数据分析师不仅仅是数据工具的使用者

2021-01-06 10:27:38 阅读（198） 评论（0）

有时会听到有人说：「我终于学会了用R了」，「终于学会了用SAS了。」...开心的时候，我不禁要说，这可能有点伪命题的意思。R、SAS、Excel等只是工具。使用工具是为了解决某些问题，而问题本身往往有不同的场景（无穷无尽）。你可能会用工具解决这个问题，但你不会用工具解决另一个问题。上面提到的一切「学会」，里面往往有伪命题的意思。更大的伪命题是——认为学习数据工具的基本操作相当于解决数据问题，可以放心。事实上，有些人可能只是个人「用户使用数据工具」。例如，许多企业可能会有这样的场景：不同业务部门的人向技术支持部门的数据工程师提出数据需求，数据分析师处于疲劳状态，长期响应数据需求。之所以在这里说是的「数据需求」，因为业务组成不高，更注重数据统计层面的工作，如固定年龄统计的需求，或直接导出满足某些规则的列表。当然，熟练使用各种数据工具（包括商业数据工具和与数据相关的编程语言，如Python等）是非常重要的。它还可以帮助从业者更快地开始并沉浸在数据中（通常非常令人兴奋和愉快地接触大量数据）。然而，我们还需要知道，数据工具只是数据实践的一部分，更完整的拼图应该包括三个部分：数据思维、数学理论知识、数据工具。广义上说，数据工具包括商业数据工具、云数据工具、各种数据相关的编程语言。数学理论知识：包括统计学、概率论、线性代数、微积分等，是门槛较高的一部分。数据思维：这一块经常被提及，但没有人能说清楚。我倾向于这样理解-数据思维「思考通过数据驱动的概念来解决业务问题」，这里的业务问题可以是商业问题，也可以是个人问题。例如，本月产品月活跃用户下降的原因是什么？papi酱的粉丝和罗辑思维的粉丝有什么区别？我是卖衣服的微信商家。我应该如何细分我的客户？如果你仍然觉得有点笼统，你可以继续分解数据思维，如下图所示：①.当数据敏感性和数据模型思维看到一个数据时，它会立即反应（高低）。当你听到一件事时，相关的数据实体和关系会立即出现在麻烦中。这将涉及数据库和数据仓库的一些理论知识。②.要将业务问题转化为相应的数据问题，首先要了解业务问题本身，然后才能找到解决业务问题的数据方法和模型。事实上，确实有一些基本功很扎实，却无法发现或理解业务问题，进而只能被动地回应需求。要解决这个问题，我们仍然需要更加*生活的细节，积累更多的相关问题来解决案例。③.分析推理思维更像是逻辑驱动下的导火索，因为a，所以b，然后c。一般的分析和推理过程符合发现问题的要求维度细分对比回溯过程。④.在海量数据的基础上，大数据思维通过机器学习算法的智能化来解决分类、聚类、回归等问题。篇幅有限，不细说。以上四个要素之间的关系是：在充分理解数据的基础上，通过分析推理、大数据思维等数据方法来解决业务问题。就像上面的逻辑关系图。此外，还有一种更广泛的数据思维，包括企业数据文化、数据组织结构、数据本身的积累和管理，这是一个更大的话题，今天不再重复~~~

以上就是关于数据分析师不仅仅是数据工具的使用者的相关介绍，更多数据分析师不仅仅是数据工具的使用者相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对数据分析师不仅仅是数据工具的使用者有更深的了解和认识。

内容来源:数据分析网，以上内容来源于网络，不代表本站观点，如有侵权，请联系删除。

上一条：整理丨数据分析过程中的常见问题下一条：如何把店铺的数据展示给淘宝看？