有时候，自我满足是不行的

我是一名工程师，在一家跨国公司工作。对人们来说，这是一种非常幸福的生活，但我有一些其他的梦想。我想在印度以外的地方攻读MBA。

不幸的是，这个计划没有成功——在财务和个人方面有一些问题，甚至我觉得，我这样的想法有些不切实际。

生活不就是一场又一场冒险

虽然我的MBA计划失败了，但我意识到我需要为自己制定一条新的人生路线。我研究了互联网，发现一个叫“数据分析”的新领域。我当时对商业分析没什么概念，也不太了解有哪些正式的培训计划可以学习。

经过更深层次的研究，我发现，数据分析是一个有趣的领域，但也很复杂。在我看来，为了使分析成为我的职业，我必须花大量时间来学习它。

因此，我找到了一个全日制的课堂教学项目，并发现了Praxis(在Analytics Vidhya上提供的一个横幅广告)——一个相对新兴的商学院，而且是Business Analytics的正式全职教学的先驱。Praxis有相当全面的课程，令人印象深刻的教授和越来越多的校友。

我确信这是我想要的职业，我申请了Praxis，幸运地被选中了。

改变，总是有苦也有甜

一直以来，我已经习惯了在职业选择中走相对稳妥的路。这是我第一次尝试做一些不同的事情。显然，这并不容易。

第一个挑战是适应一种不同的学术环境——鼓励辩论、讨论和批判性思维。

第二个挑战是如何应对各种各样对我来说都是全新的课题。虽然我拥有的是工程学学位，但我从来不是一个数字或技术高手。

当我选择这个课程时，课程的范畴，包括各种各样的学科，包括先进的统计数据、数据挖掘、机器学习、计量经济学、可视化等，以及像SAS和R这样的工具，起初都是相当令人生畏的。

然而，教授和同学们的出现确保了学习的效果，虽然严格，但有效，并充满欢乐。

不管学多少，都是为了这一次

Praxis的实践至关重要。

项目设计将课堂授课与案例研究、实验室和项目相结合;还有以测验、作业、考试和项目陈述的形式进行的持续评估。一些课程完全由行业专家讲授。

我们都在午夜最后期限内度过了多次不眠之夜，做项目并准备项目测试和奖励创新的测试。 通过解决各种问题，完成新课题，我有了新的自信心。知道这一切都是为我选择和喜欢的职业生涯做准备，我觉得我的努力更值得了。

第一份工作是那么有趣

学习数据分析的一年让我在这个领域找到了工作。我的第一份工作（通过校园安置计划获得）是3i信息技术（IT技术，IP通信，INFO信息）。当时他们正在建立一个数据分析团队，我们是最初的成员。

我们通常主要在Excel和R上工作，为客户创建项目演示。3i的旅程很有趣，但当数据分析公司的主管决定离开公司并开始他的创业时，这段旅程就戛然而止了。

你要更努力，成为更优秀的自己

我的下一段旅程是和纳布尔·班加罗尔(Nabler Bangalore)合作，他们迅速把我送到美国，为一家名为“Lowes”的财富30强公司建立产品推荐引擎。这是一个绝好的机会，多亏了一些优秀的同事，我努力工作，学到了很多东西。Lowes的工作文化和实践帮助我成长为一名专业人士，我也做好了领导一个团队的准备。

CarDekho正在建立他们的分析团队，我加入了他们，成为数据分析高级经理。这个角色是完全不同的，份内工作是你必须挖掘并概念化一个项目，把它交给首席执行官，使其获得批准和实施——这才是我应该研究的工作。此外，我还积极参与招聘和管理人员。

你果然适合站在更高的地方

最终，我作为数据分析负责人来到Yatra。风险很大，期望也很高。我花了一些时间安定下来，了解系统、产品、人以及数据。我们有一个专门的仪表盘团队，为C级管理人员和业务负责人构建执行仪表板。

我们有一个数据仓库小组，从不同的来源收集数据，例如预订数据、CRM数据和网络数据，并以可用的格式存储数据。然后我们有一个预测分析小组，它涉及长期项目，如客户流失分析，交叉销售和推荐引擎基于机器学习的概念。我的工作包括结束项目的交付，从概念化到实现。我的大部分时间也用于项目和人员管理。

回想生命中走过的这段旅程

从2013年我以分析学的资格毕业，到2016年在Yatra担任数据分析负责人，这是一段非凡的旅程。我将转型的成功归因于以下因素:意识到我需要做些别的事情，而不是只做我的IT工作，我已经把我的工程学完全掌握并积极地寻求一个更适合的职业。

相信我的直觉，并通过报名参加商业分析的全日制课程过渡到这个领域。

选择我的新领域—— Praxis在这个领域的持续职业生涯中扮演了一个关键的角色——确保我充分利用了这个机会，最大化了我在实践中应当掌握东西。

充满激情，在工作中永不停止学习，并在职业生涯中做出一些适时的改变。生活回到了一个正常的轨道，我正在自己开始的地方分享这段旅程!我分享的这个故事，希望可以帮助像我这样的人（想要做一些不同的事情，离开职业束缚），看到自己需要什么，以及如何规划自己的职业。

Ritesh是一名专业从事数据分析和产品管理领域(统计分析、社会媒体/数字营销)、战略、产品开发和营销等领域，工作经验超过8年的专业人士，并为BFSI、技术、教育、IT和FMCG等多个领域提供服务。

来源：analyticsvidhya

作者：Ritesh智能观 编译

这篇文章从整体框架出发，介绍了数据分析的三大层次。包括对数据分析的整体理解和认识，做数据分析的科学方法，以及数据分析相关的工具介绍。

数据分析目前在国内互联网圈的受重视程度在逐步提升，但是问题也很突出：

大家对于数据分析的认知和理解支离破碎，缺乏一个整体的、系统的思维框架；

大家的视野更多局限在数据报表、BI 系统、广告监测等领域，对于数据以及数据分析其实是缺乏深层次洞察的。

这篇文章就从整体框架出发，介绍一下数据分析的三大层次。包括对数据分析的整体理解和认识，做数据分析的科学方法，以及数据分析相关的工具介绍。

一、数据分析价值观

如何让数据分析真正发挥价值？我认为必须在

价值认同、工作定位和商业模式

三点上取得突破。

（一）数据分析的价值认同

做好数据分析，首先要认同数据的意义和价值。一个不认同数据、对数据分析的意义缺乏理解的人是很难做好这个工作的。放到一个企业里面，企业的 CEO 及管理层必须高度重视和理解数据分析的价值。你想一下，如果老板都不认可数据分析的价值，那么数据相关的项目在企业里面还能推得动吗？然后，企业内部还需要有数据驱动的公司文化。

如果大家宁可拍脑袋做决定也不相信数据分析师的建议，那么数据分析往往是事倍功半、走一下形式而已，反之则是事半功倍。

（二）数据分析的工作定位

做好数据分析，要对数据分析的价值有清楚的定位。既不要神化数据分析，把它当做万能钥匙；也不要轻易否定数据分析的意义，弃之不用。数据分析应该对业务有实际的指导意义，而不应该流于形式，沦为单纯的 “取数”、“做表”、“写报告”。在 LinkedIn 那么多年的工作时间里面，我们对数据分析的工作早已有了清晰的定位：

利用（大）数据分析为所有职场人员作出迅捷、高质、高效的决策，提供具有指导意义的洞察和可规模化的解决方案

。

当时我们还采用了一套 EOI 的分析框架，对不同业务的数据分析价值有明确的定位。针对核心任务、战略任务和风险任务，我们认为数据分析应该分别起到

助力（Empower）、优化（Optimize）、创新（Innovate）

的三大作用。

（三）数据分析的商业模式

做好数据分析，要对企业的商业模式非常了解。数据分析的最终目的还是服务于企业的增长目标，所以务必要对行业背景、业务含义、产品和用户有着深刻的认知。

还是以 LinkedIn 为例，作为企业增长的重要环节，LinkedIn 在产品设计之初就优先考虑到了数据的价值模式。首先是用户的增长、使用和活跃，然后产生大量的数据，最后根据数据进行业务变现（企业广告、企业招聘、高级账号等）和用户增长，从而不断良性循环。

只有认可分析价值、明确工作定位、深谙商业模式，数据分析才能走在正确的轨道上。

二、数据分析方法论

（一）数据分析的框架

在整个数据分析框架中，用户是数据的来源，也是数据分析最终要服务的对象。整个分析框架可以分为四大层次，依次是：数据规划、数据采集、数据分析和数据决策。

从用户、业务系统，到数据采集平台、ETL、数据仓库， 再到分析、BI、DM、AI、洞察，再到决策、行为、价值，最终回到用户。

上面整个分析框架中，越底层的占用的时间和精力越多，而顶层的耗时较少。从产生的价值来看，越底层的产生的价值越低，越顶层的产生的价值越高。大家想一下就会理解，做数据分析的过程大多时间是耗费在数据采集、清理、转换等脏活累活上面，最有价值的分析和决策部分往往耗时很少。

因此，大家做数据分析应该把重心放在最有价值的分析和决策两个层面上，并且尽可能使用工具实现底层的自动化操作。

（二）数据分析的方法论

数据分析应该帮助我们不断优化营销、运营、产品、工程，驱动企业和用户的增长，而不是为了分析而分析。在这里我给大家介绍两个方法论，一个是业务上的 AARRR 模型，另一个是分析上的学习引擎。

AARRR 是著名的 Growth Hacker （增长黑客）海盗法则，依序分别是 Acquisition（获取用户）、Activation（激发活跃）、Retention（提高留存）、Revenue（增加收入）和 Referral（推荐传播）的首字母简称，覆盖用户整个生命周期。我们在进行数据分析的时候，应该考虑用户正处于 AARRR 模型的哪个部分、关键数据指标是什么、对应的分析方法又是什么？

“ 学习引擎 ” 是《精益创业》一书中提倡的精益化运营方式，在硅谷被大小企业广泛采纳。当我们有一个想法的时候，可以采用最简可行化产品（MVP）的方式将其构建（Build）出来。产品上线后，我们需要衡量（Measure）用户和市场的反应。通过分析收集到的数据，我们可以验证或者推翻我们之前的想法，从而不断学习（Learn）和优化。

（三）数据分析的具体方法

这篇文章的目的不是介绍具体的分析方法，而是为了让大家对整个数据分析能力体系有一个系统的认知，所以我就不对每一个方法进行具体的阐述。

懂得每一种方法的原理是一回事，在业务中灵活应用又是另外一回事。以产品经理为例，可以把“用户行为 – 数据分析 -产品设计 & 优化 ”三位归于一体，在不断的实践应用中掌握各种分析方法的精髓和要义。数据来源于用户，数据分析的最终目的也是服务于企业和用户。做数据分析之前，一定要清晰业务目的和数据指标，选择科学的分析方法，用数据来指导产品和用户增长。

三、数据分析工具篇

（一）为什么工具那么重要？

“ 工欲善其事，必先利其器 ” ！

整个数据框架下面的部分可能花费了 80% 的时间和精力，但是产生了不到 20% 的价值。大家都在搭建数据采集平台、都在写代码埋点、都在做 ETL、都在建 BI 系统，哪里还有更多的时间和人力来做 Analytics 和 Insight 。

以前市面上没有好的数据分析工具，大家都只能自己去部署很多的系统、建立很多的机制，甚至雇佣三四个团队去做一件事。

今天市面上有很多好的工具来帮助我们进行数据分析，为了节省时间、资源（特别是成长型企业），大家完全没有必要内部建造一套分析系统，应该擅用好的工具来帮助自己做数据分析。

（二）选择合适的分析工具

选择什么样的分析工具，跟你的工作岗位、分析场景息息相关。每种场景都有若干种工具可以选择，有些工具也可以用于多种分析场景，关键在于你对工具的熟悉和理解。

Excel 绝对是最基本、最常见的数据分析工具了，对于数据量较小的情况，无论是数据处理、数据可视化还是一些统计分析都能支持。一旦数据量大了，这个时候就需要大型的数据库来支持。

市场营销人员需要对广告投放进行数据分析，网站流量监测是他们关注的重点。产品和运营重点关注用户行为和产品使用，用户行为数据分析工具是他们的首选。

以前大家只关注业务数据，然而这些结果型的数据并不能告诉他们中间发生了什么、为什么发生；现在大家越来越关注精细化运营、对用户行为数据的需求也越来越高，这也是我回国创立 GrowingIO 的原因。

如果你能懂一些 R 和 Python，在数据建模、统计分析、数据科学的方向上有所发展，那么你的数据分析水平就更上一层楼了。

上面说的这三点构成了数据分析的能力体系。只有认同数据分析的价值、掌握数据分析的方法并且灵活应用数据分析工具，才能真正做好数据分析。

本文根据张溪梦演讲内容整理编辑。

作者：张溪梦，GrowingIO 创始人 & CEO

本文节选自 GrowingIO 2017 年第 3 期电子书《产品经理数据分析手册》

本文由 @GrowingIO 原创发布于人人都是产品经理。未经许可，禁止转载。

对于这一问题，答案是多种多样的，此文分别从实践者，观察者和预言者三种角度来分析，看完会对您有所启发。

观点1，实践者的角度来看：

大数据- 表示数据的几个维度 - 可用数据的多样性，速度，体积和可信度。此外，大数据相关技术使我们能够处理和存储4V的一个或所有特性。

数据分析- 通常意味着探索性数据分析，可视化和报告。我们可以使用大数据或典型数据来了解和探索数据，并更好地了解上下文。或回答几个商业问题。

数据科学或更早的业务分析- 让我们建立统计学，数学和机器学习模型，以获得更好的业务成果。我们可以使用大数据来做到这一点。

观点2，实践者的角度来看：

大数据只不过是非结构化数据的收集。这些数据不是特定的格式，因为它的数据集大小通常是巨大的 - 测量数十TB，有时跨越PB的门槛。大数据术语之前是使用数据库管理系统（DBMS）进行管理的非常大的数据库（VLDB）。

大数据分析是检查大量和多样化数据集（即大数据）的过程，以发现隐藏模式，未知相关性，市场趋势，客户偏好和其他有用信息，可帮助组织做出更明智的业务决策。由专业分析系统和软件驱动，大数据分析可以指出各种业务收益，包括新的收入机会，更有效的营销，更好的客户服务，提高运营效率以及竞争对手的竞争优势。

虽然这些定义可能听起来很简单，但它们是相当复杂的领域。大数据和分析涉及很多步骤和技术。其中一些是数据采集，出生的数字数据，出生的模拟数据，非关系数据库，内存数据库系统，混合数据存储和处理系统 - Apache Hadoop和数据挖掘。

此外，使用弹性搜索，变得更加容易理解大数据。它用于网页搜索，日志分析和大数据分析。还有许多其他工具，但Elasticsearch更受欢迎，因为它易于安装，扩展到数百个节点，没有额外的软件，并且由于其内置的REST API而易于使用。

Google的AlphaGo计算机在Go游戏中击败了世界冠军Lee Se-dol，Data已经成为新的货币，全球政府已经开始大力投资智慧城市。围绕大数据的炒作终于结束了，在2017年的今年，我们可以预期数据在数量和种类上都会大幅增长。

观点3，预言者角度分析：

HADOOP将成为WIDESPREAD

今年，我们将看到Hadoop采用的激增以及组织的其他相关解决方案。随着Hadoop的采用，任何规模的组织都可以使用高级分析来处理大量和多种数据。采用更高级的数据库，如MemSQL，Exasol等，已经成为组织成功的关键。

IOT，云和大数据的收敛

随着几个互联网连接的IoT设备的出现，大量的结构化和非结构化数据的涌入。这些数据中的大部分部署在云服务中。该数据将驻留在包括Hadoop集群到NoSQL数据库的几个关系和非关系系统中。云迁移十大注意事项

混合现实

混合现实将改善数据可视化AR和VR在过去几年中赢得了客户的极大的关注。随着神奇宝贝的推出，增强现实在几个星期内就已经获得了大约1亿用户。虽然AR或VR可能对大公司来说可能不是很有用，但混合现实的概念可能非常好。混合现实将虚拟世界与现实世界结合起来，像微软全能组织这样的设备已经在吸引人。混合现实将为组织提供更好的执行任务以及更好地了解数据的巨大机会。chatbots上升的前五大平台

深度学习

深度学习是基于神经网络的高级机器学习形式。深度学习有助于从大量非结构化数据中识别特定的兴趣项目。从大量的结构化和非结构化数据中学习是非常有用的。因此，企业和组织应该更多地关注深度学习算法来应对数据的大量涌入。数据虚拟

化今年数据虚拟化将呈现强劲势头。数据虚拟化能够从大量数据中解锁隐藏的概念和结论。它还允许企业和组织随时检索和操纵数据。

结论

如前所述，今年将是一个令人兴奋的一年，大数据和分析系统将成为组织的首要任务。这些系统预计运作良好，履行对企业价值的承诺。

想了解更多关于大数据分析的精辟观点，加大数据学习交流8群640193172，或者去看BAT大数据专家私人圈TBanna521。

大数据分析师是指基于各种分析手段对大数据进行科学分析、挖掘、展现并用于决策支持的人员，在国内顶尖互联网公司，大数据分析师的薪酬可能要比同一个级别的其他职位高20%至30%，且颇受企业重视。现在魔据教育大数据培训专家就来和大家说一说，一个大数据分析师需要掌握的知识技能。

大数据分析师的能力体系　　

如下图：

1.数学知识

数学知识是大数据分析师的基础知识。对于初级大的数据分析师，了解一些描述统计相关的基础内容，有一定的公式计算能力即可，了解常用统计模型算法则是加分项。对于高级数据分析师，统计模型相关知识是必备能力，线性代数（主要是矩阵计算相关知识）最好也有一定的了解。而对于大数据挖掘工程师，除了统计学以外，各类算法也需要熟练使用，对数学的要求是最高的。

2.分析工具

对于初级大数据分析师，玩转Excel是必须的，数据透视表和公式使用必须熟练，VBA是加分。另外，还要学会一个统计分析工具，SPSS作为入门是比较好的。对于高级大数据分析师，使用分析工具是核心能力，VBA基本必备，SPSS/SAS/R至少要熟练使用其中之一，其他分析工具（如Matlab）视情况而定。对于大数据挖掘工程师……嗯，会用用Excel就行了，主要工作要靠写代码来解决呢。

3.编程语言

对于初级大数据分析师，会写SQL查询，有需要的话写写Hadoop和Hive查询，基本就OK了。对于高级大数据分析师，除了SQL以外，学习Python是很有必要的，用来获取和处理数据都是事半功倍。当然其他编程语言也是可以的。对于大数据挖掘工程师，Hadoop得熟悉，Python/Java/C++至少得熟悉一门，Shell得会用……总之编程语言绝对是大数据挖掘工程师的最核心能力了。

4.业务理解

业务理解说是大数据分析师所有工作的基础，大数据的获取方案、指标的选取、乃至最终结论的洞察，都依赖于大数据分析师对业务本身的理解。对于初级大数据分析师，主要工作是提取大数据和做一些简单图表，以及少量的洞察结论，拥有对业务的基本了解就可以。对于高级大数据分析师，需要对业务有较为深入的了解，能够基于大数据，提炼出有效观点，对实际业务能有所帮助。对于大数据挖掘工程师，对业务有基本了解就可以，重点还是需要放在发挥自己的技术能力上。

5.快速学习

无论做大数据分析的哪个方向，初级还是高级，都需要有快速学习的能力，学业务逻辑、学行业知识、学技术工具、学分析框架……

魔据教育大数据培训专家告诉大家：大数据分析领域中有学不完的内容，需要大家有一颗时刻不忘学习的心。

目前数据工程师已经出现在各种招聘上，很多人容易将数据工程师和数据科学家职位弄混淆。接下来我们将探讨这两个职位间的区别与联系，并分析企业在何种情况下需要其中一个，或两个都需要。

大家一直对数据科学家，数据工程师和统计分析师之间的概念是混淆的。而甚至有一些结论，是认为所有这些人做同样的工作，只是他们的称谓不同而已。我特别惊讶于听到这种答案，下面帮助大家了解数据科学家VS数据工程师的工作角色。这将帮助大家在未来的工作中选择最适合你们的工作角色。

数据科学家所具备的技能更专注于数学方法和数据分析，而数据工程师的重点是数据挖掘，云计算和编程技能。数据工程师致力于开源大数据的管理。一位数据库行业资深观察者说道，在他最近的一次硅谷之旅中，他发现，在这个作为大数据温床的地方，数据工程师这个术语已经被广泛使用。

数据工程师这个职位的产生，有部分原因是由于人们对数据科学家的能力预期过高。而现实是，数据科学家的工作描述所涉及的技能太过于宽泛。搭建数据处理集群、程序编码，学习最新的开源数据API。这些都被归结为数据科学家必须掌握的技能之一，但事实上，它们应该是数据工程师的职责范围。

工作职责

数据科学家：1、根据商业需要规划和实施数据分析项目；2、致力于数据挖掘架构、模型标准、数据报告、数据分析方法；3、与利益相关人合作在现有的数据系统中集成数据挖掘结果；4、监督数据挖掘系统性能并实施优化和改进。

数据工程师：1、设计、搭建、安装、测试和维护大规模数据管理系统；2、改进数据基础设施、业务流程和数据标准；3、在现有体系架构中集成新的数据管理技术和软件工具；4、开发用户侧软件和数据分析应用程序。

必备掌握技能

Apache hadoop，分布式计算和NoSQL数据库，是数据工程师必须掌握的几个重要技能。

对于数据科学家而言，其掌握的技能应包括数据统计，统计建模，预测建模和机器学习等。

薪资待遇

但总的来说，数据工程师并没有得到与数据科学家同等的薪资待遇。例如，据招聘网站Glassdoo统计，全国数据工程师的平均工资大概为95526美元，而全国数据科学家的平均薪水是113436美元。

当然，也有例外情况，有的数据工程师薪酬可能会突破100000美元。尽管Dice宣称并没有足够的样本数据来评估数据工程师薪水，但Melk指出了掌握类似技能人员的年薪水平，比如Cassandra(147811美元)，Pig(132850美元)和MapReduce编程(131563美元)。这表明数据工程师的薪资可以很容易超过100000美元这个水平。

职业方向：

初级数据科学-->数据科学家-->高级数据科学家-->首席数据科学家

数据工程师-->高级数据工程师-->BI架构师-->数据架构师

数据工程师和数据科学家的工作现在包含一些混合和重叠的技能。这是在任何新领域或新趋势上都存在的现象。数据工程师目前发展似乎处于上升阶段，毫无疑问的是，数据工程师的出现，表明数据管理领域一直都在发生变化。

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。

欢迎关注天善智能，我们是专注于商业智能BI，大数据，数据分析领域的垂直社区，学习，问答、求职一站式搞定！

本文是上一篇文章《全国及重点城市“数据分析”岗位需求量及工资水平分析》的续篇，从“数据分析”职位招聘单位给出的职位描述中分析各种工具的热门程度。

1.整体概览

经常看见有网友争论R和python谁才是主流的数据分析工具，网友们分门别派各抒己见。今天我们从实际需求出发，在招聘单位的职位描述中用正则表达式匹配统计常用的数据分析工具出现的频率，看看谁才是你最应该掌握的工具。

话不多说，先上图

毫无疑问，excel才是最主流的数据分析工具，在招聘单位的职位描述中出现频率远远高于其他工具（实际上居第八位的office也含有excel，其真实数据应该比这还高），作为最基础的工具，excel是一个数据分析工作者的必备技能。excel之后的4门工具分别是sqlsever、spss、sas和r，其中排名第二位的sqlsever频率高出另外两门主流数据库语言mysql、oracle近两倍，spss作为无需编程的专业统计软件也在职位描述中有较高的频率，sas则是编程类统计软件的代表，今年来火热的r语言也水涨船高，另一门火热的程序语言python在数据分析方面则要稍稍落后。

2.各职位具体情况

数据分析也有细分很多具体职位，那么不同的职位以上各种工具的要求是否存在差异呢？

表中数据显示“大数据分析师”需掌握的工具主要是r、python、hadoop、spark和java；“数据分析工程师”需要掌握的工具主要是sqlsever、r、python和hadoop，这两个职位都很看重编程开发能力。

“数据分析经理”、“高级数据分析师”和“数据分析师”需要掌握的工具大体一致，均为excel、sqlsever、spss、sas和r。

“数据分析主管”、“数据分析”、“数据分析专员”和“数据分析员”等职位对基础技能的要求更为突出，excel、ppt、word等office办公软件出现的频率较其他工具明显更高。

作为一名数据分析从业者或者想转行过来的人来说，要想有好的职业发展，首先，必须熟练掌握office办公软件，尤其是excel（不要瞧不起excel，你不一定玩得转）；其次，还需要学习一门数据库语言，sqlsever是不错的选择（mysql、oracle与sqlsever较为类似，通一门后，其他的学起来也很容易）；专业的统计分析工具也需要掌握一门，如果讨厌编程，可以选择spss，如果有编程能力那么sas和r可以选择一个学习，如果你精通python也可以用python做统计分析；如果想往大数据方向发展，或者是做数据分析工程师那就还需要掌握python、hadoop等工具。

最后附上一张数据分析职位描述的词云图，可以看出招聘单位除了看重工具的使用外，也很注重分析、业务、经验、沟通、团队等方面的能力。

本文作者：Mr.Hu，转自：一胡诌先生

在对数据分析岗位进行整理与研究时，通过对于这些岗位的企业性质、从事数据分析岗位职责、岗位要求及薪资待遇进行研究。我们对于未来的数据分析这个职业充满了希望，但是也对于这个职业二极分化充满了担忧。

一、数据分析职业概述

越来越多的企业将选择拥有项目数据分析师资质的专业人士为他们的项目做出科学、合理的分析，以便正确决策项目；越来越多的风险投资机构把项目数据分析师所出具的项目数据分析报告作为其判断项目是否可行及是否值得投资的重要依据；越来越多的企业把项目数据分析师课程作为其中高管理层及决策层培训计划的重要内容；越来越多的有志之士把项目数据分析师培训内容作为其职业生涯发展中必备的知识体系，数据分析这个职业应运而生，毫不夸张的说，数据分析师带给企业的不仅仅是一个个数据报告，更是一桶桶黄金，一片片亟待探索的蓝海。

二、数据分析职业现状分析

这个职位目前呈现是二八原则，好的数据分析师的收入是非常高，差不多平均水平在13k左右，但是处境不好的数据分析人员只能拿到跟内勤同等收入的水平。比如数据分析招聘中，185号岗位，这是一家公司需要大量招聘初级的数据分析师进行长期的培养广告公司；高级数据分析师在全国的范围内来说还是很少一个群体，主要承担对于某个数据分析项目进行建模与分析及算法研究等，这批人员一般的薪资待遇在16K以上，大多数在互联网与金融行业等利润率比较高的行业，数据分析招聘中，199号岗位，该岗位是杭州大型电商公司为其呼叫中心招聘数据分析师，待遇在P7左右，也就20-22K/月，还有盛大招聘数据分析师岗位也其实有很有代表性；最高端是一些互联网数据分析部门的管理层与数据科学家，一般是大型公司对于某个项目进行数据挖掘研究，全国也只有微软与阿里及一些从事数据挖掘公司里有这些数据科学家，一般的待遇差不多在50万以上年薪，这个大家可以关注一些互联网公司的招聘信息。

三、数据分析师的能力标准

格局是决定一个数据分析师的能力标准，一个好的数据分析师应该从行业的层面来分析公司现在所处的位置以及整个行业的分析，而且通过内外的数据得出富有逻辑性的结论，然后从这些结论中提供公司战略层面思考的策略，当然我也明白现在我们很多的分析师朋友都在沉浸在业务或者项目分析中，但是我认为格局观是决定一个数据分析师的能力标准。

数据分析师要做到基于内部与外部的数据结合通过严密的完整商业思考及严密逻辑推理，得出针对业务好坏的结论，并得出业务改进的策略。

什么内部与外部的数据的结合，我们即要看内部的数据还要结合行业的数据，而商业思考是做数据分析师通用的技能，那么结论是基本产出物，策略是分析师高级产出物。

四、数据分析师的三类素质

第一类是基本素质，第二类是通用技能，第三类是专业技能。

基本素质包括：1、聪明与好奇心；2、愿意学习并愿意能沉下心来付出；3、耐心与专注。

通用技能是核心思考能与展现自己的能力，第一点，结构化的思考能力与逻辑推理能力即智商不能差，如果是这样你看到的越多就做的越好，怎么来判断呢？第二点，良好商业感觉与商业判断能力；第三点，要有宏观思考能力，你要看到的格局要到；第四点，要有良好沟通能力。

专业能力从专业上要有基本统计学知识，从能力上要包括扎实数据分析能力与数据处理能力包括SAS\R\SPSS及tableau、FineBI等可视化表达的能力。那么高级数据分析师，我们应该更看中基本素质与通用能力，如果专业操作类分析师那么我们需要基本素质与专业技能。

五、企业要求及需备的知识点

大多数的互联网行业特别是电商行业对于数据分析师这块还是比较看重，主要的原因其主要的资产除了产品、人员就是长期积累的数据而这些海量的数据已经不能用人工经验来还原业务，这就需要数据分析师对于数据进行归纳与还原商业规则与逻辑，一般主要涉及商业分析、用户分析、产品分析、运唯支撑等这几块；从各家公司招聘信息来看，要求几乎雷同，同时也说明这个职业的互通性很强，说白了就是换个行业都可以在职场上存活下来；一般需要以下几个要求：

1、数据分析经验；

2、商业数据敏感度；

3、基本工具（SAS、SPSS、SQL、EXECEL等）；

4、建模；

5、知识点（统计学、会编程）；

六、如何获得数据分析知识点？

1、数据分析经验，大家可以每天浏览我们西线学院官网的文章，我们每天都会发布一些最新的分析实战文章；

2、基本工具类，我们西线学院帮助学员从零基础学会数据分析工具编程，丰富的知识扩展，实用性强,不掺杂无用讲解,只为给学员最极致的教学体验!

林彪作为开国十大元帅之一，指挥军队作战的能力是出了名的强，今天我们来说一说林彪作战方法。林彪是一个注重数据收集、归纳、分析并予以挖掘的将军，能够从大数据得到自己需要的信息。

林彪从参加红军带兵起就喜欢随身一个本子，用来记载战斗歼敌数量，缴获物品类型数量等信息。当时很多人都非常不解，还以为这位领导是专门用来记录自己战功的。

林彪后来带领指挥的军队人数也越来越大，就要求下属收集战场上相应数据信息，每次战役结束后都需要收集每只部队歼敌数量、俘虏数量、缴获枪支类型、汽车大小类型、物资类型数量等各种信息。俘虏要分清军官和士兵数量，枪械要区分类型和数量。

每次大型战役，林彪都会对着地图独自思考如何进攻？如何撤退？制定作战计划，而计划的制定就是依据收集的数据分析而来。

辽沈战役时，林彪指挥的东北野战军用了30小时就攻陷敌人自认为牢不可破的锦州。之后东北野战军挥师北上，途中与廖耀湘的军队碰上了，廖耀湘二十万的兵力与野战军形成混战和对峙。形势一片混乱，胜负难料。深夜时分，林彪正在指挥部研究作战计划，下属值班的参谋向林彪汇报了部队战报。其中有个部队遭遇了一场战斗，规模不大，消灭了部分敌人，其它的逃走了。参谋读战报的时候，突然林彪就叫停了，问到：“刚才胡家窝棚的战报，缴获物品注意到了么？”众人一脸疑惑，每天的战报不都差不多么，有什么特别的，众人沉默。

于是林彪问了三个问题：

为何缴获长枪与短枪比例比之前高？

为何战役中缴获击毁的小车与大车比例也比之前高？

为何俘虏的敌军军官与士兵的比例比之前的高？

众人还没反应过来，林彪指着地图说：“我猜想，不，我断定这里是敌人指挥部！”

之后林彪下令追击胡家窝棚的逃跑敌军，同时对该区域进行重点包围。针对廖耀湘的个人特点进行总结，编成歌谣：“矮胖子、白净脸、金丝眼镜、湖南腔、不要放走廖耀湘！”后来廖耀湘指挥部被团团包围，被俘虏了，但是漫山遍野的红军都喊着这个顺口溜，廖耀湘蒙混不过去，一脸无奈举手出来投降“我就是廖耀湘”。

廖耀湘十分郁闷，自己的指挥部这么隐蔽都被发现，认为这只是偶然，后来知道林彪是通过这样的方法追踪到的，大大的服了。

林彪学会应用大数据分析，从中准确的寻找到关键信息，这也许是他克敌制胜的秘诀之一。

原文标题：A Step-by-Step Guide to learn Advanced Tableau – for Data Science and Business Intelligence Professionals

作者：Pavleen Kaur ； 翻译：李清扬 ； 校对：卢苗苗；

本文共 4000字 ，建议阅读 8分钟 。 本文借助高级图表创建计算深入研究数据以提取对数据的分析，并了解R如何与Tableau相互集成和使用。

简介

“查看数据。 显示图表。 讲故事。 吸引观众。”

Tableau是当今数据科学和商业智能专业人员使用的最流行的数据可视化工具之一。 它使您能够以交互和多彩的方式创建具有洞察力和影响力的可视化效果图。

它的用途不仅仅是创建传统的图表和图表。 您可以使用它来挖掘可操作的数据解析，这要归功于它提供的大量功能和自定义。

以其易用性和简单的功能而闻名，制作如下所示的富有洞察力的仪表盘只需点击几下鼠标：

在本文中，我们将看到一些超越拖放功能的高级图表。 我们将创建计算以深入研究数据以提取对数据的分析。 我们还将看看R如何与Tableau相互集成和使用。

本文假定您掌握丰富的使用Tableau的知识，例如基本图表形成，计算，参数等。如果您不这样做，我会建议先参考以下文章，然后再返回此处：

Tableau for Beginners - 简化数据可视化

中级Tableau指南 - 适用于数据科学和商业智能专业人员

目录

1. 高级图形 - 可视化超越“显示我”

运动图

凹凸图

甜甜圈图表

瀑布图

帕累托图

2. 在Tableau中引入R编程

1. 高级图形 - 可视化超越'Show Me'

几乎所有的Tableau用户都知道各种基本图形，例如介绍仪表板中显示的那些图形。 这些图表可以使用Tableau的“Show Me”功能轻松完成。 但由于这是一篇面向高级用户的文章，因此我们将超越“Show Me”并探索需要额外计算的图表。

首先，让我们快速浏览一下我们将在接下来的几节中做什么。 以下是我们超市的销售额和利润的一些基本分析。 简单的图表可以达到与主板中的相同的目的，但我认为您会对这些图表的宏伟感到兴奋和激动。

1.1动态图表

在开始之前，先看看Hans Rosling的世界经济图表展示 #_chart-type=bubbles) 。 点击播放键，看到魔法在你面前展开。

有兴趣自己做一个类似的图表展示吗？ 不要担心如何做这些动画！你所看到的被称为动态图表。 使用此功能，您可以实时查看数据中的变化。

因此，我们首先下载可在此处找到的Superstore数据集 。

现在让趋势线如下图所示对你来说应该很容易：

但是本节我们首先要学习的是如何使下面的趋势线运动（gif动图）：

https://s3-ap-south-1.amazonaws/av-blog-media/wp-content/uploads/2017/08/23131759/2.gif

所以让我们开始吧！

导入您的数据集，并创建上述趋势图。 我们的X轴是订单日期（月份格式），销售额和利润是度量值。

您只需将“订单日期”拖到“页面”功能区，然后再次更改格式以与X轴匹配。

将标记类型从自动更改变更为圆形。

转到“显示历史记录”，然后选择“追踪”以查看趋势变化。 瞧！ 您的动态图表已准备好启动。

按箭头按钮查看动作，更改“显示历史”定制项，速度项等：

1.2凹凸图

假设你想探索Superstore各个部门的销售额（整整一年）。 其中一种方法是：

然而备选方案如下：

虽然折线图能够显示每个细分部门之间的销售差异，但凹凸图（上图）给出了更清晰和简明的相同结果图。

这些图表通常用于了解多年来特定产品的受欢迎程度如何变化。

现在让我们尝试自己创建一个：

1)首先，我们需要考虑度量单位，根据这些度量单位我们对我们的测量维度进行排名。 这里我们采取的度量单位是销售量，测量维度是部门。

2)您需要计算模块的帮助才能制作凹凸图表。 所以快速创建一个如下所示的计算。 我们将对每个细分部门的销售总额进行排名：

3)现在将“订单日期”拖到列中并将格式更改为月。 在标记窗格中将“Segment”拖动到Marks Pane里的颜色。 最后将“Rank”拖到行。

4)在你现在可以看到的图表中，排名是根据月份数量分配的。但是，我们需要他们在细分部门的基础上。 因此，右键单击行中的排名，然后转到编辑表格计算。

5)由于我们希望使用细分部门计算，请将配置更改为：

您将获得的图表看起来不像仪表板中的图表，因为它缺少标签。 让我们在双轴(Dual Axis)的帮助下快速修复：

6)再次将排名拖到行上并重复步骤4)和5)以得到：

您在Marks Pane中看到了Rank和Rank(2)吗？我们将使用这些来创建带圆圈的标签。

7)要将上述内容转换为双轴图表，请右键单击第二个图表的Rank轴并选择双轴。

8)在Marks Pane中，Rank或Rank(2)，然后将标记类型更改为圆形而不是自动。

9)这里的排名按降序排列。 要将其更改为升序，请右键单击左侧的Rank轴 - >编辑轴 - >反向比例。 对右边的Rank轴重复同样的操作。

10)最后，将“销售额”拖放到标签 - >快速表计算 - >总计百分比上，以获得我们期望的凹凸图。

1.3甜甜圈图

圆环图是初级图的另一种表现形式。 坦率地说，它是一个中间有一个洞的饼图，但它有助于更加强调各个细分市场，如下所示：

让我们了解这个区别的不同之处。

1)我们将从一个简单的饼图开始描绘每个细分部门的利润：

2)要创建饼图的双轴，将measure的number of records拖动到rows两次。 通过右键点击它们并选择最小值代替默认总和来更改每个绿色药丸的度量：

3)选择Marks Pane中的第二个饼图，并将其中的每个度量/维度拖出。 减小图表的大小，并将颜色更改为白色（尽管此处未显示）：

4)要创建双轴，右键单击第二个饼图的Y轴，然后选择双轴，以获得图表。

现在你必须明白，以上所有图表虽然在最终外观上都不相同，但都是从“显示我”功能的核心图表中获得的。 但是等一下，它还没有结束。 我有更多要展示给你。

1.4瀑布图

瀑布图的名称来自于其类似的方向和流动。在这里，我们绘制了Superstore多年来的运行销售情况，您可以在2013年中和2014年初看到两个小红色区域，表明销售额实际下降了，并且还有多少。

这意味着这些图表被用来分析一个度量的累积效应，并且看它是如何作为一个整体增加和减少的。 为了更好地理解这一点，让我们想象它。

瀑布图是折线图的衍生物，因此我们将从该图开始：

注意：这里的X轴是订单日期（以月 - 年格式并转换为离散型）, Y轴是利润

1)右键单击绿色的Profit Pill，然后选择Quick Table Calculation - > Running Total。

2)将标记类型从自动更改为甘特条：

3)创建一个名为'NegProfit'的计算字段：

4)将这个NegProfit拖到Marks框架中的Size上，得到：

计算的字段用于填写甘特图中的空间。 利润中的负值将向下延伸，而正值则会向上延伸。

图表中每个小条的长度表示利润从一个月到下一个月的变化量。

5)最后，将利润拖到颜色：

6)您可以继续前进，将颜色更改为两步变化，并清楚地查看上升和下降：

您将获得的图表也可以非常容易地以条形图的形式表示。 请注意，我在这里将颜色分置，以使其凸显出来：

但我相信你会同意使用瀑布图是一种更直观的表示数据的方式，特别是看看多年来度量的变化，例如销售和利润。

1.5帕累托图

下面我已经将一个流行的80-20数据分析原理可视化出来。 如果你还没有听说过它，让我试着用例子来解释它。我们会经常观察到超市的大部分销售来自少数几种产品。

人们不能指望面包和鸡蛋与蛋糕有相同的销售数字，对吧？ 这正式被称为80-20原则，这意味着80％的销售额来自20％的产品。 在我们的超市里，这个原则可以在下面的图表中看到，其中大部分销售是由电话和椅子生成的：

这是一种相当流行的可视化，帕累托图通常用于风险管理，以确定对项目造成最大负面影响的最常见问题; 但正如我们将看到的，它也可以有其他应用程序。

让我们看看它是如何完成的：

1)我们将从下面的图表开始。 这具有作为X轴的子类别和作为Y轴的销售。 图表按降序排列：

2)接下来，将销售额拖放到图表上，直到您看到绿色突出显示的条形和最右边的虚线轴：

3)在此处下降销售以创建双轴。 将第一个图表的标记类型更改为条形图，将第二个图表更改为直线，最终得到：

4)右键单击第二个绿色销售药丸，并为其添加运行总计算：

5)剩下的只是改变配色方案，并且您的帕累托图表已准备就绪！

2.在Tableau中引入R编程

我喜欢Tableau的一个原因是，它不仅仅是一个工具，而且意味着只需拖放操作即可创建漂亮的图形。随着2013年Tableau 8.1的发布，出现了许多新的功能。

R编程的引入使得更丰富和动态的可视化得以实现，这是主要特征之一。 R编程可与Tableau一起用于聚类、预测等技术。

我想通过Clustering开始对R和Tableau的探索，所以我使用了超流行的Iris Dataset 。 它包含不同的功能来区分3种类型的flowers，即Virginica，Setosa和Versicolor。 正如你在下面的图片中看到的那样，R编程整合很容易创建这三种物种的集群：

如果你有兴趣，可进行一下操作。首先，深入了解基础知识和安装过程，然后深入研究可视化问题！

以下描述了Tableau和R之间的控制流程，以实现此集成：

R脚本作为表计算写入Tableau，并发送到R的R服务包。在此模块执行必要的计算并将结果返回给Tableau。

注意：为了正确理解并使用此功能，您必须具备R及其各种语法的一些知识。 对于相同的你可以参考以下教程：

Learn Data Science in R from scratch:

现在让我们看看这个集成的步骤：

1)安装R -project.org)

2)安装Rserve软件包

在R命令行中运行以下命令：

3)配置Tableau以在R中运行

打开Tableau - >帮助 - >设置和性能 - >管理R /外部连接。 使用以下默认信息填写字段并选择测试连接：

所以，现在你已经准备好了适当的配料，让我们开始吧！

如上图所示，您可以使用Tableau的表计算与R进行通信：

如果您向下滚动功能列表，您将遇到以下四种情况：

当计算区域中包含这些函数时，Tableau会自动理解该脚本适用于R.

我希望你最初兴奋的制作集群仍然存在！ 我们继续。

1)从这里下载Iris数据集。

2)在Tableau中导入数据集，并制作下图：

3)在这里，您可以通过不同的度量获得总和。要获得离散值，请转至分析，并取消选中聚合度量，以获取：

4)最后，要形成群集，请在标记窗格中将类维度拖到颜色上：

我们上面有一个散点图，它显示了分为3个不同群集的数据点群集。

现在让我们尝试与R一样，并比较我们将得到的两个可视化。 我们将使用最常见的聚类算法K-Means：

1)从与上面第2点相同的散点图开始。

2)创建一个新的计算字段并填写以下内容：

为了清楚起见，上述计算是：

3)最后，将新形成的Field Cluster拖放到Marks Pane中的Color，以使您的集群准备就绪！

虽然有一些重叠，但这两个可视化确实看起来相当准确。

这是将R与Tableau集成的潜力的一个小要点。 它的应用程序是无限的，我相信你一定已经开始考虑可以与之交互的不同方式。

结束笔记

如果我说这就是Tableau的全部，这可能稍显幼稚。随着新版本的推出，新功能也将随之推出。

不仅如此，人们总是在试验和探索Tableau，并提出新的视觉效果。在很多博客里，人们也发布了其数据实验。可以搜索一下。

您还可以在Tableau官方图库页面上查找每周更新的可视化图像 。 建议你继续参考这些帖子，创建自己的视觉效果，并与社区分享。

作为一名数据探索者，保持创意并保持最佳状态！

原文链接：

译者简介：李清扬 ， 清华大学工商管理研究生在读，主修管理学。对大数据、人工智能在经济金融领域的应用感兴趣。希望能在数据派平台获得大数据前沿知识，找到志同道合的朋友，一起研究和应用数据分析工具于企业管理实践当中。

END

版权声明：本号内容部分来自互联网，转载请注明原文链接和作者，如有侵权或出处有误请和我们联系。

关联阅读：

原创系列文章：

1：从0开始搭建自己的数据运营指标体系 （概括篇）

2 ：从0开始搭建自己的数据运营指标体系（定位篇）

3 ：从0开始搭建自己的数据运营体系（业务理解篇）

4 ：数据指标的构建流程与逻辑

5 ： 系列 ：从数据指标到数据运营指标体系

6: 实战 ：为自己的公号搭建一个数据运营指标体系

7: 从0开始搭建自己的数据运营指标体系（运营活动分析）

数据运营 关联文章阅读：

运营入门，从0到1搭建数据分析知识体系

推荐 ：数据分析师与运营协作的9个好习惯

干货 ：手把手教你搭建数据化用户运营体系

推荐 ：最用心的运营数据指标解读

干货 : 如何构建数据运营指标体系

从零开始，构建数据化运营体系

干货 ：解读产品、运营和数据三个基友关系

干货 ：从0�...