。编程能力(如上面的多元散点图)用于数据挖掘、爬虫和可视化报表。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，嫁给白。以最流行的R语言和Python为学习支线，快速学习一个。我刚刚学过两种类型。R的优点是统计学家编写的，缺点也是统计学家编写的。如果是各种统计函数的调用、绘图和分析的前验性论证，R无疑有优势。然而，大数据量的处理是不可能的，学习曲线是陡峭的。Python是一种通用的胶水语言，具有很强的适用性，可以脚本化各种分析过程。Pandas，SKLearn等各包也已追平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。).暂时不需要涉及高级统计，这是后续的学习任务。RStudio是R语言开发环境的建议。学习Python有很多分支，我们专注于数据分析。需要了解调用包、函数、数据类型(list,tuple,dict)，条件判断、迭代等。在有精力的情况下，高级Numpy和Pandas涉及。Anaconda是Python开发环境的建议，可以避免环境变量、包装安装等大多数新手问题。Mac有自己的Python2.7，但是现在Python3已经比几年前成熟了，没有编码问题，不要抱成守旧。第七周对于没有技术基础的运营和产品来说是最困难的，尽管SQL＋Excel足以处理入门级数据分析，但当涉及到循环迭代和多元化图表时，复杂性呈几何形状上升。更不用说数据挖掘这种高级玩法了。我也相信，未来了解数据挖掘的产品和运营将具有很强的竞争力。到这里，正好是七周。假如还需要第八周 ，它是整合和整合上述内容。毕竟，这只是一个目的性很强的速成，一个开始，而不是数据分析的毕业典礼。如果你想进一步提高数据分析能力，或者成为一名优秀的数据分析师，你可以继续学习和掌握每周的内容。事实上，仅仅两周的商业知识和统计知识是非常不稳定的。在以后的学习中，会有很多分支。比如偏策划的数据产品经理，偏统计的机器学习，偏商业的市场分析师，偏工程的大数据工程师。这是后话。

以上就是关于完整的互联网数据分析能力养成提纲的相关介绍，更多完整的互联网数据分析能力养成提纲相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对完整的互联网数据分析能力养成提纲有更深的了解和认识。