零基础能修炼成高级分析师吗？

我进入互联网行业完全是零基础，不是零基础的数据分析，而是零基础的样本能力。零基础是什么样的？我花了三到四个月的时间找工作，最后以操作身份入职。我从来都不是数学强人。虽然我在大学里学过高等数学、统计学、SQL和C语言，但我都在低空跳过，考试也借助了我朋友的力量。现在回想起来，当时应该多学点。一开始我不会vlookup，也没人教我，Excel只能做基本操作。当时要关联多份报表，我用手快，一个个搜索复制粘贴…数据量一定要哭。后来我觉得这不是办法。所以在百度的帮助下：“Excel如何匹配多个表的数据。然后第一次看到vlokup函数。我从来没有学过，每次用都要先看网上的样例。后来我教组员的时候，他们学得比我快多了。Excel一步一步，学习依赖于搜索和思考，花时间练习和分析工作中的内容：例如，什么样的用户愿意使用我们的应用程序，哪些指标特别好。即使在此期间，我也不会有数据透视表。我记得15年初，老板给了我一个任务：在网上收集数据大约需要数万个。我不能复制和粘贴所有数据，所以我继续问：如何快速下载网页上的数据。所以知道爬虫，知道Python，但是我不知道。最后，根据教程学习第三方爬虫工具。早期学过HTML CSS，然后了解网页结构，学习Get／Post，学习正则。下载需要一个星期的时间才能加班。但还没有结束，数据是脏数据，我还需要清理。学习Excelfind再花一周时间，right,mid,replace,文本处理函数，如trim。当时我不知道这叫数据清洗，但我学到了很多技巧，即使我尽可能快地省力，也要花几天时间。当我现在写Python爬虫的时候，效率要快得多。包括文本清洗，以Levenshtein速度杠杆。加起来一晚上就完成了。任何学习都不是无用的，很多知识都是相互关联的。因为爬虫，我学习了HTML CSS，后续了解了网站结构和网站分析。了解百度统计，了解JS，学习网页端的各种指标，了解访问路径、漏斗转换、跳出率退出率等。网站上不仅可以使用这些知识。也可用于APP分析和用户行为。我们把学习当成一个点。学完这本书，我们会读这本书。事实上，我们不能发挥学习的效率。任何知识都是相关的，A知识可以应用于B知识，知识技能树应该是网状的。以上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广，除了其扎实的业务背景外，还需要瑞士军刀般的技能树，属于T型能力(一专多才)。例如，您可以看到一个页面跳出率较高。除常规分析外，还要检查网络速度、用户网络环境弱、HTML页面是否加载过多、是否使用缓存、网络DNS等。没有人会教你这些知识，但它会影响业务结果。看到这里不要害怕，虽然要多学习，但是随着学习的加深，很多知识都是共同的。就像网站分析中的转化率一样，它可以用于产品路径，不仅可以升华为桑基图，还可以分层用户。越学后面，越容易一法通万法通。驱动力实际上是零基础学习数据分析，最困难的门槛不是技能，而是学习动力。我从零开始培养数据分析师，从零开始教Excel、SQL从零教过、从零教过分析思维，从零教过Python。困难不在于这些知识，而在于你是否真的想学习。要么下载十几G的资料，要么学习，要么关注很多微信官方账号，要么学习。因为十几G的数据最终不会打开，很多微信官方账号最终都没有读。这能说明你想学习吗？零基础太容易无法开始，很难坚持，浅尝则止。没有办法开始。我不知道该学什么。我说数据分析是一门相对广泛的学科。它既有传统的商业分析方法论，也有数据时代的统计和编程。但它偏偏是任何职位任何职业都可以使用的技能，绕不过。学习是一件非常主观的事情，我们从小学到大学，几十年的学生生涯，最缺乏的能力是主动学习。高考打磨了这么多年，很大程度上是环境因素迫使人学习，没有学习的动力和习惯。大学四年后，学习可能会耗尽。我们习惯被动学习的原因是每个人都有一个问题来做一个问题，只知道公式的应用，不需要知道原则。教材辅导题海战术，内容不会超纲。被动营造整个大学习环境。现在学习数据分析，拿起书，打开PDF数据，关注微信官方账号。没有老师会纠正你的指导，也没有家庭作业来激励你训练你。我不知道哪一个在工作中经常使用，没有练习的数据主题，甚至网络上的知识质量也很难区分。没有办法开始，对吧？但这就是主动学习。心态要改变。零基础学习数据分析，最大的老师只能是自己，没有一篇文章会教人们一夜之间成为数据分析师。我带来了愿意学习并快速成长的实习生，也教过有兴趣但仍然不能带来节奏的同事。前者是主动学习，后者是停止兴趣的被动学习。因为是零基础，需要更多的主动性。数据分析技能是一个发展迅速的行业。几年前，SQL就足够了。现在你必须了解一些MR和HIVE。SparkSQL可能在几年内是必要的。如果你想在这个行业做得更好。持续学习是必要的能力。或者基础不如别人，至少学性别输。我也给出了我的建议，学习应该是为了解决某个问题而设定目标，说透彻，实战为王。无论是什么职业，你都必须或多或少地联系数据。不要先分析，而是想想你能用这些数据做什么，做一个简单的假设。我是HR，我的假设是最近招人越来越难，我是市场，我的假设是现在营销成本太高，没有效果。假设某一指标的数据因ABC等原因无法改进，我是运营商还是产品比较好。即使是学生也可以假设在学校商业区赚钱是容易还是困难。围绕假设收集、生成、组合、使用、论证和分析数据。这是麦肯锡式的思维方式，也可以作为学习数据的方式。新人很容易陷入数据的迷失:我没有数据，不知道有数据做什么，知道做什么，不知道方法。想多了，远不如有方向好用。基于假设的好处是，我首先有一个方向，不管它是否正确，至少可以根据方向进行分析。HR认为招人越来越难，可以拿出历史数据。以前招人需要下载几份简历，打几个电话，发几份Offer，最后入职。现在呢？我也可以观察各个环节的数据。这不是转化率吗？时间维度要宽一点，看看去年这个时候招人难不难，年底招人难不难，这样才能理解折线图的概念。市场专家做分析，可以拿更多的数据作为参考，假设营销成本太高，现在有多高，什么时候开始高，找出分析的时间点。效果不好，什么时候效果不好，当时市场环境有什么变化？假设市场环境发生了变化，这是另一个新的假设，可以继续进行一系列深入的研究。虽然每个人的分析效率和结果肯定是不同的，但思维可以这样训练。不是有数据才有分析，而是有分析的方向才能收集分析数据。我的学习总是以解决问题为主，而不是突然闪光。假如把数据分析的学习之旅想成一条漫长的道路，我们就不会一路走到尽头，这是没有人能做到的。相反，这条路被分成一段，每段都有一面旗帜作为目标，以旗帜为前进方向，而不是几十公里外的终点站作为目标。除了学习驱动力，好奇心还需要好奇心才能成为数据分析师。好奇心就是问问题，思考，思考，解决问题。假如你是个天生八卦的人，那么把它用在数据分析上绝对是天选分析师，好材美玉。许多人喜欢追求数据分析的工具、知识、要点和技巧。但好奇心从来没有提到过。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，这些都不是瓶颈。你学了十八般武艺，面对敌人，最后需要什么？是求胜心。数据的求胜心是好奇心。知识决定解决问题的下限，好奇心决定解决问题的上限。一个好的数据分析师会好奇、提问、思考和解决问题。我们最早推出的所有活动都没有监控系统，整个操作也缺乏数据指导。对当时的我来说，很多操作都是黑箱。我不知道发什么，怎么发生，只有一个结果输出。如果有人问我问什么，我只能做假设，可能是一、二、三点。不知道是不是这样。运营活动数增加的原因是什么？不知道。短信推送后效果如何？不知道。新注册用户的来源是什么？不知道。当时，随着公司业务线的扩大和用户数量的增加。我越来越难用Excel来做关联。当我再次向R&D提出数据需求时，CTO对我说：要不给你一个数据库权限，你自己查一下。学习和理解数据库，我告别了Excel。从几张表的接触延伸到几百张表。了解leftjoin和innerjoin的区别。了解groupby、数据结构和index。在此期间，用户数据系统需要建立，包括保留、活跃、回流、分层等指标。在网上查运营指标的应用和解释，同时查SQL的实现情况。由于对数据库的了解，很多需求都是通过更合理的要求来实现的。这是我第一次开始接触、理解和建立以业务为核心的数据系统。例如，用户已经使用应用程序很长一段时间了。我们称他为忠实用户。后来，他突然连续几周不使用它。然后我们将通过SQL找到这些用户，分析他的行为，并尝试通过电话访谈回复他。其他操作也是如此。在这个时候，我可以说我知道活跃数，为什么它上升，为什么它下降。我们向不同的用户推送短信。借助SQL，我可以查询数据的质量，但是有没有更明确的指标？比如有多少用户因为短信打开APP，短信打开率是多少？当时短链使用urlscheme，可以自动跳转到app。为了监控，我们还将参数埋在短链中。通过推送数据，观察有多少人会打开这条短信。这是衡量文案的标准，好的文案肯定会触动用户打开。我们经常把文案作为AB测试。例如，我们将使用短信营销。操作与礼物有关。当时，许多用户在网上注册后没有下载应用程序。我们有一个短信副本：这条短信的开通率约为10%。但是还有优化的空间，所以我不断修改文案，后续修改为:开放率优化到18%。因为它使用了营销心理，已经注册，符合沉默成本的暗示：我做了一切，为什么不继续，否则白注册。这种心理在旅游景点很常见，景点很坑爹，但大多数人还是会说：既然来了，那就是一种共同的心理。后续短信采用个性化方案，最终优化到25%。比最早的文案效果好三倍左右。如果你对短信效果不好奇，如果你不收集数据监控指标，那么优化是不可能的。我们可能会凭感觉写好文案，但你不知道具体的效果，数据可以。再举个例子，一开始我们借助微信朋友圈拉新用户，一开始有很多渠道，但我不知道哪个渠道效果好。然后我的好奇又犯了，哪个渠道效果好？可以优化邀请转化率吗？渠道拉新的成本是多少？由于微信的网页共享将自动带来from=timeline等参数，这仍然是促进和实施数据分析的实施，我可以通过参数过滤出微信终端浏览和访问的数据。后来，我们要求研发为不同的渠道设置参数。通过参数统计转化率，并标记新用户的渠道来源。在此期间，发现一个渠道的转化率太低。我们可以分为两种渠道，一种是登陆页面直接邀请用户注册，并添加礼品信息。一是让用户先选择礼品样式，最后在收到步骤中跳转到注册。通过对转化率的分析，后者的损失更加严重。由于步骤过于冗余，需要填写快递地址，选择礼品的吸引力不足以支持用户完成流程。于是改变了第二个渠道流程。由于有标签，不同注册渠道的用户来源可以在后续新用户的运营中采取有针对性的措施。这也是短信个性化打开率达到25%的原因之一。好奇心服务于解决问题。通过不断思考和解决问题，数据分析相关能力自然会提高。幸运的是，好奇心可以后天锻炼，也就是说，多问题，多思考问题，锻炼并不难。非数据零基础学习还会出现另一个问题，那就是轻视业务的重要性。事实上，Excel并不难成为数据分析师、SQL、缺乏统计等知识。但缺乏商业知识。一个人不懂数据，另一个不懂数据，前者更有可能解决实际问题。因为数据分析师总是为业务服务。我曾经向产品提出(不请吃饭)安排APP和Web埋点，通过用户的路径了解用户，弥补百度统计的不足。当时通过Hadop存储数据，用Hive建立离线脚本清洗、分区、加工。用户浏览产品页面、使用功能和停留时间可以构成用户肖像的基础。我曾经很好奇用户肖像是什么，因为网络上说用户的性别、地域、年龄、婚姻、财务、兴趣和偏好是构成用户肖像的基础。但是我们的业务得不到这么多数据。在我看来，用户肖像是为业务服务的，不应该有严格统一的标准。只要在业务上好用，就是好的用户肖像。就像在线视频的用户肖像会收集演员、上映时间、产地、语言和电影类型一样。它还将细分为用户是否快进，是否拖动。这些都是以业务为导向的。即使是视频网站的分析师也要看无数的电影，才能根据业务分析。否则，如何细分这么多电影类别和类型的各种指标？可以通过拖动快进