在我们当中的大部分人的眼里，一提到计算机专业，大家首先想到的就是高大上的专业，工作机会多并且高薪，坐在高档写字楼里面工作环境好，有房又有车，其实如果是计算机专业去了互联网公司薪水高是很正常的，可是他们要经常熬夜加班，做项目敲代码找bug，无数个日日夜夜要耗费大量精力，由于这些因素促使有的人就决心考入了体制内。国税局作为国考的招考大户，也有部分计算机专业的岗位，那么到国税局去上班怎么样？

考入到国税局的同学，有的是去局里的信息中心，主要维护税收征管网络稳定，就是清理一些错误数据，装系统，运维比较多。有些同学可能体会到县区级的信息中心在大部分领导眼里确实定位比较鸡肋，就是修电脑、当网管。如果你还是想学点东西可以学习下写sql脚本，配置数据库客户端配置trace，追踪前台的操作对应后台的sql语句，熟悉之后可以帮业务部门统计一些数据，通过后台抽取数据做一些报表分析之类，当然和互联公司的技术相对比算是比较简单的数据分析了。

也许有些同学会有幸参加一些省局的信息系统开发工作，写程序虽然比较累，不过这能逼迫你自己去学习所涉及的业务知识，对自身的业务水平提高还是挺大的。在税务系统这种部门搞技术，是需要有一定的业务知识的，比如基础的会计知识、各种税收知识等等。对每个政策都还是需要了解一下，就算跟自己没有多大的关系，但也要求有个大概印象，光懂技术是不会被认可的。尤其和业务部门沟通交流的时候，没有业务知识的基础你可能会一脸茫然。当做数据分析的工作的时候，通过技术和业务知识的支撑，做出来的分析报告才能发挥出其价值。

秦丝导读：库存积压一直是困扰着服装经营者们的一个难题，那么著名服装企业优衣库是如何做到“零库存”的呢？它的做法给了我们什么启示？

相信对于每一位服装行业的经营者来说，进到流行畅销的好货品，实现服装的“零库存”从来都是一个美好的愿望。然而，“理想很丰满，现实很骨感”，不少服装商户多多少少存在着订货不准、销售不力的问题，从而形成库存积压，货品贬值的死循环，这一直是终端店铺的痛处，反复困扰着大大小小的商户。

然而，著名服装企业优衣库却完成了“让每一款产品大卖”这一看似不可能的任务。优衣库平均库存的周转天数是83.72天，比国内服企快到一半以上，那么其“零库存”是通过哪几种方式来实现的？下面就让早参君来带大家了解一下优衣库的“独门秘籍”。

1.兼顾不同层面的消费者

优衣库在产品开发方面，采用与一般服装企业完全不同的服装开发模式。它并不局限于某些特定的消费群体，而是面向所有年龄段和性别都适合的基本款式，在这一基础上进行深度开发。

优衣库的这一做法，使得其在产品研发上的犯错率大大降低，基本不用担心某一货品遭遇“滑铁卢”而导致库存积压；同时这种做法能帮助优衣库在非标准的服装行业里面挖掘出标准化的品类，使终端管控变得简单可复制，从而实现店铺货品实现一体化的管理。

尽管优衣库的SKU(库存量单位)不高，但它对其产品进行了深度拓展，使得每一个单品基本都涵盖圆领、V领的款式，包含四到五个颜色，在不同的消费群体中都有市场。

2.在生产上留有弹性杠杆

优衣库坚持根据去年的销量制定今年的产量计划。不同于很多公司倾向于在制定计划时习惯加上一个增长率作为目标，优衣库只把今年的产量定为去年的80%，从而在这一弹性杠杆上调整产量，避免库存积压。

3.销售以数据作为唯一指标

优衣库自开创之初到现在，通过对每个店铺每个货品相关数据的收集记录，形成了一个庞大的数据库。同时优衣库对于员工收集、分析数据的能力有严格要求，每一位员工自入职第一天起便要学习如何处理数据，并最终自己创造出数据。优衣库通过实时监控、分析销售数据来制定产量，调整销售方案，最终能确保其商品的顺利销售，基本做到了“零库存。

4.利用大数据指导开店

2014年是服装行业经历严寒的一年，优衣库却在这时决定提速发展，计划每年新开80-100家店，其背后依靠的仍然是大数据的支撑。

优衣库自从进军电商领域以来，一直坚持在后台数据中分析相关购买人群的特点、单次消费金额、消费频率等，并利用这些数据指导了优衣库在中国市场的开店拓展，从而最大程度地保证了新店的销售量，避免了库存的损失。

总的来说，优衣库之所以能基本做到“零库存”这一傲人的成绩，离不开其正确战略的指导以及对于大数据的巧妙运用。在在信息化、智能化日益普及的今天，大数据、云计算等技术不断被结合运用，为服装行业的经营者们提供了更加科学可靠的手段来制定政策，抢占先机，在新浪潮中发展壮大。

那么普通的中小型企业该如何玩转大数据，实现“零库存”？秦丝科技是您的不二选择！

由秦丝科技开发的两款免费店铺管理软件，秦丝进销存（ 一款专为服装商家量身打造的进销存管理系统）和秦丝生意通（一款为广大批发或零售商户量身打造的进销存管理系统），基于大数据和智能化管理，能够为您解决经营过程中账目混乱、库存不准、信息反馈不及时等问题，同时通过大数据系统为您呈现店铺经营的各种报表，助您科学决策，及时调整进货、营销策略，最终走向“零库存”。

日常工作中，涉及到数据的表格、计算、图表和分析，大家首选的一定是Excel。

但我也看到不少知友困惑于Excel的深入学习难度，鸡肋的大数据处理效率。

比如某同事为处理七八个维度，近万条数据崩溃不已；又有人几十万行的数据把电脑频频跑崩；再者，随着多任务线之间的交叉，汇总任务呈几何级数增加……

倒不是说Excel完成不了这类任务，如果是日常的表格记录、数据计算、Excel确实无法替代。但如果说做企业管理的业务报表、庞大而又复杂的数据分析、财务分析、预算编报，Excel就很不擅长了，因为其数据不统一，也没有独立的计算引擎，数据在各个Excel文件中独立存在，数据合并非常费事。

比如，最近我媳妇入职一家新公司，任某品牌的卖场数据专员。虽然之前也是这个行业的，可并不擅长数据报表的制作。

负责交接的同事是个毕业后就入职这家公司3年多的老员工，一直在做报表这块的工作，交接的时候为了更准确，我让媳妇使用录屏软件，将他每天要做的事情都录下来。

结果发现，这家伙从早上开始，就开始问信息部要数据，然后用excel各种复制、粘贴、求和、求百分比、vlookup、再复制、粘贴、求和、求百分比、vlookup、删除、调整……，几个小时后，第一张报表诞生了……

看了录像后的我，整个人都是崩溃的，这也太逆天了。好吧，这小伙子确实厉害，操作速度绝对是一流的，LOL里至少也是钻石V。

但我可舍不得媳妇每天这样，而且对于计算机专业的我来说，只要有数据库，这些重复性的工作都是分分钟代码/工具能解决的。

考虑到会有不少需求变化，让媳妇改代码是完全不可行的，于是我就找现成的报表工具。比较了SPSS、SAS、cognos、水晶、foxtable、finereport之后，确定了报表软件finereport。从mysql建表、数据导入、制作日报、周报、月报，各种对比报表开始逐个攻破，终于在手速不低于黄金段位的我进过一个星期的努力后，全部完工了，经过和小伙子做出来的手工表进行校对，确认没有问题后，安装部署到了媳妇的办公电脑上。

几天后，小伙子离职了，从此，媳妇上班只需要早上向个卖场的负责人收集数据，然后花几分钟导入数据库，然后点点鼠标，生成各种报表，然后……先存起来，喝水、吃零食、水果，休息，上网。

所以，从效率上来讲，专业的报表工具是可以替代很多重复性的excel处理工作的，比方说FineReport，信息部门部署安装后，可以连接各业务系统数据，将常规的各业务报表，还有周报月报这些，开发成可自动抽取数据并展示的模板，做好一次，每次只要查询即可。

因为这个工具大多为信息部开发报表所用，可能很多人都不太了解！我尽量以简洁易懂的语言，从技术的角度讲讲这个报表工具，操作上为何能省时省人力，并且有可以替代数据透视表的惊艳可视化。

一、用FineReport做一张模板，可以替代N张手工重复劳作的Excel !

为什么这么说？先来了解FineReport的制表原理

1、FineReport的制表原理

做报表首先得有数据，数据哪里来？一个是直接连接业务系统或者数据库的数据，还有可以导入excel文件数据，连好数据后，开始制作模板，类似于做excel表格一样，设计展现的样式，计算的公式，最后在web端展示。

但是和excel不用，excel处理的是一个个数据，finereport制作模板时处理的对象是数据字段，模板中一个单元格放一个数据字段，web端展示时字段扩展。FineReport报表中单元格的扩展是有方向的，可纵向扩展，也可横向扩展，也可以不扩展。

单元格的扩展是针对某一个单元格，当报表主体中绑定了多个单元格时，单元格与单元格之间依靠父子格关系跟随扩展。子格的数据会根据父格的数据进行过滤分组显示，并且还会跟随父格的扩展方向而扩展。

2、三大类报表设计方式，解决日常所有报表需求，并且一表复用。

1）普通模板设计，此者最常用。依靠着单元格的扩展与父子格的关系来实现模板效果，可进行参数查询，填报报表，图表设计等。比如交叉报表、行式报表、分组报表等等。

2）聚合报表设计，针对不规则大报表。适用于一张模板中显示多个独立模块的报表，几个报表块汇总在一起的复杂报表。

3）决策报表设计，就是表单，也是dashboard，也就是大家常见的各种图表拼接在一起的可视化数据报表。

通过拖拽图表来制作，制作好的dashboard可以自己适配屏幕的大小，多以也可以做成手机端的报表，大屏可视化，下面有细讲。

以下举例一些常见的报表格式：

3、参数实现数据查询和过滤

查询报表是怎么做呢？在FineReport中，通过设置参数绑定数据字段和过滤的控件（单选框、复选框等等），通过界面输入查询条件来控制报表显示的内容及形式，而后导出打印。

很多人工作上会做周报月报季报等，有些全国性的公司有分公司、门店、办事处。经常性地要做这些重复性很大的报表。那用FineReport就可以集中将每一条数据明细上传到数据库中（填报功能，下面会讲）。在做报表时，做将一些常用的维度“地区”、“时间”、“城市”等等作为一个查询的参数控件，类似Excel中的筛选，导出。基本上一个周报模板，就解决了一些人一年52张手工excel报表的工作量。

4、填报

数据采集是一个很重要的步骤。填报就是向数据库中录入数据，用来收集数据的，就好比你注册网站时提交的邮箱、收集、用户名、密码，都会按照格式存放到数据库中。

填报也需要模板，操作流程如下：

填报模板由控件组成，文本控件、数字控件、密码控件、单复选框、网页、文件等等。控件对应着数据字段。有了填报，就可以收集数据，并且允许用户实现对数据库的增删改。出于数据质量和数据安全的考虑，还可以对填报进入的数据做校验操作。

填报最大的用处是替代了excel收集数据，做好了模板，奖模板链接发送给相关人，填完数据审核过后即可入库，省得excel传来传去，而且是在web端填写，非常方便。

二、不只是报表，还有数据可视化

酷炫的dashboard都需要通过FineReport的表单（决策报表）来设计展现。通过拖拽报表块、图表块和各类控件初步设计界面。

不同于普通报表，普通报表是一个整体，无法实现局部刷新。表单是由各个组件组成，可以实现组件内刷新，即局部刷新。像动态大屏都是全局或者局部刷新的，所以需要用决策报表制作实现。

1、决策报表制作过程

新建表单：FineReport支持新建工作薄，即普通报表模板，还支持新建表单，两种设计模式；

拖入组件：FineReport表单支持多种不同的组件类型，包括报表块、tab块、绝对画布块、参数、图表和控件等等；

定义数据集：定义各个组件数据来源，图表组件数据即可来源于数据集，也可来源于单元格；

设置表单样式：即设置表单的显示样式。

2、数据可视化与交互

当下，数据分析盛行的年代，格子报表枯燥无味，可视化报表才能博得领导赞赏。之前很多网友问如何做可视化，其实，用FineReport自带的H5图表，就可以做出很炫的可视化dashboard。此前提到FineReport良好的开放性，可让技术同事写代码开发，所以在制作时，也可接入Echarts等第三方控件来制作图表。

3、实用而强大的数据地图

finereport有很强大的地图功能：基本地图、GIS地图、热力地图、大数据流向地图等，基本一键生成。

GIS地图基于GIS地图层进行数据展示，支持自定义GIS主题风格，能够与数据表钻取联动。比如省级钻取到市级、县级、街道。

三、总结

篇幅有限，以上只展现了FineReport的一部分功能，很多细节无法展开，感兴趣的可以去官网了解更多。

要说效率，最大的好处就是从数据库中读出数据自动产生报表，且一类报表做成一个固定样式的模板，每次只要同步一下，自动生产周期性的报表，如日报、周报、月报、季报等。 每次按照条件查询，Excel批量导出/打印，少了人力去一个一个用Excel统计汇总。

而且操作上，大多数功能FineReport都封装成模块了，包括写SQL取数，汇总筛选过滤等，基本上都有对应的功能键。像著名的资产负债表，如果按照以往写代码或者写复杂的SQL语句，就有点摧残生命了，而且那天书般的SQL语句要是出点错谁来查，如果数据来自多个源，那就彻底无法解脱了。

其次，在数据处理速度上，由于性能一部分依靠数据库，一部分依靠FineReport的形式报表引擎，相比于Excel的单机效率，几十万行的数据秒出。再者，企业数据库有各种自带或第三方的集群方案，通过堆机器就可以近似于无限的加大数据储存能力。

在依靠数据驱动的商业世界中，数据分析已经是 IT 互联网、咨询、广告等行业从业者必备的职业技能。而随着大数据时代的到来，如今90%的企业都想利用数据分析为其带来更便利的服务，数据分析师这类人才可谓供不应求。

那么如何成为一名合格的数据分析师？首先先来了解一下数据分析师的发展阶段。

数据分析师发展的四个阶段：

1、数据专员

此时的数据分析师就是给领导或者同事导出产品运营的数据报表，整合下出个报告。统计学知识基本用不上，因为领导和同事也看不懂，他们只需要某个数据能够反馈出产品改进、运营的效果即可，所以这类数据分析师的工作比较机械，但是对于自己所在的行业产品还是很熟悉的。

2、数据专员-数据分析师

第二个阶段是数据专员-数据分析师的转变过程。

这个阶段必须学会SQL，熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果就没有太大的使用价值。

数据库对初级的小白来说还没有入职前可以学习MySQL，入职后如果不一样就看公司用什么，你就学什么。

3、数据分析师

此阶段的分析师熟练掌握了数据库与统计学，统计学主要学会主成分分析、假设检验、描述性统计、贝叶斯、回归、广义线性回归这几个概念，也可根据自己想去的行业选择性学习，比如时间序列、非参之类以及线性代数等学习方向。

4、前景选择

最后一个阶段就是自我裂变、向上生长的过程。

当你的基地打造牢固以后，就可以建高楼了。这时有很多方向可以供你选择，数据分析师可选择的方向：

数据分析师（数据科学家）、BI、ETL工程师、大数据工程师、数据工程师、数据挖掘、爬虫工程师、可视化工程师

精进统计学，熟悉业务，机器学习会使用（调参+选模型+优化），取数、ETL、可视化等等基本都懂的就是数据科学家。当然这个阶段工具的使用也不容忽视。

数据分析流程

作为数据分析师，无论最初的职业定位方向是技术还是业务，最终发到一定阶段后都会承担数据管理的角色。因此，一个具有较高层次的数据分析师需要具备完整的知识结构。大数据时代,数据分析对于企业决策和发展起到越来越重要的作用。

1、明确目的和思路

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。

2、数据采集

了解数据采集的意义在于真正了解数据的原始面貌，包括数据产生的时间、条件、格式、内容、长度、限制条件等。这会帮助数据分析师更有针对性的控制数据生产和采集过程，避免由于违反数据采集规则导致的数据问题;同时，对数据采集逻辑的认识增加了数据分析师对数据的理解程度，尤其是数据中的异常变化。

在数据采集阶段，数据分析师需要更多的了解数据生产和采集过程中的异常情况，如此才能更好的追本溯源。另外，这也能很大程度上避免“垃圾数据进导致垃圾数据出”的问题。

3、数据分析

数据分析相对于数据挖掘更多的是偏向业务应用和解读，当数据挖掘算法得出结论后，如何解释算法在结果、可信度、显著程度等方面对于业务的实际意义，如何将挖掘结果反馈到业务操作过程中便于业务理解和实施是关键。

常用的数据分析工具，掌握Excel的数据透视表，就能解决大多数的问题。需要的话，可以再有针对性的学习SPSS、SAS等。

数据挖掘是一种高级的数据分析方法，侧重解决四类数据分析问题：分类、聚类、关联和预测，重点在寻找模式与规律。

4、数据可视化

一般情况下，数据是通过表格和图形的方式来呈现的。常用的数据图表包括饼图、柱形图、条形图、折线图、气泡图、散点图、雷达图等。进一步加工整理变成我们需要的图形，如金字塔图、矩阵图、漏斗图、帕雷托图等。

那么如何成为数据分析师?

当前我国数据分析师由中国商业联合会数据分析专业委员会以及工信部教育考试中心共同考核认证，通过培训考核，工信部教育考试中心颁发《数据分析师职业技术证书》，数据分析行业协会颁发《数据分析师证书》，此证书是申请成立数据分析事务所的必备条件之一。

　　在2017年的世界物联网大会上，马云的一段演讲很引人注目，他的原话是这样的：未来的数据分析师都将被人工智能取代。

马云说作为一个数据分析刚刚入行的新人，听到这句话时顿时感觉恐慌，自己即将要被替代掉了吗?

　　这篇文章写写给那些已经入行数据分析，或者准备入行数据分析的人，希望我的一些看法能对你有所帮助，如有谬误，期待您的指教：

　　本文想讨论的主要有以下几个方面的问题：

　　1.数据分析这个职位到底是什么?

　　2.人工智能可以替代掉的是哪些人?

　　3.作为数据分析人，我们应当如何避免自己被替代?

　　1.数据分析这个职位到底是什么?

　　从去年开始，随着大数据概念的兴起，数据分析这个词也逐渐火了起来。在微信公众平台，我们能看见非常多有关数据分析，数据挖掘方面学习的文章;在知乎社区里，也是各种爬虫教程，数据分析教程.......

　　上面这个趋势图师在百度是关键词“数据分析师”的一个搜索趋势，从这个趋势我们可以看出来，从2015年开始，这个词的关注量就产生了一个跳变，并且在2016,2017这两年也都在稳步的增长着。当然这只是在百度这个入口的搜索趋势，关注数据分析的人群多是一些高校学生，或者互联网行业的从业者们，他们信息获取的聚集平台知乎和微信公众平台的数据这里还没有统计，这里就暂时以百度指数作为一个范本吧。

　　既然都在说数据分析，那么这个数据分析师到底是什么呢?这里给一段来自百科的解释：

　　从上面的词条中我们可以提炼出以下几个关键词：数据搜集，数据整理，分析，研究，评估。而对于这个词我个人的理解是：利用数据帮助企业实现增长。我们的最终目的是实现企业的增长，这个增长可能是企业利润的增长，产品用户的增长等等，这是我们分析的最终目的，而数据仅仅只是我们作为数据分析师这个职位，切入增长工作的一个入口或者说手段而已。

　　我在拉钩上找了一个比较有代表性的企业招聘需求，我们来看一看企业需要的数据分析师是什么样的?

　　从上面的招聘需求描述我们可以看出来，企业需要的的是通过数据产出对企业发展有驱动价值的信息。而数据分析师则充当了中间的这个信息转换的角色，将数据信息转化为发展决策信息。

　　说道这里，不只你对数据分析这样一个角色的认识是否清晰了呢?

　　2.人工智能可以替代掉的是哪些人?

　　人工智能作为一门计算科学，它所做的事就是从过去的事物之间找到一定的规律，并以此来确定当下自己面临的事应该如何去做，它的决策基础是数据，是概率(个人理解，欢迎指教)。

　　因此对于很多重复性的工作，人工智能可以很快的学会。通过我们过往的一些操作数据，人工智能可以就可以以此来当做自己的经验，飞速学习，然后掌握这个技能。

　　就比如说之前百科词条里面的数据收集，整理，这些可以说都是一些内容相对固定，切重复性高的工作，人工智能可以轻松学会。包括我们的一些简单的分析，比如趋势分析展示，简单的数据报告等都可以被人工智能取代。

　　举一个简单的例子，小王是某公司的一名数据分析师，每天他都需要向领导出一份数据报告，报告今天产品的数据波动。于是乎，小王通过数据库，提取了今天的用户活跃数据，然后将这些数据导入了Excel当中，通过Excel他做了一份统计图表，反映今天的用户活跃时长同比，环比，各个渠道的转化情况等，然后递交给领导，日复一日。突然有一天领导指着用户增长数据表上的一个数据下降拐点问小王，这个点的数据是怎么回事啊?小王一脸懵逼，只知道数据说本身本身就是这个样子。

　　后来一个月后，小王被辞退了，公司购买了一套BI报表系统，日报，周报，月报，实时数据后可以看，老板觉得这个BI系统好用多了，就这样小王这个数据分析师就被人工智能替代了。(以上故事纯属虚构，仅做说明之用)

　　上面的场景我想当下也正在上演着，未来也会有更多类似的场景上演，那些重复性的劳动迟早都会被人工智能替代的。

　　我们反观一下自己的工作，有哪些是高重复性的呢?包括取数，做报表，一些简单的回归预测等等，人工智能完全可以做的更好。

　　3.作为数据分析人，我们应当如何避免自己被替代?

　　上面提到的人工智能它是基于数据和概率产生的，凡是可被数据化，高重复性的工作都是可被替代的。那么什么才是不可被替代的呢?

　　我们人和人工智能最大的区别就在于我们人是有情感和思想的，而机器没有(起码现在没有)。因此想要在人工智能手下不被取代，我们的工作重心应该是向人靠拢的。我个人认为，不会被替代的有以下两点：

　　1>对业务的理解

　　就像上面的那个例子一样，当数据出现下滑拐点时，一定是有原因的，而这个原因是由我们的业务变化引起的，这个时候相关的东西就多了，可能是我们公司竞品的上线，广告策略的调整或者说某个社会热点事件的发生等等。这些内部或外部因素的发生才引起了数据的变化，只有深刻理解我们的业务，我们才能在这多个因素之间快速定位到问题的根本原因，并产出解决的方案，为企业的下一步动作进行决策支持。

　　在这一点上，目前的人工智能还是无法学习的，因为它所涉及的因素太多，随机性太强，它需要人的思考与判断。

　　2>对人性的理解

　　不管是什么行业，我们都是在做一个为人服务的行业。我们所服务的用户是活生生的人，我们企业的数据变化产生时，我们反思业务上的原因。更应该思考的是用户为什么会产品这样的行为，用户的情感发生了哪些变化。人有七情六欲，用户的每一个行为，都是其内心活动变化的体现。

　　在人性这一点上，我相信计算机在可见的未来还是无法超越人类的，这也是我们最大的优势。

　　那么，作为数据分析师，我们应该如何做，从而避免自己被替代呢?

　　1.拓宽自己的知识面，既要走进数据当中去，又要大胆从数据中走出来：

　　数据是客观的，而理解数据则是主观，当我们对业务，对行业，对用户有不一样的理解时，我们解读数据的角度和深度也是自然不一样，而这些所依靠的就是一个广阔的知识面。产品，运营，营销，技术都了解一点，不断拓宽自己的认知，让自己从数据中走出来。

　　2.营销学，社会心理学的知识多了解一些，加深自己对用户行为的理解：

　　不夸张的讲，我们今天看到的很多概念，很多用户模型，策略等等，基础都来自于营销以及社会心理学，它所诠释的是“用户为什么会这样做?”通过拓宽这些知识，并不断加以应用，我们对用户的理解自然会加深，我们也更加能明白用户行为以及背后的为什么?

　　3.拥抱新技术，新变化，用新技术武装自己：

　　人工智能是一门系统的学问，我们不能说随随便便的就掌握它。但是我们可以去了解它，应用它。比如当下比较火的机器学习，作为数据分析师，我们可能无需深刻理解它的含义，但我们可以学会使用它。一些编程语言，如Python就有很好的扩展包支持，我们仅需要一些编程基础，并加以练习，便可以让新技术为我所用。

　　总之，如果你想依靠某个固定的技能或者职位在今天变化的世界生存，基本是不现实的。唯有不断升级，不断学习才能跟上变化越来越快的时代(ps:莫畏科技是上海技术为主导的科技创新型企业，主要专注于APP开发设计制作，计算机软件开发，有关于互联网开发业务)。

万事开头难，但是一旦数据分析有了动力，就要开始完善自己的知识体系，这也是真正入门的开端。那如何完善数据分析的知识体系？

1、基本的计算机知识和统计知识

数据库 + SQL 语言

一些常用的数据库如 Oracle、SQL Sever、DB2、MySQL，这些数据库或者说日常接触的数据库都要有所了解，懂最常用的就好，最重要的还是要会写 SQL。

数学 / 统计学知识

一些基本的数学统计方法如描述性统计、多元统计分析、回归分析等，重要性不言而喻。

数据挖掘知识：方差分析、回归分析、因子分析、聚类分析等等。这些东西作为入门多多少少都要会一些，虽然有可能不会全用到，但一旦用时方恨少。而且也可以作为未来发展的基础

数据分析可视工具

数据分析可视化工具很宽泛。首推 Excel，中小公司很依赖，熟练使用数据透视表，这是必备技能。中大型公司都是用报表工具或者 BI 来做报表，但有了 SQL+Excel 的基础，这些工具上手都很快。

2、业务知识

数据分析师要与公司的各业务打交道，所以对于各部门的业务知识要有深入的了解。某业务领导需要知道某个指标，你需要知道这个指标由哪些数据构成? 数据统计的口径是什么？数据怎么取出来？这个指标对于行业的意义是什么，处于什么范围分别对应什么样的情况，是好还是坏。然后慢慢摸索这个指标层面多维度的规律，如何设定最合理。

明确自己的位置，快速成长

数据分析是一向比较专业的工作，要时刻警惕自己能力是否有提升，目前是什么样的水平，习惯反思自己:

你了解你所整理的数据的来源吗？是自己公司的业务数据，还是与合作伙伴交换的数据？是自己公司相关部门采集的，还是从第三方获取的？获取过程中，具体的指标和逻辑是什么？

这些数据是真实的吗？采集和整理过程中会不会出现什么问题？技术上的逻辑和业务上的逻辑是不同的概念，有没有技术上没有瑕疵，但并不符合业务逻辑的数据流程？

到你手里的数据经过了什么处理？你又做了什么处理？为什么他们和你要做这些处理？

谁需要你的数据？你处理后的数据流向哪里？他们用数据做什么？这些数据最终又拿去做了什么？比如，为客户做了什么服务，公司发布了什么内容，或向管理层证明了什么 KPI，或支持了哪个部门的评估？

你做整理的周期是什么？为什么是这样的周期？

公司有其他的部门在处理其他的数据吗？是什么样的数据？和你有什么关系？为什么这些数据要分开处理？

近一年，你自己的电脑上应该已经积累了不少数据，试试做个分析，从一段较长的时间来看，你负责的这一块数据发生了什么变化？为什么会有这个变化？和公司的产品、经营、业务有关，还是和行业有关？具体怎么有关？

如何进一步提升？

业务上

1. 业务为核心，数据为王

了解整个产业链的结构制定好业务的发展规划了解衡量的核心指标有了数据必须和业务结合才有效果需要懂业务的整体概况，摸清楚所在产业链的整个结构，对行业的上游和下游的经营情况有大致的了解。然后根据业务当前的需要，指定发展计划，从而归类出需要整理的数据。最后一步详细的列出数据核心指标（KPI），并且对几个核心指标进行更细致的拆解，当然具体结合你的业务属性来处理，找出那些对指标影响幅度较大的影响因子。前期资料的收集以及业务现况的全面掌握非常关键。

2. 思考指标现状，发现多维规律

熟悉产品框架，全面定义每个指标的运营现状对比同行业指标，挖掘隐藏的提升空间拆解关键指标，合理设置运营方法来观察效果争对核心用户，单独进行产品用研与需求挖掘业务的分析大多是定性的，需要培养一种客观的感觉意识。定性的分析则需要借助技术、工具、机器。而感觉的培养，由于每个人的思维、感知都不同，只能把控大体的方向，很多数据元素之间的关系还是需要通过数据可视化技术来实现。

3. 规律验证，经验总结

发现了规律之后不能立刻上线，需要在测试机上对模型进行验证。

技能上

1.Excel 是否精钻？

除了常用的 Excel 函数（sum、average、if、countifs、sumifs、offset、match、index 等）之外，Excel 图表（饼图、线图、柱形图、雷达图等）和简单分析技能也是经常用的，可以帮助你快速分析业务走势和异常情况；另外，Excel 里面的函数结合透视表以及 VBA 功能是完善报表开发的利器，让你一键轻松搞定报表。

写给喜欢数据分析的初学者

2. 你需要更懂数据库

常用的数据库如 MySQL，Sql Server、Oracle、DB2、MongoDB 等；除去 SQL 语句的熟练使用，对于数据库的存储读取过程也要熟练掌握。在对于大数据量处理时，如何想办法加快程序的运行速度、减少网络流量、提高数据库的安全性是非常有必要的。

3. 掌握数据整理、可视化和报表制作

数据整理，是将原始数据转换成方便实用的格式，Excel 在协同工作上并不是一个好工具，报表 FineReport 比较推荐。项目部署的 Tableau、FineBI、Qlikview 一类 BI 工具，有没有好好培训学习，这些便捷的工具都能淡化数据分析时一些重复性操作，把精力更多留于分析。

为了帮助小伙伴们更好的学习Python，技术学派整理了Python的相关学习视频及学习路线图。

领取方式

关注“技术学派”后，评论转发文章，私信回复：Python学习

就数据分析学习而言，需要的技能模块有统计基础+数据库知识+编程能力。其以后的的职业发展方向，一个是业务层面的方向，一个是数据挖掘层面的方向。今天科多大数据和你们一起来谈谈关于数据分析的学习。

1.统计基础

理工科的学生在本科阶段学习过概率论与数理统计，单从做数据分析的角度已经够用。其他方面，可以根据需要查看相关书籍，随时进行查漏补缺即可。个人推荐《深入浅出统计学》，可以让统计理论的学习有趣又自然。

2.数据库知识

关系型数据库很重要。在学习数据分析的初期甚至很长一段时间，你接触到的数据都存储在关系型数据库中，需要学习SQL语言进行数据查询。关于SQL语言，强力推荐《SQL必知必会》，整本书通俗易懂，是学习SQL语言的不二之选。

学习数据库的本质就是在学习一种与数据打交道的逻辑思维与能力。编程中的很多思想都和关系型数据库、SQL相通，比如：SQL中对data进行group by的操作，这个在Excel里类似于透视表，在Python/R中也有相应的group function去处理数据。甚至在以后的进阶过程，你会接触到分布式数据库和所对应的no-SQL语句。

3.编程能力

Excel。 透视表（Pivot Table）是做数据分析的必备技能。透视表可以帮你迅速汇总数据，看到各类型数据的直观特征就像是让你站在更高的视角看待数据。作为进阶，Excel自带的函数、各种插件，以及VBA也是很好的工具。

Python。当数据量大到用Excel打开都要很久或者我们想进步提升能力时，需要学些hardcore技能，即用编程语言做数据分析。这里主要有R和Python两大流派。个人推荐Python，一是代码简单易懂，容易上手；二是学习资料多，降低学习成本。推荐《利用Python进行数据分析》，涵盖了利用Python做数据清洗，数据可视化及分析的技能点，可以作为一本工具书随时查阅。

Python 是目前科多大数据分析课程里面非常重要的一项内容，下面这张图更能直观反映学习内容

当然需要特别指出，数据分析课程学习内容肯定不止python这一项内容，还包括数据分析基础，互联网电子商务、经济学基础，数据产品（可视化报表）等各个板块的学习。

首先恭喜你，当你看到这篇文章的时候，不管你是小白还是大咖，你都将直接获得一个高级技能：轻松上手可实时刷新的酷炫大屏。

制作可视化大屏，一般有这么几种方案：

写代码调用数据和图表，比如写JS+Echarts ；直接的数据可视化工具

前者对于大部分人来说门槛较高，而且尤其是大屏需求比较多，比方说要做10个的情况下，亲身试验写代码容易崩溃。如果涉及大量的动态可视化，涉及大数据量，没有底层技术，性能就会大打折扣。而且投到不同尺寸的屏幕，调试起来非常麻烦。

那么有没有一种简单的可视化大屏方案，可以快速的设计样式呈现效果、自适应不同大小的屏幕、而且还可以实时刷新数据？

有，选择后者，直接用数据可视化工具。

市面上能做到直接呈现在LED屏幕的大屏可视化工具并不多，多数需要代码调试，报表工具FineReport和FineBI工具可直接实现，相对来讲FineBI使用更简单，本文也是基于FineBI，来教大家做可实时刷新的数据大屏。

先来看看我们今天即将要教大家做的大屏效果（请接受一波酷炫可视化的冲击！）

不懂代码，如何做出实时刷新的数据大屏？

1、快速上手学习BI工具

FineBI是一个可视化的自助式BI工具，整个操作就是导数据/连数据库——处理数据（可视化ETL）选择图表——拖数据字段——可视化展现&美化，操作简单上手快。多数情况下，这个工具都是拿来做可视化报表，对接企业大数据平台，做企业数据运营分析用。

关于他的入门教程，小编之前曾发过一个视频《30分钟，教你零基础用BI搭建可视化大屏！》

2、构建数据模型

掌握了finebi的基础功能：怎么连接数据，怎么趋势，怎么做图表。接下来就到了正式做大屏步骤，先是构建数据模型。

大屏也是有主题的，本质是对一类业务的分析，然后综合展示，比如销售大屏。像这类业务分析一般要用到多张维度表和事实明细表的数据（例如下图中的分公司维度表和合同事实表）。常规操作是将不同业务系统的sql表拼接、宽表拼接，构成一个星型数据模型，需要你有专业的数据仓库技能。那这里化繁为简，可以直接用工具自带的敏捷数据模型去替代上述的工作，原理是自动构建雪花型模型，跨数据源关联。

搭建好上图的销售demo业务包的数据表和关联模型之后，下一步就可以进行正式的销售管理驾驶舱大屏搭建。

3、大屏布局设计

在给大家介绍具体制作过程之前先讲解一下通常管理驾驶舱的布局方式。管理驾驶舱往往展现的是一个企业全局的业务，一般分为主要指标和次要指标两个层次，主要指标反映核心业务，次要指标用于进一步阐述分析。所以在制作时给予不一样的侧重，这里推荐几种常见的版式。

上面几个版式不是金科定律，只是通常推荐的主次分布版式，能让信息一目了然。实际项目中，不一定使用主次分布，也可以使用平均分布，或者可以二者结合进行适当调整。比如下图所示，指标很多很多，存在多个层级的，就根据上面所说的基本原则进行一些微调，效果会很好。

4、实际分析制作过程

有了以上的布局设计，每一个模块就单独用一类图表分析一块内容，比如销售分布、签单分布、回款金额分析......整体呈现一个主题（在这里是销售业务）的分析。

那具体如何用工具操作呢？

首先，既然是销售管理驾驶舱，那么我们可以先从领导和高层最为关注的公司签单金额和回款金额入手。对于这样的汇总指标，选择仪表板进行数据展示再合适不过了。选择拖入合同事实表中的合同金额和合同回款表中的回款金额两个指标，样式这里选择圆环仪表盘，同时两个指标的单位都设置成亿，最大刻度输入当前合同金额，2.78亿。这样一来，2.78亿的合同回款，2.25亿的回款金额以及80.87%的总的回款率也就统计出来了,企业的签单金额和回款金额/回款率都一目了然。

其他部分也是一样的原理，篇幅原因不多介绍，核心是要知道展现哪些数据指标。

5、实时刷新功能

如何做出实时刷新的数据大屏，本篇还有一个重点内容就是大屏的实时刷新功能，也是大家问得比较多的。

所谓实时刷新，即你展示出来的酷炫大屏上面的数据将是动态刷新，能够实时反映数据库中的数据。我们的大屏通常连接着数据库，我们打开报表的时候，会读取数据库中的数据，但数据库中的数据可能是动态变化的，如果要读取变化的数据的话，不需要我们重新打开刷新报表，报表中的数据将动态自动刷新。

FineBI实时刷新的底层技术和性能:

实时刷新的实现所依靠的一个重要支撑，是FineBI自带的FineDirect直连引擎。FineDirect直连引擎给出了数据端到应用端的完整解决方案，支持连接企业已有的大数据计算平台，如Hadoop、Kylin、Greenplum、Vertica等，在充分利用平台计算性能的同时，也解决了TB至PB级超大数据量多维分析的难题。

FineDirect是FineBI推出的大数据直连引擎功能模块，用于更好地处理超大数据量的分析要求和数据源实时性的需求。通过FineDirect直连引擎可以直接对接现有的数据源，无论是传统的关系型数据库（Oracle，Sqlserver），还是日益成熟的Hadoop生态圈，Mpp架构的解决方案，都可以直接进行自助取数分析，实现更敏捷的、更及时的决策分析。

FineDirect引擎核心特点

①PB级别数据量多维分析

FineDirect直连引擎给出了数据端到应用端的完整解决方案，支持连接企业已有的大数据计算平台，如Hadoop、Kylin、Greenplum、Vertica等，在充分利用平台计算性能的同时，也解决了TB至PB级超大数据量多维分析的难题。

②实时大数据分析

FineDirect能够连接实时数据进行分析，及时返回分析结果。基于FineDirect的可视化引擎，可以将用户拖拽分析的操作，实时地转化为经过处理的查询语言，实现对企业数据库实时分析的效果。

③双引擎模式灵活搭配

FineBI已有FineIndex引擎（原cube）和新的FineDirect直连引擎可以搭配使用，来满足不同的应用场景。企业可以根据实际需求的不同准备两种类型的数据，通过FineIndex模式配置那些不经常更新、实时性要求不高的数据；通过FineDirect直连引擎配置大数据量且有实时分析需求的数据，双管齐下。

20世纪30年代，宝 洁诞生了第一位产品经理，全权负责一款肥皂的生产、销售以及全流程的成功。

80多年后，随着互联网的蓬勃发展，出现了越来越多的产品以及和产品相关的各种岗位。；围绕产品的思维与工作方式被越来越多的人所认可，产品成功的思维模型被搬上了课堂。

数据报表，作为一个链接IT部门和业务的中间件，承担着信息沟通的作用：数据展示业务信息，为业务决策提供依据；业务产生数据，最终以数据报表的方式呈现。

同样，我们也可以用产品工作的方式来复盘一下搭建报表系统的整个流程，并且和产品的上线流程做一个对比。

产品的上线流程

市场分析——>竞争分析用户分析——>需求（场景）分析——>功能设计——>开发——>发布——>运营——>迭代

互联网产品初期，在初次面向市场的时候，产品往往是一个MVP（最小可用单元），通过种子用户的反馈，分析使用数据，验证产品的可用性，快速迭代，逐渐修正与完善。

报表系统的上线流程

同行业报表项目参考（行业咨询）——>业务部门需求采集分析——>报表设计——>上线——>end

绝大多数的企业在报表上线之后，都忽视了一个关键动作——运营，以致于IT部门陷入了一个怪圈，疲于应付业务人员的需求，天天加班工作却得不到认可。实际上，系统上线不等于终点，被大量使用与认可才是成功的第一步！

产品如何做运营

1、冷启动

冷启动是什么？冷启动是一个产品刚诞生的一个阶段，此阶段的产品面临着以下问题：

缺少用户及相关资源。产品模式未成熟，能否满足用户，迎合市场趋势仍是未知数

因此，在此阶段的主要目标的作用有：

根据数据分析，验证产品是否满足用户需求验证是否能符合市场趋势验证商业模式是否成立

互联网产品怎么做？

种子用户，聚拢一批符合产品目标人群的用户，获取真实的使用数据MVP（最小可用单元）验证，判断产品是否满足了目标用户的最小可用需求存失分析，依据用户的真实使用数据，分析留存的原因（建立产品优势），放弃部分的流失用户，修正产品的定位。

2、高增长

高增长是指在产品通过市场验证，处于快速发展的阶段，通过运营实现产品用户与价值的持续增长

互联网产品怎么做？

持续推广与曝光精细化运营，针对人群、场景、流程做差异化细分运营的运营策略，提升运营动作的效率最大化基于用户数据分析的产品不断迭代优化

报表系统如何运营

帆软的一家互联网行业客户告诉我们，为了让报表系统被业务部门认可，IT部门在上线报表系统的初期以及推广期主要做了4件事：

1、冷启动阶段

a.寻找种子用户

优先挑选了营运部门的管理层作为种子用户，依据需求为其定制了PC、移动端两张营运报表，报表上线后不断关注其访问量趋势，发现移动端模板的活跃度更高，并且用户对模板的评价非常好，随着口碑的传播，分公司的营运部门也提出了类似的需求，IT部门开始重新考量整个营运部门的需求，为其系统化的搭建报表应用

b.简单的用户数据分析

这个阶段的用户数量和模板数量都还处于一个比较小的数量级，只需要通过用户的访问数据，验证报表是否满足种子用户的需求

2、高增长阶段

a.从三个维度和两类应用场景分析用户的使用数据，关注性能与用户体验，促使报表系统不断优化

三个维度：

1、报表系统的整体访问趋势

——把控报表系统的整体运营状态，研究用户的访问习惯，合理分配资源

2、每一位业务人员的访问趋势

——充分掌握哪些业务人员的数据诉求更为强烈，那他们的数据需求被响应的优先级将会更高；那些一个劲提需求，却没有访问量的部门，我们需要重新核算成本，降低他们的需

求优先级

3、每一张报表的访问趋势与性能体验

——每一张报表都是一个产品，同样也有完整的生命周期，不被需求的报表要及时的淘汰，降低运维成本；访问量火热的报表要纳入优化迭代，提升用户访问感知，深挖需求，扩充业务场景

两类应用场景：

数据大屏/移动端报表

——什么样的数据分析场景更加在哪类终端上访问量更高？我们是否需要为其专门打造一张移动端的模板，更美观的样式，更人性化的交互效果？

b.主动推送与推广

——内容推广

伴随着报表系统的不断迭代，每一次为业务人员扩充的应用场景需要通过渠道来推广与宣传，促进用户的使用率，这个渠道可以是企业内部的宣发平台，也可以通过C端市场中的新媒体渠道（微信公众号等）

——报表推送

业务人员常用的报表可以通过帆软提供的推送功能直接触达最终用户，培养其对报表的使用粘性

帆软能提供哪些帮助

1、固化的用户行为数据分析

FS平台为用户提供了常用的运营数据统计功能

访问量数据：包含平台访问次数、模板访问次数、用户数等内容模板热度：不同模板在周期时间内的访问总数用户行为：不同用户在周期时间内的访问总数，并且区分统计出查询、导出、打印等不同的用户行为性能监控：不同模板的平均响应时间、平均内存等内容

注：模板热度、用户行为、性能监控数据统计需要安装“高级系统监控”插件

借助于常用的运营数据统计，我们可以对报表系统做一个整体的评估，对整体的访问量、模板热度、模板性能做到心中有数

2、深入的用户行为数据分析

作为数据分析的先锋，只要有数据源，没有IT做不了的运营数据分析。FR会将用户的访问数据存储至logdb数据库当中，可以直接通过设计器链接数据库定制运营所需分析模板

我们需要关注logdb数据库中的两张表与一个字段

表：PUBLIC.FR_EXERECORD

该数据表是报表正确执行日志表，即如果报表执行成功，将会在该表中添加一条记录，并在相应字段中填写其对应的信息记录

表：PUBLIC.FR_FSRECORD

该数据表是为了统计一段时间内，系统的使用情况，用于管理员查看在线用户数及用户系统使用情况，因此用户登录决策系统时，将登录信息保存入库，将会在该表中添加一条记录，并在相应字段中填写其对应的信息记录

字段：BROWZER

该字段记录了客户端访问报表所用的浏览器版本以及移动端信息terminal：包含终端类型、app还是h5等信息。例如：“terminal”：{"OS"："app"，"type"："mobile"}

借助于以上内容，我们就可以定制出自己所需的数据分析报表，重新把控报表系统的运营情况，为后续的迭代提供指引

3、主动推送与推广

帆软为每一种报表使用方式与场景都提供了消息推送的服务，包括了：平台消息推送、微信/钉钉消息推送、APP推送、邮件推送等