如何系统学习数据分析？

很多学习数据分析的同学也都有这样一种困惑“为什么学了那么多工具，还是不会数据分析?”，原因无外乎两个，一是只学到了碎片的知识，没有建立知识之间的连接，无法形式自己的知识体系，二是缺乏实践，导致无法形成“知行合一”的工作技能。

知识超载和碎片化

当代人都面临两个问题——信息超载和知识碎片化。

信息超载老话题不多说了，讲几个数据：

全世界每天有4000本书出版，超过4亿个字；

纽约时报一天的文字量等于牛顿同时代的人一生的阅读量；

一个专业领域，每天大概有200个公众号正在注册，有近1000篇文字正在产生……

过去杂家、博物家在现代社会已经不可能存在，即使有，也干不过谷歌度娘。

结论1：知识的储存能力，人类早就被电脑完胜了，知识的搜索和链接能力，才是学习的核心竞争力。

另一个趋势也很明显：知识碎片化。这个碎片化从3个方面开始——

首先时间和空间被打碎，移动手机允许你在三站地铁里听完一本书；

其次被打碎的是信息，如果你翻知乎、今日头条或者某个博客，你并不会像看一本书一样，知道前面一章讲什么的，后面即将讲什么，除了标题党，你根本对下一个博客、内容毫无预期，只能被动接受；

最糟糕的其实是知识结构碎片化——你并不知道是谁，在什么情况下，针对什么问题讲的这句话。所有的信息缺乏了上下文，就是废话。

比如说有段时间我刷管理类的文，你会发现在雷军、傅盛、彼得德鲁克、吴伯凡、马云、吴晓波……各位大佬针对同一个问题讲的内容完全不同。到底信哪个？其实雷军讲的是互联网行业；傅盛讲的是小企业逆袭，他正在做投资；彼得德鲁克用管理在讲哲学；吴伯凡老师在讲中西方文化；马云老师在对大众励志；吴晓波其实是用管理谈财经——更重要的是，他们讲话的场合，时间点和对象你一无所知。

结论2如果一个人没有搜索能力，他不会知道背景；没有思考能力，不会知道为什么——这样单纯知道一句话，比不知道更糟糕。

把前面两个结论放一块，结果很清晰——时间空间碎片化确实能够提高学习的效率（其实也干不过电脑），而信息碎片化和知识结构碎片化带来的，则是学习效率的倒退和焦虑之源——因为他毁掉你的主动搜索能力和主动链接的能力，也就是深度思考的能力。

这就是碎片化的陷阱，极大的提高了并没有什么卵用的信息，而降低了最重要的独立思考的能力。 

知识可以零售吗？

最近的问答类APP非常火，先是知乎4月份在其微信公众号悄然上线了【值乎】，而后果壳网在5月份不甘示弱，上线了【分答】并且后来居上，用户活跃一下子超越了【值乎】。

【分答】是一款付费语音问答产品，它的规则非常简单，有三种角色设定：回答者、提问者、偷听者。回答者只需说明自己擅长的领域，然后设置付费问答的价格，价格规定在1-500元之间，感兴趣的用户可以作为提问者付费后对回答者进行<=50字的文字提问，然后回答者通过<=60s的语音来回答问题。在此过程中，其他用户可以作为偷听者通过1元的付费来“偷听”回答者的语音回答。被“偷听”一次，提问者和回答者可以各得0.5元。

【分答】吸引人的地方有两个，一个是提问和回答能赚钱，让知识不再是免费的分享，真正做到了书中自有黄金屋；一个是明星效应，或者说是网红效应。【分答】一开始能够点爆市场，看它的卡司就知道了。

有亚洲首富之子同时也是国民老公的王思聪，有各类综艺大咖如《最强大脑》的帅气教授魏坤琳、《奇葩说》第一季冠军马薇薇、《逻辑思维》创始人罗振宇等，还有演艺界的明星佟大为、汪峰等，这样强大的阵容，让【分答】在上线20几天的时候，就拿到一亿美金的估值，而国民老公王思聪，仅仅回答了25个问题，短短的25分钟时间，就赚了11万多。

在一片喧嚣，全民欢腾过后，静下心想一想，以“知识的零售平台”为目的的【分答】一类的问答社区，真的能达到传播知识，提升能力的效果？

如果说【知乎】的一问多答，干货至上的模式，收获的是多角度的价值观、人生观以及知识体系；【果壳】的科技报道，收获的是科技的不为人知的小细节，是沧海遗珠。那么【分答】一类的60s的语音回答，收获的或许只是跟明星的亲密接触，以及搞一个大新闻赚钱的欲望的满足。为什么这么说呢？

• 首先，对于答题者来说，60s的时间仅足够讲1、2个笑话，对于一个知识点来说根本不足以讲透，所以这60s的回答不是用来提供知识的；

• 其次，对于提问者来说，提问字数限制在50个字以内，提问的东西只能非常直接，根本无暇顾及问题的背景。因此在【分答】上经常出现以下的问题：          如果非要二选一做你的女朋友，你选XXX还是XXX，为啥？  你和XXX的性福生活是真是假？  你多久啪啪啪一次，最近的一次啪啪啪是什么时候和谁？

• 最后，对于提问者来说，提问的目的不再是单纯的希望获得知识，而是想获得更多的人偷听，从而达到赚钱的目的，这样的目的，不利于知识的正向分享。

知道哪些知识重要比学习知识更重要

我们都有这样的经历，在上学的时候，准确而准时地划重点的老师会往往被同学们点赞。曾几何时，划重点成为课堂最激动人心和最令人期待的一刻。在信息爆炸时代，尤其如此，最重要的不是增加信息，而是筛选和删除信息。

系统学习的重要性

任何学习知识，都是相互联系，相互作用的。因此第一步就是找出各部分间的直接联系，把网络结构初步地建立起来。但是有些部分和其他部分并不一定能够建立直接的联系，那么还需要发掘第二层、第三层关系。 要明确各部分之间的关系，以及综合运用。 学习是先模糊概括，再逐渐在大框架下逐步明晰细节、完善结构、针对缺陷和不足专攻的学习方法。

行动学习理论认为，人要掌握一门技能，需要有10%的时间学习知识和信息，70%的时间练习和践行，还有20%的时间与人沟通和讨论。这个原则叫做721原则。

碎片化学习对于10%的信息接收非常有用，而剩下独处练习的70%和讨论的20%，则需要留出大量时间来系统学习——碎片化学习永远只是系统化学习的辅助。你需要留出足够多整块时间学习。

所谓系统学习法，是指把所学内容当成是一个系统看待，力求从大方向出发指导学习，这样，在学习的时候不是按部就班按章节行进，而是先模糊概括，再逐渐在大框架下逐步明晰细节、完善结构、针对缺陷和不足专攻的学习方法。

如何系统学习数据分析？

在学习数据分析之前应该明白几点

• 数据初期的准备通常占整个数据挖掘项目工作量的70%左右。

• 数据分析师本身融合了业务知识、统计学和计算机等学科，并不是新的技术。

• 数据分析更适合业务人员学习（相比技术人员学习业务来的更高效）

• 数据分析项目通常需要重复一些毫无技术含量的工作。

职业规划

以数据分析师为例，先看一下国内知名互联网数据分析师的招聘要求：

• 计算机、统计学、数学等相关专业本科及以上学历；

•  具有深厚的统计学、数据挖掘知识，熟悉数据仓库和数据挖掘的相关技术，能够熟练地使用SQL；

•  三年以上具有海量数据挖掘、分析相关项目实施的工作经验，参与过较完整的数据采集、整理、分析和建模工作；

•  对商业和业务逻辑敏感，熟悉传统行业数据挖掘背景、了解市场特点及用户需求，有互联网相关行业背景，有网站用户行为研究和文本挖掘经验尤佳；

•  具备良好的逻辑分析能力、组织沟通能力和团队精神；

•  富有创新精神，充满激情，乐于接受挑战

前三个属于硬件要求，一般而言，有专业基础(计算机、统计学、数学等相关专业)入行需要3个月以上的学习。对于非专业背景的同学，入行的时间可能需要的更长，建议给自己预留6-12月的时间。而要成为一个熟手(企业用工需求最多)则需要2-3年以上的行业经验。

Anyway,作为一门对数学和计算机都有较高要求的一门交叉学科，从事大数据是有一定门槛的，但相对于10年以上的职业生涯（国外顶尖数据科学家50-60岁仍然十分活跃），预备半年的时间来学习这个最炙手可热的技能还是很划算的。

从业务开始

学习一门技术要和行业靠拢，没有行业背景的技术如空中楼阁。技术尤其是计算机领域的技术发展是宽泛且快速更替的（十年前做网页设计都能成立公司），一般人没有这个精力和时间全方位的掌握所有技术细节。但是技术在结合行业之后就能够独当一面了，一方面有利于抓住用户痛点和刚性需求，另一方面能够累计行业经验，使用互联网思维跨界让你更容易取得成功。不要在学习技术时想要面面俱到，这样会失去你的核心竞争力。

大数据是技术工具，最终的应用需要深入理解业务企业的业务场景和商业模式，甚至有人说不懂业务就不要谈大数据，可见领域知识的重要性。值得一提的是，近几年在顶尖科学杂志《Nature》与《Science》上发表的大数据文章都是来自行业专家，而并非计算机专家，这从另外一个方面反映了业务知识的重要性。

get技能

数学知识

数学知识是数据分析师的基础知识。对于初级数据分析师，了解一些描述统计相关的基础内容，有一定的公式计算能力即可，了解常用统计模型算法则是加分。对于高级数据分析师，统计模型相关知识是必备能力，线性代数（主要是矩阵计算相关知识）最好也有一定的了解。

分析工具

对于初级数据分析师，玩转Excel是必须的，数据透视表和公式使用必须熟练，VBA是加分。另外，还要学会一个统计分析工具，SPSS作为入门是比较好的。对于高级数据分析师，使用分析工具是核心能力， SPSS/SAS/R至少要熟练使用其中之一，其他分析工具（如Matlab）视情况而定。

编程语言

对于初级数据分析师，会写SQL查询，有需要的话写写Hadoop和Hive查询，基本就OK了。对于高级数据分析师，除了SQL以外，学习Python是很有必要的，用来获取和处理数据都是事半功倍。当然其他编程语言也是可以的。

勤于学习

大数据时代的知识，没有像印刷时代对知识结构视为必须具备的“基础”知识，知识是非线性的，可以自由组合、切割，处于一种分散和游离的状态。未来，你必须具备快速自学和捕捉知识的能力，学习将从一个“知识储备，学以致用”的过程，向“知识构建，用时再学”的过程转变，学习将是一个持续的，乃至终身学习的过程。为此你需要具备一种快速而灵活的学习方式。

参与一次系统培训：

系统培训能够帮你规划并实施一个系统的学习方案，会在你起步的时候构建一个比较扎实的基础知识框架，这个过程和盖楼时先打地基的道理是一样的，地基打的越深，楼房才能盖的越高。具备项目经验的讲师会讲授很多实际工作中的项目经验，可以带领大家快速进入正确的学习通道，少走弯路。当然，培训取代不了工作实践，如前所述，多在工作中积累业务经验，技能水平才能提升的更快。

在社区快速学习：

在国外，除了大学，社区形式的学习平台(如r4stats.com、KNIME)由于知识更新快，学习时间更加灵活，形成了独特的社区学习(community learning)现象。社区里不但有初学者(freshman)，也是不少顶尖技术专家(Veteran)光顾的地方。社区是一个自由、无中心的交流学习平台，没有权威，一切都可以质疑和挑战。当然，如果要和这些高手过招，你必须先打好英语基础。未来，社区将成为从业者技能get、快速充电的重要渠道，社区或将成为继高等学校、职业学校以外的一个“无围墙”的校园。

更多大数据与分析相关行业资讯、解决方案、案例、教程等请点击查看>>>