职场小白如何学习数据分析？

作者：朱元禄（@数据分析－jacky）
链接：https://www.zhihu.com/question/56047750/answer/147451286
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
说明：我感觉这篇文章写的很好，跟我自己的理念很一致，转载一下。

　　好多初学数据分析，或想转行做数据分析的朋友，经常私信问我：数据分析是个怎样的工作？赚钱吗？可不可以转行做数据分析师？零基础或有基础，应该如何学习数据分析？希望下面的文字会对职场初学数据分析的朋友们有帮助。

　　视野决定了境界和能力，而所处的环境又决定了视野。好多人不知道什么是数据分析师，认为会熟练使用Excel就是数据分析师，如果你还会使用Excel中的一些高级功能如透视和函数等等，可能别人就认为你是牛＊的数据分析师了，如果你工作中还用到了VBA，（word天啊！），在别人眼中你就是数据分析大神了。真的是这样吗？诚然，单用Excel的确可以解决大部分的数据问题，但是作为一个数据分析师，你并不是一个基层的统计分析从业者，那么数据分析师应该是怎样的职业呢？

（一）数据分析师的职场之路

　　　　　　　　　　　　　　图1:数据分析职位分类
　　　　　　　　　　　　　　
　　数据分析的职位分类按照数据处理的不同阶段分为数据采集、数据分析、与数据挖掘三种。其中数据采集的概念是对企业来说的，是jacky企业（航航数据）在做的事，包括原始数据源的采集和地理信息数据的采集，这里受众面太窄，就不一一说了，想了解的朋友可以私信我。
　　
下面主要说下数据分析和数据挖掘的职位：

1、业务方向
大家在招聘网站中搜索数据分析的职位，大概分为两类：辅助业务的数据分析职位和数据分析师职位。
1）辅助业务的数据分析：一般在零售业里职位设置较多，该职位一定要对业务烂熟于心，对业务有长时间的积淀和理解，用数据发现业务流程中的问题，并提出合理化的解决方案，分析数据是为整个商业逻辑去做支撑。细分职位包括：市场调查、行业分析和经营分析三类。
2）数据分析师：业务方向的数据分析师，该职位招聘时一定前面有一个限定词，什么数据分析师，归结起来分为三类：产品数据分析师，运营数据分析师和销售数据分析师。
2、技术方向
技术方向主要指数据挖掘方向，分为三类：数据挖掘工程师(机器学习)、数据仓库工程师（构架师）和数据开发工程师。在互联网和金融行业岗位设置较多
普遍来说：技术方向的基础岗的工资薪酬要比业务岗的薪酬高一个等级，但是做到管理岗的话，在中国，业务岗的薪酬比技术岗的薪酬要高。

（二）数据分析从业者需具备的核心能力

　　我认为，数据分析从业者要具备四种核心能力：1、基础科学的能力；2、使用分析工具的能力；3、掌握编程语言的能力；4、逻辑思维的能力

　　　　　　　　　　　　　　图2:数据分析核心能力体系

1、基础科学的能力
可以说，在数据决策的时代，数据分析几乎渗透到企业的每个业务环节中，行业数据分析报告更是淋漓满目，发布报告的有的是世界500强企业，有的是知名的数据洞察咨询公司，jacky做为第三方数据评估机构的从业者，在看到可视化效果越来越绚丽的同时，我也忧心忡忡，大多数的数据分析报告：逻辑不见了，故事线没有了，统计学支撑没有了，金在其外，败絮其中。
统计学，数学，逻辑学是数据分析的基础，是数据分析师的内功，内功不扎实，学再多都是徒劳。
掌握统计学，我们才能知道每一种数据分析的模型，什么样的输入，什么样的输出，有什么样的作用，开始我们并不一定要把每个算法都弄懂。
如果我们要做数据挖掘师，数据能力是我们吃饭的饭碗。如果你没有数学能力，用现成的模型也好，模块也好，也能做，但一定会影响你的技术提升，当然更影响你的职位晋升。
2、使用分析工具的能力
数据分析工具：SQL、SPSS、SAS、R、EXCEL等等吧，都必须掌握并且会应用，毕竟企业需要的不是学者而是应用型人才。
3、掌握编程语言的能力
不会Python、不会R，说你懂数据分析谁都不信。
4、逻辑思维的能力
逻辑思维对于数据分析来说特别重要，不单单是数理逻辑这块，还要有逻辑学的知识。反映商业数据里，大家可以理解为去搭建商业框架或者说是故事线，有逻辑的推进，结果才会另人信服。
下面补充下做数据分析的流程逻（参考知乎网友，有改进，非原创）：
1）提出假设
2）验证假设（统计方法）
3）取数（SQL / Hive / Spark）
4）清洗和整理数据（R / Python Pandas / PySpark）
5）可视化（Excel / R ggplot2 / Python matplotlib）
6）展示给非技术人员（PowerPoint / Tableau / iPython Notebook / R Markdown）
（三）2017，数据分析学习规划
任何一门技术或学科都有其内部规律，需要有计划，有先后，循序渐进来学，jacky跟大家分享下润禄数据学院的一些经验：2017，数据分析的学习规划（因个体差异，仅供参考）
下图：橙色区域代表数据采集板块，蓝色区域代表数据分析板块，绿色区域代表数据挖掘板块。

　　　　　　　　　　　图3:数据分析学习规划（从入门到中级）

1、统计学（业务方向）与SQL（技术方向）：首要必会技
任何数据分析师从事业务方向的工作都必须会统计学，统计学的学习最好辅助SPSS或其他SAS来学，做到数据分析基本功扎实，兼顾实战性。
任何数据分析师从事技术方向的工作都必会SQL，不单是数据分析师，每一个运营、产品经理、尤其是互联网行业，一定要会SQL，基本知名互联网公司的产品经理都能写SQL。
学习中，要掌握SQL的基础语法、中级语法和常用函数，结合关系数据库系统（Oracle Database、SQL Server、DB2等）来学习SQL语句，找好方法，真的不难。
2、Python与R：不分伯仲，都要掌握
Python主要掌握基础语法，pandas操作、numpy操作、sklearn建模，学会用python编写网络爬虫爬取数据，等等。
R语言就是为了统计而存在的语言，我们要掌握R语言的基础语法、数据管理、数据挖掘建模与评估等。
以上是我们第二阶段要学的技能。
3、数据可视化
有了Python、和R的基础，我们可以就可以学习数据可视化了。运营和产品都需要学习可视化，可视化说白了，就是画图，但做为数据分析师来说，我们不能用EXCEL 来实现可视化，因为它的局限性太大了。这里也不建议花太多时间学习给非专业人士展示的Tableau，有1个小时学会Tableau足够。
Python中可视化的工具有matplotlib,seaborn,ploltly;
R中可视化工具有plot基础库、ggplot2
随心所欲，用Python和R，你就知道做数据分析工作是多么爽一个事
4、数据挖掘
这里知道要掌握基本概念，知道数据挖掘时做什么的，知道它与数据分析相比有什么不同
5、监督学习、非监督学习、模型评估
Model建模，知道模型建好后应该怎样去评估，掌握怎样用一些定量的指标，数据，数值来衡量模型建好后到底有多准确，或者说到底有多错误。模型评估的指标或计算方式选择正确与否，能够直接影响到整个项目获模型是否有效。
6、以上这些只是数据分析的入门，还有机器学习，文本与自然语言处理，分布式计算工具SPARK等。