注册有好礼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（207）
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~~~
推荐阅读
猜你喜欢
Copyright © 2004-2022 万商云集（成都）科技股份有限公司 版权所有
蜀ICP备12001963号-2
川公网安备 51010402000322号
快速找产品
扫码下载APP
全方位服务一触即达
关注万商云集
和10万中小企共成长
400-0033-166
8:30-18:00
