数据分析这门职业很早就有，只不过随着大数据时代的到来，越来越多的企业开始重视数据资产，优秀的数据分析师也随之成为最热门的工作职位。

　　数据分析师需要理解哪些数据?今天重庆IT培训的老师就带大家来了解一下。

　　每个行业都有特定的数据类型，以下是各个行业中一些常见的数据形式，数据分析师需要根据相应的模型和数据类型进行各类分析。

　　业务类数据：当前，很多企业都在利用数据进行商业决策，通过对业务数据进行分析，可以有效改善企业运营效率、库存问题、产品、客户忠诚度等等诸多问题。

　　电子商务类数据：电子商务网站会采集大量的用户行为数据，如浏览、购买等，通过这些数据，数据分析师可以帮助电子商务网站改善用户体验、探寻行业发展趋势或研发新的产品。

　　财务类数据：在金融行业，账户、信贷、借记交易等财务数据对于企业运营来说至关重要。对于这一领域的数据分析师来说，安全、合规性、欺诈检测将是主要关注的问题。

　　政府数据：大数据有助于帮助政府制定决策、监测大众满意度，同金融行业一样，数据的安全和合规也是该行业的数据分析师最为关注的问题。

　　科学数据：借助于现有的科技技术，科学家们可以更方便的收集和分享实验室数据，而数据分析师可以帮助科学家们更好的完成数据分析。

　　社交类数据：利用社交网络数据，可以更好的进行精准营销，通过对帖子、推文、博客和其他社交数据进行分析，可以有效改善用户服务和体验。

　　医疗数据：几乎所有卫生保健机构都会针对电子医疗数据进行记录，数据分析师可以基于这些数据，帮助医疗机构改善卫生服务，并发现那些潜在隐患。

　　电信数据：如今，电子产品都在收集用户数据，这些数据需要存储、管理、维护和分析。通过这些数据，分析师们可以帮助企业更好的了解用户需求，提高用户体验。

　　其他类型数据：比如政治、公益事业、智能家电等，可以说，没有任何一个行业可以免受大数据冲击。

一：编程能力

　　是否会编程是区别初级数据分析师和高级数据分析师的分水岭。在这里，我定位的是高级数据分析师，所以编程能力尤为重要，我把它放在了第一位。

　　有关数据分析的编程语言有Python和R语言。R语言倾向于统计分析、绘图等。统计学家或者学统计学的喜欢用R语言，而我推荐学习Python，因为Python是面向未来的语言，无论从流行度、可用性还是学习难度来讲，Python都是最好的入门语言。

　　当然，如果可以的话，再掌握一下R语言是最好不过的，学习嘛，永无止尽。

　　书籍推荐《Python编程：从入门到实践》 豆瓣评分：9.0

　　当然，只有Python基础肯定是不够的，既然是学习数据分析，肯定就要有数据才行，数据从哪里来，肯定是从互联网上来。互联网上的信息何其之多，必须要对其加以过滤处理，提取我们想要的信息。这就要用到Python爬虫，这也是学Python一个很重要的目的和作用。

　　学习Python爬虫肯定比学习Python基础要困难一下，但好在网上的学习资源十分丰富，努力学习必定会有收获的。

　　关于Python爬虫的书籍，目前我还没有较好的书籍推荐，如果说实在要推荐的话，我推荐三本书：

　　《Python网络数据采集》 豆瓣评分：7.7

　　《Python爬虫开发与项目实战》 豆瓣评分：8.1

　　《精通Scrapy网络爬虫》 这是十月份出的新书，豆瓣上还没有评分。

　　知乎里面有很多爬虫大神，没事多逛逛知乎总会有收获的。

　　关于编程能力，是一个很深的概念，需要靠大量的撸代码积累经验。先暂且说到这些。

二：SQL

　　学习数据分析，最难最重要的就是编程能力，熬过去了，后面的就稍微简单一些了。

　　既然是跟数据打交道，就免不了要使用数据库。

　　目前主要有四种数据库：

　　1：SQLite 是一个文件型轻量级数据库，它的处理速度很快，在数据量不是很大的情况下，可以使用SQLite。

　　2：MySQL 是一个应用极其广泛的关系型数据库，它是开源免费的，可以支持大型数据库，很多中小型企业都是用的MySQL。

　　3：MongoDB 是一个面向文档的非关系型数据库，它功能强大、灵活、易于拓展。

　　4：Redis 是一个使用ANSI C 编写的高性能key-value数据库，使用内存作为主存储器。

　　它们各有优点，可以灵活使用，如果说非要选一个的话，我建议使用MySQL，因为它使用最广泛。学习最主流的技术，可以在一定程度上发挥更大的作用。

　　关于SQL的学习资源：

　　购买书籍推荐《SQL基础教程》作者：MICK

　　豆瓣评分：9.0，好像这本书出了第二版了，建议购买最新版的。

三：数据分析能力

　　前面说了那么多，都是为了数据分析做准备。数据分析就好比亲手做一顿美食，现在食材有了(通过Python爬虫采集)，盛放美食的容器也有了(数据库)。现在就差开火做饭了，写到这感觉肚子饿了，哎呀，忍住。

　　对于数据分析，我还没有过多的涉足，总之，多看书，多做项目。

　　这里我推荐几本书(都是放在我购物车里还没有买的书)

　　学习数据分析必看的书单：

　　《Python数据分析基础》八月份的新书，豆瓣上还没有评分。

　　《利用Python进行数据分析》2013年的老书，豆瓣评分：8.5

　　《Python数据处理》六月份的新书，豆瓣上没有评分。

　　《用数据讲故事》 豆瓣评分：8.7

　　虽然我还没来得及看这几本书，但是我想认真看了之后，对于数据分析的理解肯定会更加深刻的。

四：数据可视化

　　现在美食做好了，但不能一股脑的装在碗里吧，美食讲究色香味俱全。所以要给它作一个漂亮的造型，呈现在客人面前。这就是数据可视化。

　　数据可视化需要借助工具，什么工具呢?那就是大名鼎鼎的tableau!

　　什么?你没有听说过tableau?现在听我说了也不迟，哈哈。

　　tableau是一款世界级的商业智能工具软件，tableau可以帮助我们快速的分析、可视化并分享信息。在福布斯2017年公布的《10大需求增长最快的职场技能》报告中，tableau高居第三，成为数据分析和可视化的职场必杀技。

　　说了这么多，咱们还是好好聊聊怎么学习tableau吧。tableau是一款收费软件，先看一下它的价格吧：

　　image

　　果然优秀的软件都是收费的，而且还贵的要死。

　　但是，tableau的良心之处在于：学生和教师可以免费使用tableau，只需要用我们的学生证信息去免费申请一个序列码，然后就可以下载激活该软件，有效期为1年，如果一年后还是学生的话，还可以用学生证再去申请一个序列号，然后再免费用一年。

如何成为一名数据分析师？不仅取决于你的技能和经验，还有教育和培训，都是你成为数据学家的过程中的重要因素。如果全部具备，那么你的数据分析事业将会变得更加顺利。

数据分析师的薪水

数据分析是一个快速增长和利润丰厚的行业，BLS预测到这个行业职位将在2024年前增长11％。数据分析师目前正是一个热门的职业。在Glassdoor的美国50年最佳职位报告中，数据分析师的职位空缺，薪水和总体满意度评级，在各行业中均名列前茅。以下是一些与数据分析相关的最受欢迎的职位以及每个职位的平均薪水：

分析经理 - 92,249美元商业智能分析师 - 66,003美元数据分析师 - 57,768美元数据架构师 - 112,790美元数据工程师 - 90,811美元研究分析师 - 52970美元研究科学家 - 77,330美元统计员 - 71,374美元

当然数据分析师的薪资与能力是成正比的。

数据分析师的技能要求

程序设计：编程提高了你的统计技能，帮助你“分析大型数据集”，并使你能够创建自己的工具。

定量分析：分析大型数据集的一项重要技能，定量分析将提高你运行实验分析的能力，扩展你的数据策略并帮助你实现机器学习。

产品直觉：理解产品将有助于你进行定量分析，它还将帮助你预测系统行为，建立指标并提高调试技能。

沟通：可能是所有行业中最重要的软技能，强大的沟通技巧将帮助你“充分利用以前列出的所有技能”。

团队合作：就像沟通一样，团队合作对于成功的数据科学事业至关重要。它需要无私，接受反馈并与团队分享你的知识。

这些都是数据分析师必备技能，但是对初学者来说面对大量的数据，还是会感觉到困扰。

CDA数据分析员是中国商业联合会数据分析专业委员会针对企业基础数据分析岗位推出的基础项目。帮你从小白一步步进阶到数据分析大师。

课程架构

数据来源：互联网数据；内部数据；调研数据；

数据处理：清洗与加工；

数据分析方法：描述分析；推断分析；方差分析；回归分析；时间序列；聚类分析；因子分析等，更多数据分析方法咨询课程老师喽！！

报告展示：优秀作品展示；数据可视化

授课方式

CDA数据分析员采取远程学习方式，课件由行业内专家、讲师录制而成。

采用远程学习，可以让任何人在任何时间、任何地点，从任何章节开始学习任何课程，其便捷、灵活的“五个任何”，在学习模式上最直接体现了主动学习的特点，充分满足了现代教育和继续教育的需求。

加入课程后，你将从零开始，熟悉完整的数据分析流程，掌握从数据清洗到数据可视化各环节的关键技能，最终成为顶尖数据分析师，获得国家认证。

从普通运营到高级运营，你可能需要具备很多的技能，每个人的专长可能各有侧重，但是有一项你必须掌握，那就是数据分析。

最近听到自己的闺蜜不断的抱怨某节课的高级运营进阶课程好难，太多与数据相关的案例和作业，自己完全没有基础，也不懂数据分析，后悔莫及。其实，从普通的执行层运营到高级运营没有捷径，但是却有一个必备的技能，就是说了千万遍但还是被你忽略的“数据分析”。

大数据时代，数据是一家企业的导航仪，同样也是运营工作的坐标，任何的商业行为，最终都要在数据上体现成果，越来越多的企业专门设立了数据运营，数据分析师等岗位。甚至在招聘网站上随意搜索的运营岗位，工作职责中基本都会涵盖部分数据分析的能力要求，对于运营人来说，拥有数据分析的能力已然成了快速进阶的加速器。

这些应该足够引起你对数据分析的重视。数据分析已经不单单是一种专业垂直的能力，从用户运营，产品运营，新媒体运营，内容运营，渠道运营，活动运营等每个职位本身来讲，都需要数据来追踪效果，得到反馈。

很幸运曾经在专业的数据分析公司做了一年的运营，跟着阿里系的高级数据分析师学习了数据分析以及数据驱动产品和运营的本质内核，今天就从案例和数据分析的方法和价值上讲讲为何你需要这项技能来进阶。

数据驱动运营，运营工作的本质是什么你真的知道吗？

运营工作不管是做一个活动，写好一篇推广文案，还是做一次推广投放，还是管理一个用户群，都是要通过一系列的运营手段，更好的作用于一款产品，辅助产品的成长，还要管理用户的预期，打动用户，与用户建立情感连接。在此过程中，所有的运营行为，最终都要量化成对应的指标，所以，运营工作的任何一步都需要数据支撑。

数据之所以可以驱动运营和商业行为，是因为数据能够带来价值：

可以客观反映一款产品的状态和所处的阶段；做完一次运营行为，可以通过数据知道效果好不好，问题出在哪里；数据可以直接的告诉你实现某个目标的最佳路径；精细化的数据分析可以帮助更加了解用户，理解用户。

所以，数据分析需要以目标为导向，学会做数据维度的逐级拆分，以结构化思维来做运营数据的全面的，系统性的分析。哪个是最好的流量来源渠道？高质量用户的行为特征是什么？活动转化设置的转化率是多少？都是依靠数据来进行调整内容和决策。

数据分析的基本思路和框架

我们可以按照以下思路来进行运营工作中的数据分析：

1. 确定数据分析目标；2. 明确数据目标的关键影响维度拆解；3. 找出不同数据维度之间的关联和关系，从而建立起数据关系模型；4. 发现问题数据及出现的云隐；5. 针对问题数据影响维度做出相应的优化。

任何的运营行为，都可以按照此思路来进行数据的采集、整理、分析，得出我们想要的结论。

运营工作中的数据分析，需要找到当前的关键指标数据

根据企业的商业模式和产品所处的阶段，即便非技术企业也需要一些简单且关乎核心的指标数据，并持续的关注下去。

对照下表，现在你的商业模型和运营工作处于哪一个阶段，还需要什么才能进入下一个阶段？

经典的数据分析方法，百试不爽

海盗指标 AARRR

海盗模型相信做运营比较久的同学都听说过，海盗指标是经典的数据分析方法，应用范围较广泛，大部分的产品模式都可以使用海盗指标AARRR来进行数据监测，也是创业公司及前期的运营行为最需要关注的指标分类：获取用户、提高活跃度、提高留存率、获取营收、自传播，简称AARRR。

这五个指标并不一定遵循严格的先后顺序，例如：用户可能先推荐某一个产品后再购买，或者在光顾很多次之后再注册。

漏斗模型

用户GA的同学应该经常见到这个图片，目前国内的数据分析软件已经能够达到6个层级的漏斗分析，并且十分详细。漏斗模型的分析方法可以帮助你理解产品是如何获取到用户的注意力的，并且能够清晰的得知用户从最初登陆产品的一系列行为的全过程（完成一次购物，生产一些内容，分享一段信息）。

还有常见的金字塔模型、病毒式增长引擎等都是通过固定的模型进行数据分析的分析方法。

第一关键指标的驱动力

在数据分析中，能够有效驱动运营的指标并不是千篇一律，大量的虚拟指标是无效的。因此学会找到第一关键指标很重要。下面通过几个实际案例来说明一下第一关键指标的驱动力。

数据分析并不难（后面会推荐入门及进阶的数据分析书籍），但是，要在众多的数据指标中找到第一关键指标并不容易。

Linkedln 通过数据找到提升转化率的第一指标

Linkedln 是国际知名的职场社交服务，创始人雷德·霍夫曼曾效力于苹果公司及富士通公司，他深知用户的数量与结成的关系网络深度直接决定了其价值的大小，因此，他带领团队做了一系列的增长测试，通过反反复复的试验，做了大量的数据分析，最终确定新注册用户愿意邀请的朋友数量达到“4”个，能实现最大程度的邀请转化率。找到了这个关键指标就对产品和运营工作做了一系列的优化来提升增长。

同理社区型产品，都可以通过找到第一关键指标，比如新注册用户关注几个人，产生多少点赞，评论等行为，留存率会提升，流失率会降低。

MOZ公司通过减少KPI数目来更好的集中注意力

MOZ（SEOmoz）是一家成功的软件即服务（software as aService,SaaS）供应商，主要业务是帮助企业监控和提升其网站在搜索引擎中的排名，在2012年5月份公司成功融资1800万美元之后，MOZ的首席执行官兰德·费西金在网站上发表了文章，还分享了一些非常具体的关于客户从免费试用转化为付费或流失的数据。

MOZ的增长营销官副总裁乔安娜·洛德在后面的访问中提到了moz是如何处理这些指标的：“我们是非常依靠数据做决策的公司，每个团队每周都要向整个公司汇报KPI、进展、并总结。我们还在公司的墙上挂上超大的屏幕，即时显示我们的付费客户数量和试用用户数量，实现全公司层面的数据透明可以使员工随时了解情况，同时也是对公司当前进展的一个很好的提醒。”

对于一个已经找到产品与市场契合点，正在扩大规模的公司而言，保持对单一指标的专注变得更有挑战性，这并不奇怪，不同的部门都在快速的扩张，企业已经大到可以同时处理多件事务。但，即使有了各项同时进行的项目，乔安娜说，还有一个指标远高于其他指标：净增加。这个指标是总的新付费客户（包括从免费试用转化而来和直接购买收费版的客户）减去总退订客户数。

乔安娜说：“净增加有助于我们快速的发现退订量高的日子，并寻求问题，同时还有助于我们理解免费试用版的转化率表现如何。”

Moz也跟踪一些其他数据指标，如总付费客户数、昨日新增免费试用用户、以及七日平均净增加。所有这些都归结为每日平均净增加。

当MOZ进行最后一轮融资时，主要投资人之一、Foundry Group的布德拉·菲尔德建议moz跟踪更少的kpi。

“主要原因是，作为一个公司，你不可能同时影响几十个KPI。”乔安娜说：“布德拉提醒我们太多的数据会适得其反，你会迷失在并不重要的奇怪数据趋势中，很多时间还可以被浪费在报告和沟通一些并不触发行动的数据上，通过将每日KPI控制到几个很少的指标，我们能够更清晰的认识到公司的专注点在哪里，以及做得好不好”

Moz是一家指标驱动的公司，但这并不意味着它被海量数据所淹没，他们专注于唯一一个高于一切的指标：净增加。同时跟踪很多指标很了不起，但也是一条让你失去专注度的不归路。

Solare只关注少数几个关键的指标

Solare Ristorante 是一家意大利餐馆，餐馆的主人兰迪是一名连续创业者，具有技术和数据方面的背景，曾任Teradata 咨询公司总经理，并成功卖出过五家技术创业公司。

他把数据驱动的思维引入参观中,并一直在寻找关于商业指标的例子，他们在一天晚上成功的找到了这个数据：“24”。

他解释数字的含义：“每天，员工都会告诉我前一天人工成本占毛收入的比例，这是餐饮业的很出名的数字，它非常有用，因为它结合了两个你有所掌握的东西：用餐人均消费和人力成本”

“如果人力成本超过了毛收入的30%，就说明餐厅运营的不好，因为这意味着你可以在人工上投入过多，或者顾客人均消费太低。”一家米其林星级餐馆之所以雇得起更多的员工，支付得起更高的工资，就是因为它的红酒售价昂贵且人均消费很高，相反，一家低利润的休闲餐厅必须压低人工成本。

兰迪还使用了一个次级指标预测顾客量，每天下午5点，他的员工会告诉他当晚收到的预约量，如果在5点收到50桌预定，那今晚的孤客量就会在250桌左右，两者之间的比例通常是5：1.它使solare团队能做出及时的调整，增减当班人数或购进更多食材，以应对当晚的客流量。

荐书：学习数据分析的经典书籍

《精益数据分析》精益数据分析是最经典的一本书，很多数据分析师当作教科书来用。

《谁说菜鸟不会数据分析》

这系列有三本，是入门级别的书籍。

再深入一点的同学，可以学习下面的几本：

《深入浅出统计学》

《深入浅出数据分析》

数据分析是一门技术，更是运营人必会的技能，没有数据支撑的运营就好比盲人摸象。想做好运营，一切用数据说话。

指标与维度是数据分析中最常用到的术语，它们非常基础，但很重要，只有掌握理解了，才能更好的开展数据分析工作。

1、指标

指标，用于衡量事物发展程度的单位或方法，它还有个常用的名字，度量。例如：人口数、GDP、收入、用户数、利润率、留存率、覆盖率等。很多公司都有自己的KPI指标体系，就是通过关键指标来衡量公司业务运营情况。

指标需要经过算法实现，并且是需要在一定的前提条件进行汇总计算，如时间、地点、范围，即常说的统计口径与范围。

指标可以分为绝对数指标和相对数指标，绝对数指标反映的是规模大小的指标，如人口数、GDP、收入、用户数，而相对数指标主要用来反映质量好坏的指标，如利润率、留存率、覆盖率等。我们分析一个事物发展程度就可以从数量跟质量两个角度入手分析，以全面衡量事物发展程度。

2、维度

维度：是事物或现象的某种特征，用来衡量程度的好与坏。如性别、地区、时间等都是维度。

其中时间是一种常用、特殊的维度，通过时间前后的对比，就可以知道事物的发展是好了还是坏了，如用户数环比上月增长10%、同比去年同期增长20%，这就是时间上的对比，也称为纵比;

另一个比较就是横比，如不同国家人口数、GDP的比较，不同省份收入、用户数的比较、不同公司、不同部门之间的比较，这些都是同级单位之间的比较，简称横比;

维度可以分为定性维度跟定量维度，也就是根据数据类型来划分，数据类型为字符型数据，就是定性维度，如地区、性别都是定性维度;数据类型 为数值型数据的，就为定量维度，如收入、年龄、消费等，一般我们对定量维度需要做数值分组处理，也就是数值型数据离散化，这样做的目的是为了使规律更加明 显，因为分组越细，规律就越不明显，最后细到成最原始的流水数据，那就无规律可循。

只有通过事物发展的数量、质量两大方面，从横比、纵比角度进行全方位的比较，我们才能够全面的了解事物发展的好坏。

其实在实际数据分析的过程中也参照以上思想。通过大量的数据分析软件工具应用可以发现，主要包括以下内容：

整体情况分析和汇总：全局数据的概况、变化趋势、占比等多维度分析：如果是日志数据，已经存在多个数据项，以某一个数据项作为主关键词汇总分析，同比、环比变化，占总数的变化。如果没有日志数据，则需要想清楚解决这个问题原因是什么?需要采集哪些数据项?重要场景问题分析:根据分析的重要问题、用户关心的问题进行分析软硬件性能管理：告警管理、报表管理、基础参数配置和用户管理等

作者：CDA数据分析师

大数据分析与数据分析这几年一直都是个高频词，很多人都开始纷纷转行到这个领域，也有不少人开始跃跃欲试，想找准时机进到大数据或数据分析领域。如今大数据分析和数据分析火爆，要说时机，可谓处处都是时机，关键要明了的一点是，大数据分析和数据分析两者的根本区别在哪里，只有真正了解了，才会知晓更加适合自己的领域是大数据分析师还是数据分析师。毕竟职场如战场，时间就是生活，不容儿戏，更不容怠慢。下面我来好好告诉大家两者的本质区别到底是什么！

大数据分析：指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》 中大数据分析指不用随机分析法（抽样调查）这样的捷径，而采用所有数据进行分析处理，因此不用考虑数据的分布状态（抽样数据是需要考虑样本分布是否有偏，是否与总体一致）也不用考虑假设检验，这点也是大数据分析与一般数据分析的一个区别。

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。

大数据分析与数据分析最核心的区别是处理的数据规模不同，由此导致两个方向从业者的技能也是不同的。在CDA人才能力标准中从理论基础、软件工具、分析方法、业务分析、可视化五个方面对数据分析师与大数据分析师进行了定义。

【数据分析师的要求】

数据分析师的理论要求：统计学、概率论和数理统计、多元统计分析、时间序列、数据挖掘。

工具要求：必要：Excel、SQL可选：SPSS MODELER、R、Python、SAS等

分析方法要求：除掌握基本数据处理及分析方法以外，还应掌握高级数据分析及数据挖掘方法（多元线性回归法，贝叶斯，神经网络，决策树，聚类分析法，关联规则，时间序列，支持向量机，集成学习等）和可视化技术。

业务分析能力：可以将业务目标转化为数据分析目标；熟悉常用算法和数据结构，熟悉企业数据库构架建设；针对不同分析主体，可以熟练的进行维度分析，能够从海量数据中搜集并提取信息；通过相关数据分析方法，结合一个或多个数据分析软件完成对海量数据的处理和分析。

结果展现能力：报告体现数据挖掘的整体流程，层层阐述信息的收集、模型的构建、结果的验证和解读，对行业进行评估，优化和决策。

【大数据分析师的要求】

理论要求：统计学、概率论和数据库、数据挖掘、JAVA基础、Linux基础。

工具要求：必要： SQL、Hadoop、HDFS、Mapreduce、Mahout、Hive、Spark可选：RHadoop、Hbase、ZooKeeper等

分析方法要求：熟练掌握hadoop集群搭建；熟悉nosql数据库的原理及特征，并会运用在相关的场景；熟练运用mahout、spark提供的进行大数据分析的数据挖掘算法，包括聚类（kmeans算法、canopy算法）、分类（贝叶斯算法、随机森林算法）、主题推荐（基于物品的推荐、基于用户的推荐）等算法的原理和使用范围。

业务分析能力：熟悉hadoop+hive+spark进行大数据分析的架构设计，并能针对不同的业务提出大数据架构的解决思路。掌握hadoop+hive+ Spark+tableau平台上Spark MLlib、SparkSQL的功能与应用场景，根据不同的数据业务需求选择合适的组件进行分析与处理。并对基于Spark框架提出的模型进行对比分析与完善。

结果展现能力：报告能体现大数据分析的优势，能清楚地阐述数据采集、大数据处理过程及最终结果的解读，同时提出模型的优化和改进之处，以利于提升大数据分析的商业价值。

综上大数据分析与数据分析的根本区别就是分析的思维与分析所用的工具不同。大家在求职或转行过程认清自己对两者的偏好和自己的兴趣所在，以及自己的能力更适合在哪个领域发挥，还有自己所在城市对两者的职业需求，综合天时地利人和三个条件，我们才能做出更理智更客观更科学的抉择。

李志雄网站运营专家

SEM数据分析是非常重要的一个环节，数据能确定我们如何把推广费用花得更好。在进行SEM数据分析时，常常要用到一些术语和数据指标，作为SEM专员，要了解其基本意义及其应用场景。

常用术语：

常用的术语主要有IP、UV、PV等。

IP，是指当天记录的唯一的IP数，一般以IP地址来统计。具体到SEM推广来说，主要是用来判断该IP是不是存在无效点击。

UV，即UniqueVisitor，访问网站的一台计算机客户端为一个访客。00:00～24:00内相同的客户端只被计算一次。是指当天有多少台计算机访问，一般以cookie来统计。

PV，即PageView，即页面浏览量或点击量，用户每次刷新即被计算一次。是指同一个IP地址被不同的计算机访问过的数量。PV主要用来判断网站访问深度，以及访客的质量。

那么IP、UV、PV究竟怎么区分呢？

举个例子来说，在北京某大学的一个宿舍里，今天有3个人用共享IP地址上网，且都访问了A网站，每个人浏览了10个不同页面。那对于A网站来说，则今天有1个IP数，3个UV数，30个PV数。

平均访问时长的时间长短是网站分析的一个重要指标，通常用于评估网站的用户体验，可以用于指导网站以及页面的改善。平均访问时长越长，说明网站或页面对用户的吸引力越强，能带给用户的有用信息越多，用户越喜爱。反之，对用户的吸引力越差，可用的有用信息越少，也说明网站需要优化或添加有用信息了。

数据指标

对于SEM数据分析来说，常用的数据指标是搜索引擎推广漏斗模型中的数据以及其他的一些数据指标。

搜索引擎推广漏斗模型数据指标

搜索引擎推广漏斗模型主要有展现量、点击量、访问量、咨询量和转化量5个数据指标。

展现量：在用户搜索查询时，如果账户内符合用户搜索需求的关键词被触发，该关键词所对应的创意将出现在搜索结果页，称之为关键词和创意的一次展现。一段时间内获得的展现次数称之为“展现量”（简称“展现”）。

点击量：在企业的推广结果展现时，如果用户对推广结果感兴趣，希望进一步了解企业的产品/服务，可能会点击访问企业的网站。一段时间内推广结果获得的点击次数称之为“点击量”（简称“点击”）。

点击率也是SEM专员常常用到的数据指标。点击率的计算公式为：点击率=点击量/展现量。当点击率过低时首先要检查是否是账户出问题，如账户质量过低，有可能是关键词创意无法吸引用户点击或是排名太靠后，这时可以尝试重新修改创意或出价。

访问量：如果企业的推广链接无误，用户通过点击推广结果，则会到达企业的推广网站。此时产生的数据则称之为“访问量”。网站访问量是指网站流量（traffic），是用来描述访问一个网站的用户数量以及用户所浏览的网页数量等指标，常用的统计指标包括网站的独立用户数量、总用户数量（含重复访问者）、网页浏览数量、每个用户的页面浏览数量、用户在网站的平均停留时间等。

咨询量：如果用户对网站内展现的内容感兴趣，则会咨询在线客服人员，其产生的咨询数量则称之为“咨询量”。咨询量反映了用户对于产品/服务的关注度，以及在线客服人员的工作情况。

转化量，则代表着最终的转化，是衡量SEM推广好坏的最终标准。

转化率的计算公式为：转化率=转化量/点击量。当转化率过低时要考虑几个因素。首先查看关键词是否符合受众人群搜索习惯和是否够精准，或是推广页面是否够吸引人。分析时可以结合页面访问时长和页面跳出率等其他推广数据，然后根据分析结果做出相应的优化调整。

其他数据指标

除了搜索引擎漏斗模型中常用的这5个数据指标之外，还有其他一些常用的数据指标：

网站抵达率=访问量/点击量。抵达率低说明你的网站体验不好，网站链接可能出现了问题，造成了无法访问或者访问速度慢的问题。如果抵达率偏低，可以考虑三方面原因：一、创意与推广页面主题相关性不大，可通过修改相应创意或落地页URL改善；二、落地页URL打不开或者打开速度太慢，可查看推广URL速度报告解决；三、推广页面用户体验欠佳。

网站跳出率：指某个时间段内，只浏览了一页即离开网站的访问次数占总访问次数的比例。对于某页面的跳出率算法：从这个页面进入网站没有再点击其他页面即离开的次数/所有进入这个页面的次数。对于整个网站跳出率的算法：只浏览一个页面即离开的访问次数/进入网站的总次数。网站跳出率是评价一个网站性能的重要指标，跳出率高，说明网站用户体验做得不好，用户进去就跳出去了，反之如果跳出率较低，说明网站用户体验做得不错，用户能够找到自己需要的内容。而且以后他可能还会再来光顾你的网站，提高了用户黏性。慢慢地就可以积累大量的网站用户。

优化方法：网站跳出率高低决定了这个网站的用户用户黏性如何，在搜索引擎优化中，把网站跳出率作为相对重要的考核标准之一。网站跳出率的优化方式：提升网站的访问速度；关注浏览器的兼容性；网站导航加搜索；增加相关性强的内容；巧妙的锚文本。

平均点击价格计算公式为：消费/点击量，它的调整可以更好地控制推广成本。

ROI（returnoninvestment），即投资回报率，等于利润/投入的百分比。

我觉得无论什么工作兴趣最重要，要做数据分析师最基本的就是不讨厌数字，如果你跟他讲那个指标是通过怎么样的乘除加减得到的，他会觉得不耐烦，那么显然他不适合做数据分析;如果对数据较敏感，能够一眼发现异常值，数据分布情况，当然是最好的。

再则就是逻辑性，可以让他试试爱因斯坦的那道经典的逻辑题，看看能否解出来，需要多久;逻辑思维对数据分析尤其重要，不然会被各种指标的定义规则、与业务的联系纠结死，逻辑思维好的人写SQL等数据处理脚本也会更加高效。

接着是业务理解能力，最简单的就是让他定义下网站的目标是什么，哪些指标可以作为KPI，用户从进入网站到达成网站目标的整个过程是怎么实现转化的，能否画出业务流程图。(宏观层面，不要深入细节)

如果偏技术则需要懂一些数据库结构和SQL，如果偏展现需要考验下对图表的掌控能力，什么时候用什么图表合适，甚至如何配色。

最后就是细心、耐心和交流能力，做数据分析有时会很纠结，细心和耐心是必需的，好的交流能力可以让数据分析师更好地阐述清楚各类问题。

这些都是比较基础的东西，也是短期难以培养起来的技能。至于另外业务相关的一些知识，可以通过培训获取，问一个未接触过你的网站业务的人一些业务知识其实有些不公平，其实如果具备上面几点，一旦熟悉网站和业务之后，一定会成为优秀的数据分析师。

——谷芬芬

专业内的要求基本就是对数据的意识和一些技能的掌握。下面具体说说从一些非专业内要求的方面出发，有哪些方面能表现这个人更适合数据分析。

首先是看到数据有兴奋感的人。有兴奋感说明你有兴趣，那说明很会有意愿把数据分析好。

其次是愿意学习的人。你分析的内容永远不会一尘不变，即使你分析的主题是相对固定，但业务是变化的，你需要不断的学习业务，同不同人沟通，吸收别人的观点。所以分析师一定要报着学习的态度。

然后是逻辑思维较强的人。数据分析师想要把你的分析好，一定要有结论思维。

还有就是较强的表达与沟通能力。因为数据分析最终价值的实现，一般来说不会是分析师亲自去制定或者实施。所以你一定很有条理、逻辑清晰向别人表达，让业务方认识到你分析结果的价值，从而影响业务方去愿意使用你从数据中得到的观点。

——欧阳帅

觉得还是应该先看清楚自己的未来的方向吧~

我有不少朋友 非数学/计算机/统计学 专业毕业的朋友走的是这个方向，数据相关，非技术路线，更偏向于市场方向，对技术的要求只是Excel、PPT，最多要求SPSS，很少要求会写SQL。这条路线看起来比较高大上，可以走外企路线。

数据分析师方向，很多读数学、统计学、计算机的童鞋会选这个方向，终极目标都是成为数据中心的负责人。中间有2个分叉，一条是从数据分析师到数据产品经理，这个路线最近很流行，主要是结合了数据分析和产品经理的能力。一条是高大上一点的数据挖掘方向，这条路线要求比较高，但薪资也高。当然能走数据挖掘路线是很多数据分析师的梦想，但算法和代码实现能力不是谁都能掌握的。.

根据你自己想走的路，加上自己的技能点。

——张锦华

想了解更多相关内容，记得持续关注我们哦。

如果你觉得有点意思，请有秩序的评论、转发、收藏。

数据分析师这个职业越来越火，越来越多的人想往这个方向发展。

有在校生，也有转行的小伙伴来咨询数据分析师这个职业的相关问题。

从大部分情况来看，大家对于数据分析师的职业发展和技能非常关心。

那么别的先不说，数据分析入门到底要学什么？怎么学？

Excel

作为数据分析师，Excel是必备技能。Excel 是经过检验的可靠的数据分析工具，它广泛存在，非程序人员也能便捷操作，所以大多数企业即使也使用其他工具，但 Excel 工具还是他们的不二选择。

统计学

统计学同样是数据分析师的必备技能之一，你只有学好了统计学才能谈得上数据分析。统计知识会要求我们以另一个角度看待数据。当你知道AB两组的差异用平均值看是多傻的事情，你的分析技巧也会显著提高。如果你想成为一名出色的数据分析师，那么你就必须要会统计学。

推荐图书：《深入浅出统计学》

大概是最啰嗦的深入浅出系列，从卖橡皮鸭到赌博机的案例，囊括了常用的统计分析如假设检验、概率分布、描述统计、贝叶斯等。书本注重应用和趣味性，数学推理一般。

SQL

sql是所有数据库查询的语言，sql非常容易入手。

针对不同的数据库，如mysql、sqlserver、oracle等，sql语法会有所不同，但是总体上大同小异，只是细微处的差别。

而且如果你有数据库基础的话，只需要找些sql查询的习题来做一下，就会很快的得到提高。

推荐图书：《MySQL必知必会》

学习 SQL 的入门书，薄册子一本，看起来很快。SQL 是个性价比很高的技能，简单而强大。任何想进一步提高自己数据分析技能的产品/运营/分析师 同学，都建议点亮 这个技能点。

数据分析思维

作为一名数据科学家需要很挑剔，并且善于发现他人会遗漏的东西。那么我们应该如何做到像数据科学家一样思考呢？

梳理分析思路，并搭建分析框架，把分析目的分解成若干个不同的分析要点，即如何具体开展数据分析，需要从哪几个角度进行分析，采用哪些分析指标（各类分析指标需合理搭配使用）。同时，确保分析框架的体系化和逻辑性。

推荐图书：金字塔原理

金字塔的基本结构是：中心思想明确，结论先行，以上统下，归类分组，逻辑递进。先重要后次要，先全局后细节，先结论后原因，先结果后过程。

行业知识

对于数据分析师来说，业务的了解比数据方法论更重要。而且业务学习没有捷径。这一部分也没有什么书可以看的了，基本都靠搜索，总结，思考，再搜索，总结，思考。

在网络，移动设备，传感器，社交媒体，交易应用程序，日志文件，大数据等实时数据泛滥的情况下，发现了大量垂直市场应用程序，从诈骗检测到科学研究。无论涉及重大隐私问题或企业困难的挑战如何，仅在2017年，大数据投资就获得超过570亿美元的增长势头。预计未来三年的投资将以约10％的年增长率进行增长。

大数据分析所需的基本资源

大数据咨询已成为软件开发服务提供商的可行选择。无论是营销还是品牌实施的新产品，公司都不会轻易作出决定。当提到任何重大举措时，企业都会寻找他们客户提供的数据，以确保公司正朝着观众遵循的方向发展。

从点击流数据到购物车上的信息，都有大量的材料需要筛选，这就是为什么企业支付高价值的大数据咨询服务才能理解这一切。对于新职业市场的人来说，大数据分析是一个不错的选择。 当然，必须熟悉开始处理数字所需的技能和工具。

大数据分析所需的五个资源如下：

1.完成MATLAB Mastery Bundle

MATLAB或Matrix是一个多范型数字计算空间和编程语言。用外行人的话来说，它是一种工具，它使得编写代码，运行脚本以及执行数据分析和可视化等任务变得轻松易懂，从而解决复杂问题，而这些代码还不那么复杂。

2. Python Power Code BONUS Bundle

市场上有许多重要的编程语言可供选择，数据分析师使用其日常任务和职责中的很多。但是，如果有人要先学习，那就是Python。 Python语言被誉为用户友好型以及直观性。此外，它拥有众多的功能，这使它能够处理数据争夺。 70小时的培训通过展示如何下载，提取，清理，汇总，分析和可视化数据，开始了编程教育。

3.大数据和分析主工具包

数据分析师和高级分析咨询人员使用大量的语言和工具来获取角色，这并不足为奇。这四个模块集合为数据库添加了四个重要的分析工具，即Minitab，SPSS，SAS和R Studio。

4.使用Tableau Desktop 9 Bundle进行数据可视化

通过交互式仪表板分析和呈现数据以完全挖掘信息的主要工具之一是Tableau 9.这个收集将使您了解Tableau。因此，可以开始创建自己的可视化数据。

5.完整介绍R编程包

R的核心是一种统计编程语言，它非常适合挖掘和分析数据。但是，它也具有高级图形和机器学习功能，在数据可视化和集成复杂算法方面提供了一些独特的优势。在五门课程和三本电子书中，收集指导通过要点使用R来充分发挥潜力。

大数据优势

大数据应用程序可让数据科学家，统计人员和其他分析专业人员分析越来越多的结构化数据以及其他形式的数据，而这些数据往往不被传统的商业情报和分析程序所利用。这涵盖了非结构化和半结构化数据的组合，例如互联网点击流数据，网络服务器日志以及来自客户电子邮件的文本，机器数据，社交媒体内容和通过连接的传感器到事物互联网的呼叫细节记录。

在更大的范围内，数据分析技术迎合数据集分析的手段，并最终帮助企业做出充分知情的决策。商业智能查询回答关于业务绩效和操作的基本查询。大数据是一种高级分析，涉及复杂的应用程序元素，如预测模型，统计算法等。

用数据咨询创造新的增长机会

数据分析可以创造大量新的增长机会。此外，它甚至可能会产生一个新的业务类别，例如分析和汇总行业数据的类别。大多数企业将处于大量关于服务和产品，供应商和买家，消费者偏好和意图以及更多信息流的信息中。

各行各业的企业都应该开始大力创造数据功能。除了广泛的数据外，数据的高频率和实时性也是至关重要的。通过数据分析，实践被更广泛地使用。

今天的大数据和分析应用市场真是巨大。世界各地的软件开发服务提供商提供了大量的数据咨询工作。现在，大数据体验意味着更有可能从软件开发组织获得有利可图的工作。市场很大，有一系列的项目，交易，服务和合作关系。咨询服务可能会有所不同，具体取决于组织的特定要求，以及需要利用数据分析和解决方案的功能，这些功能可以简化业务流程。