中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

寫這個系列，是希望在當初知乎某一個回答的基礎上，單獨完善出針對互聯網產品和運營們的教程。不論對數據分析或數據運營，我都希望它是一篇足夠好的教材。更準確地說，這是一份七周的互聯網數據分析能力養成提綱。

我會按照提綱針對性的增加互聯網側的內容，比如網站分析，用戶行為序列等。我也不想留于表面，而是系統性講述。比如什么是產品埋點？在獲得埋點數據后，怎么利用Python / Pandas的shift ( )函數將其清洗為用戶行為session，進而計算出用戶在各頁面的停留時間，后續如何轉換成統計寬表，如何以此建立用戶標簽等。

下面是各周的學習概述。

第一周：Excel學習掌握

如果Excel玩的順溜，你可以略過這一周。不過介于我入行時也不會vlookup，所以有必要講下。

重點是了解各種函數，包括但不限于sum，count，sumif，countif，find，if，left/right，時間轉換等。

Excel函數不需要學全，重要的是學會搜索。即如何將遇到的問題在搜索引擎上描述清楚。

我認為掌握vlookup和數據透視表足夠，是最具性價比的兩個技巧。

學會vlookup，SQL中的join，Python中的merge很容易理解。

學會數據透視表，SQL中的group，Python中的pivot_table也是同理。

這兩個搞定，基本10萬條以內的數據統計沒啥難度，80%的辦公室白領都能秒殺。

Excel是熟能生巧，多找練習題。還有需要養成好習慣，不要合并單元格，不要過于花哨。表格按照原始數據（sheet1）、加工數據（sheet2），圖表（sheet3）的類型管理。

下面是為了以后更好的基礎而附加的學習任務：

• 了解單元格格式，后期的數據類型包括各類timestamp，date，string，int，bigint，char，factor，float等。
• 了解數組，以及怎么用（excel的數組挺難用），Python和R也會涉及到 list。
• 了解函數和參數，當進階為編程型的數據分析師時，會讓你更快的掌握。
• 了解中文編碼，UTF8和ASCII，包括CSV的delimiter等，以后你會回來感謝我的。

這一周的內容我會拆分成兩部分：函數篇和技巧篇。

這是一道練習題，我給你1000個身份證號碼，告訴我里面有多少男女，各省市人口的分布，這些人的年齡和星座。如果能完成上述過程，那么這一周就直接略過吧。（身份證號碼規律可以網上搜索）

第二周：數據可視化

數據分析界有一句經典名言，字不如表，表不如圖。數據可視化是數據分析的主要方向之一。除掉數據挖掘這類高級分析，不少數據分析就是監控數據觀察數據。

數據分析的最終都是要兜售自己的觀點和結論的。兜售的最好方式就是做出觀點清晰數據詳實的PPT給老板看。如果沒人認同分析結果，那么分析也不會被改進和優化，不落地的數據分析價值又在哪里？

首先要了解常用的圖表：

Excel的圖表可以100%完成上面的圖形要求，但這只是基礎。后續的進階可視化，勢必要用到編程繪制。為什么？比如常見的多元分析，你能用Excel很輕松的完成？但是在IPython只需要一行代碼。

其次掌握BI，下圖是微軟的BI。

BI（商業智能）和圖表的區別在于BI擅長交互和報表，更擅長解釋已經發生和正在發生的數據。將要發生的數據是數據挖掘的方向。

BI的好處在于很大程度解放數據分析師的工作，推動全部門的數據意識，另外降低其他部門的數據需求（萬惡的導數據）。

BI市面上的產品很多，基本都是建立儀表盤Dashboard，通過維度的聯動和鉆取，獲得可視化的分析。

最后需要學習可視化和信息圖的制作。

這是安（裝）身（逼）立（加）命（薪）之本。這和數據本事沒有多大關系，更看重審美、解讀、PPT、信息化的能力。但值得花一點時間去學習。

數據可視化的學習就是三個過程：

• 了解數據（圖表）
• 整合數據（BI）
• 展示數據（信息化）

第三周：分析思維的訓練

這周輕松一下，學學理論知識。

好的數據分析首先要有結構化的思維，也就是我們俗稱的金字塔思維。思維導圖是必備的工具。

之后再了解SMART、5W2H、SWOT、4P理論、六頂思考帽等框架。這些框架都是大巧不工的經典。

分析也是有框架和方法論的，主要圍繞三個要點展開：

• 一個業務沒有指標，則不能增長和分析；
• 好的指標應該是比率或比例；
• 好的分析應該對比或關聯。

舉一個例子：我告訴你一家超市今天有1000人的客流量，你會怎么分析？

• 這1000人的數量，和附近其他超市比是多是少？（對比）
• 這1000人的數量比昨天多還是少？（對比）
• 1000人有多少產生了實際購買？（轉化比例）
• 路過超市，超市外的人流是多少？（轉化比例）

這是一個快速搭建分析框架的方法。如果只看1000人，是看不出分析不出任何結果。

優秀的數據分析師會拷問別人的數據，而他本身的分析也是經得起拷問，這就是分析思維能力。需要確切明白的是，一周時間鍛煉不出數據思維，只能做到了解。數據思維是不斷練習的結果，我只是盡量縮短這個過程。

第四周：數據庫學習

Excel對十萬條以內的數據處理起來沒有問題，但是互聯網行業就是不缺數據。但凡產品有一點規模，數據都是百萬起。這時候就需要學習數據庫。

越來越多的產品和運營崗位，會在招聘條件中，將會SQL作為優先的加分項。

SQL是數據分析的核心技能之一，從Excel到SQL絕對是數據處理效率的一大進步。

學習圍繞Select展開。增刪改、約束、索引、數據庫范式均可以跳過。

主要了解where，group by，order by，having，like，count，sum，min，max，distinct，if，join，left join，limit，and和or的邏輯，時間轉換函數等。

如果想要跟進一步，可以學習row_number，substr，convert，contact等。另外不同數據平臺的函數會有差異，例如Presto和phpMyAdmin。

再有點追求，就去了解Explain優化，了解SQL的工作原理，了解數據類型，了解IO。以后就可以和技術研發們談笑風生，畢竟將“這里有bug”的說話，換成“這塊的數據死鎖了”，逼格大大的不同。

SQL的學習主要是多練，網上尋找相關的練習題，刷一遍就差不多了。

第五周：統計知識學習

很遺憾，統計知識也是我薄弱的地方，可這是數據分析的基礎。

我看過很多產品和運營相關的數據分析文章，沒有多少提及統計知識。這是不嚴謹的。

比如產品的AB測試，如果產品經理并不清楚置信度的含義和概念，那么好的效果并不意味著真正的好。尤其是5%這種非顯著的提高。

比如運營一次活動，運營若不了解檢驗相關的概念，那么如何去判別活動在數據上是有效果還是沒有效果？別說平均數。

再討論一下經典的概率問題，如果一個人獲流感，實驗結果為陽性的概率為90%；如果沒有獲流感，實驗結果為陽性的概率為9%?，F在這個人檢驗結果為陽性，他有多少幾率是得了流感？

如果你覺得幾率有50%、60%、70%等等，那么都犯了直覺性的錯誤。它還和得病的基礎概率有關。

統計知識會教我們以另一個角度看待數據。如果大家了解過《統計數據會撒謊》，那么就知道很多數據分析的決策并不牢靠。

我們需要花一周的時間掌握描述性統計，包括均值、中位數、標準差、方差、概率、假設檢驗、顯著性、總體和抽樣等概念。

不需要學習更高階的統計知識，誰讓我們是速成呢。只要做到不會被數據欺騙，不犯錯誤就好。

以Excel的分析工具庫舉例（圖片網上找來）。在初級的統計學習中，需要了解列1的各名詞含義，而不是停留在平均數這個基礎上。

第六周：業務知識（用戶行為、產品、運營）

這一周需要了解業務。對于數據分析師來說，業務的了解比數據方法論更重要。當然很遺憾，業務學習沒有捷徑。

我舉一個數據沙龍上的例子，一家O2O配送公司發現在重慶地區，外賣員的送貨效率低于其他城市，導致用戶的好評率降低。總部的數據分析師建立了各個指標去分析原因，都沒有找出來問題。后來在訪談中發覺，因為重慶是山城，路面高低落差比較夸張，很多外賣人員的小電瓶上不了坡…所以導致送貨效率慢。

這個案例中，我們只知道送貨員的送貨水平距離，即POI數據，根本不可能知道垂直距離的數據。這就是數據的局限，也是只會看數據的分析師和接地氣分析師的最大差異。

對業務市場的了解是數據分析在工作經驗上最大的優勢之一。不同行業領域的業務知識都不一樣，我就不獻丑了。在互聯網行業，有幾個寬泛的業務數據需要了解。

產品數據分析，以經典的AAARR框架學習，了解活躍留存的指標和概念（這些內容，我的歷史文章已經涉及了部分）。

并且數據分析師需要知道如何用SQL計算。因為在實際的分析過程中，留存只是一個指標，通過userId 關聯和拆分才是常見的分析策略。

網站數據分析，可以抽象吃一個哲學問題：

用戶從哪里來（SEO／SEM），用戶到哪里去（訪問路徑），用戶是誰（用戶畫像／用戶行為路徑）。

雖然網站已經不是互聯網的主流，但現在有很多APP+Web的復合框架，朋友圈的傳播活動肯定需要用到網頁的指標去分析。

用戶數據分析，這是數據化運營的一種應用。

在產品早期，可以通過埋點計算轉化率，利用AB測試達到快速迭代的目的，在積累到用戶量的后期，利用埋點去分析用戶行為，并且以此建立用戶分層用戶畫像等。

例如用貝葉斯算法計算用戶的性別概率，用K聚類算法劃分用戶的群體，用行為數據作為特征建立響應模型等。不過快速入門不需要掌握這些，只需要有一個大概的框架概念。

除了業務知識，業務層面的溝通也很重要。在業務線足夠長的時候，我不止一次遇到產品和運營沒有掌握所有的業務要點，尤其涉及跨部門的分析。良好的業務溝通能力是數據分析的基礎能力。

第七周：Python/R 學習

終于到第七周，也是最痛苦的一周。這時應該學習編程技巧。

是否具備編程能力，是初級數據分析和高級數據分析的風水嶺。數據挖掘，爬蟲，可視化報表都需要用到編程能力（例如上文的多元散點圖）。掌握一門優秀的編程語言，可以讓數據分析師事半功倍，升職加薪，迎娶白富美。

以時下最熱門的R語言和Python為學習支線，速成只要學習一條。

我剛好兩類都學過。R的優點是統計學家編寫的，缺點也是統計學家編寫。如果是各類統計函數的調用，繪圖，分析的前驗性論證，R無疑有優勢。但是大數據量的處理力有不逮，學習曲線比較陡峭。Python則是萬能的膠水語言，適用性強，可以將各類分析的過程腳本化。Pandas，SKLearn等各包也已經追平R。

學習R，需要了解數據結構（matrix，array，data.frame，list等）、數據讀取，圖形繪制( ggplot2)、數據操作、統計函數(mean,median,sd,var,scale等)。高階的統計暫時不用去涉及，這是后續的學習任務。

R語言的開發環境建議用RStudio。

學習Python有很多分支，我們專注數據分析這塊。需要了解調用包、函數、數據類型(list,tuple,dict)，條件判斷，迭代等。高階的Numpy和Pandas在有精力的情況下涉及。

Python的開發環境建議Anaconda，可以規避掉環境變量、包安裝等大部分新手問題。Mac自帶Python2.7，但現在Python 3已經比幾年前成熟，沒有編碼問題，就不要抱成守舊了。

對于沒有技術基礎的運營和產品，第七周最吃力，雖然SQL＋Excel足夠應付入門級數據分析，但是涉及到循環迭代、多元圖表的分析部分，復雜度就呈幾何上升。更遑論數據挖掘這種高階玩法。

我也相信，未來了解數據挖掘的產品和運營會有極強的競爭力。

到這里，剛剛好是七周。如果還需要第八周+，則是把上面的鞏固和融會貫通，畢竟這只是目的性極強的速成，是開始，而不是數據分析的畢業典禮。

如果希望數據分析能力更近一步，或者成為優秀的數據分析師，每一周的內容都能繼續學習至精通。實際上，業務知識、統計知識僅靠兩周是非常不牢固的。

再往后的學習，會有許多分支。比如偏策劃的數據產品經理，比如偏統計的機器學習，比如偏商業的市場分析師，比如偏工程的大數據工程師。這是后話了。

本文由 @秦路?原創發布于人人都是產品經理。未經許可，禁止轉載。