数据分析是从数据中提取有价值信息的过程，过程中需要对数据进行各种处理和归类，只有掌握了正确的数据分类方法和数据处理模式，才能起到事半功倍的效果，以下是数据分析员必备的9种数据分析思维模式：

1. 分类

分类是一种基本的数据分析方式，数据根据其特点，可将数据对象划分为不同的部分和类型，再进一步分析，能够进一步挖掘事物的本质。

2. 回归

回归是一种运用广泛的统计分析方法，可以通过规定因变量和自变量来确定变量之间的因果关系，建立回归模型，并根据实测数据来求解模型的各参数，然后评价回归模型是否能够很好的拟合实测数据，如果能够很好的拟合，则可以根据自变量作进一步预测。

3. 聚类

聚类是根据数据的内在性质将数据分成一些聚合类，每一聚合类中的元素尽可能具有相同的特性，不同聚合类之间的特性差别尽可能大的一种分类方式，其与分类分析不同，所划分的类是未知的，因此，聚类分析也称为无指导或无监督的学习。

数据聚类是对于静态数据分析的一门技术，在许多领域受到广泛应用，包括机器学习，数据挖掘，模式识别，图像分析以及生物信息。

4. 相似匹配

相似匹配是通过一定的方法，来计算两个数据的相似程度，相似程度通常会用一个是百分比来衡量。相似匹配算法被用在很多不同的计算场景，如数据清洗、用户输入纠错、推荐统计、剽窃检测系统、自动评分系统、网页搜索和DNA序列匹配等领域。

5. 频繁项集

频繁项集是指事例中频繁出现的项的集合，如啤酒和尿不湿，Apriori算法是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集，目前已被广泛的应用在商业、网络安全等领域。

6. 统计描述

统计描述是根据数据的特点，用一定的统计指标和指标体系，表明数据所反馈的信息，是对数据分析的基础处理工作，主要方法包括：平均指标和变异指标的计算、资料分布形态的图形表现等。

7. 链接预测

链接预测是一种预测数据之间本应存有的关系的一种方法，链接预测可分为基于节点属性的预测和基于网络结构的预测，基于节点之间属性的链接预测包括分析节点资审的属性和节点之间属性的关系等信息，利用节点信息知识集和节点相似度等方法得到节点之间隐藏的关系。与基于节点属性的链接预测相比，网络结构数据更容易获得。复杂网络领域一个主要的观点表明，网络中的个体的特质没有个体间的关系重要。因此基于网络结构的链接预测受到越来越多的关注。

8. 数据压缩

数据压缩是指在不丢失有用信息的前提下，缩减数据量以减少存储空间，提高其传输、存储和处理效率，或按照一定的算法对数据进行重新组织，减少数据的冗余和存储的空间的一种技术方法。数据压缩分为有损压缩和无损压缩。

9. 因果分析

因果分析法是利用事物发展变化的因果关系来进行预测的方法，运用因果分析法进行市场预测，主要是采用回归分析方法，除此之外，计算经济模型和投人产出分析等方法也较为常用。

以上是数据分析员应熟练掌握的9种数据分析思维方法，数据分析员应根据实际情况合理运用不同的方法，才能够快速精确的挖掘出有价值的信息！

当今时代信息化产业飞速发展，各类底层大数据平台百花齐放，亿级数据、秒级响应已经不再是当年的遥不可及的神话。然而对于企业来说，数据计算快仅仅是满足企业进行业务数据分析的硬件基础，如何发掘这些海量的数据产生应用价值，走好数据分析这最后一公里，引导企业进行战略决策却是至关重要的一步。

本文以互联网行业为数据业务分析背景，希望能跟大家交流一些数据分析方面的心得和体验。

——本文使用数据分析工具为FineBI 商业智能工具

数据分析的本质其实是做数据对比分析，没有数据对比，单一的指标统计往往难以发挥数据价值。像我们常见的数据对比分析方法有同比、环比、占比等一系列分析指标，那是不是所有的数据业务场景都可以直接进行套用分析呢？比如我们统计企业2018年1月29日的同比流量，是不是可以直接对比2017年1月29日？表面上看好像2017年1月29日确实就是2018年1月29日时间层面上的同比日期，但是我们仔细对比查看这两个日期会发现2018年1月29日是周一，2017年1月29日确是周日。对于很多行业的企业来说，非工作日和工作日的数据往往是有很大差异的，这个时候单纯从日期层面来进行对比其实是没有什么意义的，选择对比同是周一的2017年1月30日的流量数据进行同比计算可能会更加有价值。

目前互联网行业做搜索引擎的有Google、百度，做综合门户的雅虎、新浪，做即时通讯的主要是腾讯，电子商务方面的主要是阿里、京东、亚马逊等。不论是以上的哪家互联网企业，往往都需要有一套引流、转化、消费、留存方面的运营策略，平台的流量数据分析往往都是非常重要的。

互联网流量数据分析方面，总结主要有如下四种数据常用分析方法：

1.对比分析流量规律，针对时段进行企业服务以及推广活动调整；

2.对比分析结构占比，指导进行定向群体营销推广

3.对比分析异常情况，及时追责并且进行调整；

4.对比追踪活动流量变化，总结活动效果经验以便后续有针对性调整。

如上图所示，我们通过FineBI工具制作出以上的流量数据分析模板，接下来尝试着对数据做一些对比分析。

一、用户浏览量周分布

对于互联网企业来说，流量数据往往都会呈工作周相关。对此，我们可以先宏观地统计出周一到周日中的总的平台流量柱状图数据对比情况。首先我们可以仔细观察工作日和非工作日的数据，发现周末的平台流量较工作日流量要高，这在互联网行业来说都是一个比较普遍的现象。

用户流量的周分布规律之后，我们就大致有一个推广方向，周末休息时间用户群体较大，相较于工作日可以投入更多的和丰富有吸引力推广活动来进行新用户引流和老用户活跃。

接着我们可以进行下一步思考，那工作日和周末我们的活动推广时间如何制定？有的同学们可能会觉得全天活动都可以，不需要关注具体的活动时间。但是对于互联网行业来说，每个时间段的推广费用都是较为昂贵的，我们完全可以分析出工作日和周末的用户流量趋势，进行有针对性的时间段投入推广，通过更小的成本获取到更多的用户流入。

首先是工作日的时间段流量统计分布，我们通过BI工具分时间段作图得到如下所示的流量分布图。可以看出，工作日的流量主要集成在每日的9点（上班时间）、13点（午餐时间）、20点（晚间娱乐休息时间），那么在得到这样的一些用户流量规律之后，便可以在这些用户活跃高峰期时间段有针对性对白领群体多做一些相关商品推广活动，以实现最小时间成本和推广费用最大化用户引流效果。

再来看周末的各时间段流量分布走势，和工作日所不同的是，周末的流量早高峰期延后到了10点，这可能和各位小伙伴们周日作息较晚有关（同学们周末都是几点起床呢），除此之外，晚上的流量高峰退潮期也有延后。针对与周末用户流量分布的特性，互联网企业在周末时可以将活动开始时间和活动结束时间都适当进行延后，这个时候不能再套用工作日制定好的活动时间计划了，因为符合用户群体作息规律的推广促销活动才能达到更好的效果。

二、推广渠道流量分布

对于互联网行业的推广渠道分布主要分为三级渠道：线上渠道、线下渠道、新媒体营销等等。对比分析每个渠道对企业所带来的价值占比差异，以指导制定有针对性营销策略。

如上图所示，由于推广渠道是分多层级的，我们通过BI工具的多层饼图进行数据的分析统计再合适不过了。分析下图的数据我们可以看出，首先是一级渠道的主要战斗力来自于新媒体营销，当今的微信、今日头条等社交媒介社区时代受众广泛，用户群体非常庞大，是公司需要投入主要成本进行推广的。其次线上渠道的效果也不容忽视，对于互联网企业来说，做好百度、Google等SEO搜索引擎关键词推广也是很重要的一部分工作。相较于线上渠道和新媒体营销，线下渠道说所需要的经费和时间、人力成本较大，受众又相对较小，所以此类活动往往针对核心粉丝进行运营即可。

三、各月份指标对比走势

在分析各月份指标对比走势数据之前，先简单介绍下互联网营销常用的几个指标概念：

1.浏览量（pv）

2.访问次数（visits）

3.访客数（uv）

以上三个基础指标常用来衡量流量数据的多少。另外平均访问深度（总浏览量/访问次数）、平均停留时间（总停留时间/总浏览量）、跳失率（跳出次数/访问次数），这三个指标通常可用于衡量流量指标的优劣性。

我们仔细分析上图中的平台流量指标，可以发现10月份是2017全年的流量高峰期，应该跟企业在国庆黄金假期所做的促销引流活动有关。浏览量、跳失次数、访问次数分别为4941、1290、2182，对比计算可得到跳失率为59.12%，明显低于其他时间段的跳失率，说明10月份的活动效果还不错，其经验对以后的营销推广可以起到参考作用。

最后是访问深度用户群体分布分析（跳失率=跳出次数/访问次数），我们通过BI工具将企业的VIP用户、老用户、新用户分别进行分时间段的用户群体访问深度分析统计。总体来说可以发现平台的VIP用户访问深度较老用户以及新用户稍微高些，但是不是太明显，说明平台运营的VIP这部分群体的活跃度还有待提升。同时，平台老用户访问深度和新用户更是相差无几，公司对于用户这方面的活跃运营明显需要加油了，建议将平台的部分忠诚度较高的老用户以VIP用户组建起来，共建平台生态圈，增加整体的用户活跃度。同时可以向老用户以及VIP用户实施一些优惠政策，如定向商品折扣、根据用户画像进行喜好商品特惠推送等。

本次的数据分析经验心得分享暂时先写到这里，后续将继续给大家分享关于互联网数据运营方法的转化、消费、留存等方面的一些经验，欢迎大家一起共同交流探讨互联网运营之道。

关于数据分析你需要知道一些事，刚入门的产品和运营很多都充满了迷茫，数据都有哪些？怎么用？都是做什么的？那么下面我们就来看看数据分析的一些基础内容。

一、产品运营数据分析基础

基础的一些数据指标有用户获取、留存、活跃、营销、营收等等，那么根据不同分类统计的不同数据指标如下图所示：

二、作为运营人员需要哪些

首先需要根据产品处于什么阶段来确定你所需要参考或者关注的数据是什么，阶段的划分如下图所示：

根据运营平台产品划分不同的数据分析指标，下面举例网站运营和APP运营的数据分析指标，如下图所示

以上就是数据分析的一些图片，希望能够对大家有帮助吧。

第一章 统计数据

统计学是关于数据资料的收集、整理、汇总、描述、分析，并在此基础上进行推断和决策的科学，因此可以说，统计学研究的对象就是各种各样的数据。

1.1 数据类别

数据由测量而产生，按照其测量尺度的不同，可以分为四种，即定类数据、定序数据、定距数据和定比数据。

定类数据：精度最低的数据，它将数据划分为不区分顺序的类别，这些类别必须是互斥且完备的，以保证被测量的每个事物都划分到唯一一个类别中。定类尺度不区分数据，无法比较大小，在数学中只能用 = 或 ≠ 来运算。比如性别、班级、产品种类等等。

定序数据：定序数据在定类数据的基础上，增加了顺序的概念，可以被排序，每一类都可以与别的类来比较，来区分好与坏，大与小等。在数学中，定序数据不仅可以用 = 、≠来区分，还可以用 >、<来比较，但由于其测量尺度上的区间是主观确定的，缺乏统一的标准，因此只能给出事物的相对大小，并不能确切给出差别的准确度量。比如产品被分为一等品、二等品、三等品；把物体的大小分为大、中、小；把考核结果分为优秀、良好、合格、不合格等等。

定距数据：定距数据不仅具备定类数据和定距数据的基本特征（可以用 = 、≠、>、<运算），而且还具备统一的、标准的测量单位，因而能够使用加法和减法计算彼此之间的确切差别，但定距数据缺乏绝对的零点，因此无法用乘法和除法来表达数据间的倍数关系。比如公元纪年法就是定距数据，我们可以说2017年比2010年多7年，但并不能说2017年是2010年的多少倍。之所以不能表达倍数和比率关系，是因为公元元年是根据基督文化定义的起始点，并不是物理或数学意义上无法出现或者无法测量的绝对零点。

定比数据：定比数据是精度最高的数据，可以使用等于、不等于、大于、小于、加、减、乘、除各类运算。定比数据之所以能够表达倍数或者比率关系，在于其包含了绝对零值得定义。比如温度，用摄氏温度表示，因其0℃被定义为水的结冰点，并不是绝对零点，因此只能说30℃比10℃高20℃，但不能说30℃是10℃的三倍。但若用K氏温度，因其零度被定义为气体分子平均动能为零的绝对零度（-273.15℃），因此是定比数据，因此可以说300K比100K高200K，也可以说300K是100K的3倍。

四类数据的主要特点可以总结如下。

这里很多读者可能会有一点小困惑，那么现在流行的文本挖掘、视觉计算等涉及到文本、图片、语音、视频等数据，怎么归类到这四种里面呢。其实这些数据是复合数据，想分析利用这些数据，需要进一步提取这些数据的特征数据，比如对文本进行分词，分词后每单个词语就相当于一个定类数据，每个词出现的频率就是定比数据。因此，这四种数据涵盖了所有的数据类型，并无遗漏。

根据测量有无间隔，可以得到离散型数据和连续型数据。若测量是有间隔的，比如通过计数的方式，则得到离散型数据。比如一个团队的人数，只能是5、8、12、15这样的整数，而不能是5.1、8.2这样的值。若测量对象固定下来，那么离散型变量只能是固定集合中的某一个值，而不能是某两个值之间的中间值。

若测量时没有间隔的，就会得到不间断的连续型数据。比如测量人的身高，理论上可以是任意精度，比如172cm、172.5cm、172.543cm等等。当然，实际的精度取决于测量任务的精度要求和测量工具的物理精度，正因为如此，连续型数据都只是真实测量值的一个近似，其最后一位数字受测量工具精度的限制。比如精度1mm的卷尺，测量身高，则只能准确测量到172.5cm，若为172.54cm，则最后以为，即0.04cm为估计值。

喜欢闲适安静的生活，懂一点统计学和数据分析，懂一点计

1、深入浅出数据系列书籍

深入浅出数据分析

入门级别，比较简单，但基本的内容涉及全面，讲解的比较清晰，最后谈到了R语言。以下两本是同一系列。

深入浅出统计学

深入浅出SQL

2、资料之美：优雅资料解决方案的幕后秘籍

知识普及性的书籍，集结了39位数据处理领域的翘楚，现身说法，分享他们如何开发各种简约而优雅的解决方案克服各种挑战，每章都解决一个具体问题，对理解数据分析的应用领域和具体做法很有帮助。

3、R 语言实战

全面而细致的R指南，高度概括了该软件和它的强大功能，展示了使用的统计示例，且对于难以用传统方法处理的凌乱、不完整和非正态的数据给出了优雅的处理方法。

4、数据之魅-基于开源工具的数据分析

包含大量的模拟过程及结果展示，并通过实例来阐述如何使用开源工具来进行数据分析。通过本书的阅读，读者可以清楚地了解这些方法的实际用法及用途。

5、数据挖掘技术:应用于市场营销、销售与客户关系管理

如何利用最新的数据挖掘方法和技术来解决常见的业务问题。

比如提高营销活动的响应率，识别新的客户群并估算信用风险。此外，它涵盖更多高级主题，如准备分析数据以及为公司数据挖掘创建必要的基础架构。

6、Python数据科学手册

每章介绍一到两个Python数据科学中的重点工具包。适合有编程背景，并打算将开源Python工具用作分析、操作、可视化以及学习数据的数据科学研究人员。对于需要处理大量数据的人而言，这是一本非常有价值的工作书，可以有效率地处理每天面对的问题，像是操作、转换，以及清理数据、可视化不同形式的数据，建立统计学或机器学习的模型等等。

7、用数据讲故事

通过大量案例研究介绍数据可视化的基础知识，以及如何利用数据创造出吸引人的、信息量大的、有说服力的故事，进而达到有效沟通的目的。如何充分理解上下文，如何选择合适的图表，如何消除杂乱，如何聚焦受众的视线，如何像设计师一样思考，以及如何用数据讲故事。

8、利用Python进行数据分析

提供了大量的实践案例研究，展示如何使用Python库（如NumPy，pandas，matplotlib, IPython等）有效解决一系列数据分析问题。

9、机器学习实战

用简单的语言把复杂难懂的机器学习算法解释清楚了，它将机器学习的基础理论与日常数据分析的实际工具相结合。使用灵活的Python编程语言来构建实现数据分类、预测、建议以及汇总和简化等更高级功能的算法的程序。

10、机器学习系统设计

比较简单，使用Python进行机器学习并开始构建自己的机器学习项目。本书适用于机器学习初学者的Python程序员，但希望学习机器学习。

最后，花时间将这些中外文书籍吃透，数据分析理论部分就基本入门了，实践方面就需要根据企业业务需求来进行系统的练习和学习！

给大家整理一下本年度一些优质的文章，根据大数据相关的知识点一个个整理的，整理的内容包括知识点普及、学习书籍、学习路线图、学习笔记、学习资料、学习视频等等。

AI时代就业指南

未来已来：AI时代就业指南

AI时代就业指南：计算机、统计完全零基础，到底能不能学数据分析？

AI时代就业指南：数据科学人才成长之路

AI时代就业指南：Java 程序员如何转行做大数据？

AI时代就业指南：企业在招什么样的大数据工程师？

AI时代就业指南：女生适合做数据分析吗？

AI时代就业指南：数据挖掘工程师成长之路

AI时代就业指南：数学专业，你看不见的前尘似锦

AI时代就业指南：数据挖掘入门与指南

AI时代就业指南：普通程序员如何转向AI方向

AI时代就业指南：作为大数据从业人员，如何写好一份可堪入目的简历？

大数据

【入门】大数据行业如何入门-书籍、工具、案例（问题集锦）

【工具】2017 年你应该学习的编程语言、框架和工具

【资料】史上最全的“大数据”学习资源（上）

【资料】史上最全的“大数据”学习资源（下）

【路线图】大数据工程师学习路线图

【路线图】2017年最全的数据科学学习计划

【就业】2016年数据科学薪酬大盘点

【学习群】数据挖掘-机器学习

数据分析

【入门】数据分析那些事（数据分析师入门必看）

【职业】数据分析与数据挖掘类的职位必备技能

【职业】与大数据相关的工作职位有哪些？

【路线图】数据分析师学习路线图

【路线图】数据科学学习路线图

【书单】数据分析师的必读书单

【学习群】人人都是数据咖

统计学

【书单】统计学入门经典书单

【视频】大数据统计学基础

【学习群】大数据-统计分析

SQL

【文章】实用SQL语句大全

【笔记】SQL学习点滴合集

【视频】13次课了解sql2008的故事

Python

【教程】python快速教程

【文章】python爬虫实战

【文章】Python-pandas技巧系(量化小讲堂)

【路线图】python学习路线图

【路线图】Python大数据学习之路

【资料】python机器学习入门资料梳理

【视频】Python入门：数据分析与数据挖掘

【课程】Python进阶：数据挖掘实战

【学习群】Python数据挖掘-初级

【学习群】Python数据挖掘-高级

R

【文章】R语言知识体系

【文章】怎样学习R（上、下)

【文章】ggplot2绘图入门系列

【文章】R利剑NoSQL系列文章

【文章】R语言常用数据挖掘包

【路线图】R语言学习路线图

【视频】R学习免费学习视频

【课程】R语言入门

【课程】R语言实战

【课程】机器学习与R语言实践

【课程】R语言量化交易

【工具】全球最火的R工具包一网打尽，超过300+工具，还在等什么?

【学习群】R语言数据挖掘-初级

【学习群】R语言数据挖掘-中高级

Hadoop

【文章】Hadoop学习路线图

【文章】RHadoop实践系列文章

【教程】Spark入门实战系列教程

【课程】大数据实战工具Spark

【学习群】大数据-hadoop-spark

数据挖掘/机器学习

【入门】机器学习和数据挖掘推荐书单

【路线图】R语言学习路线图及R数据挖掘包

【路线图】Python数据分析和数据挖掘学习路线图

【路线图】机器学习路线图

【资料】近200篇机器学习&深度学习资料

【学习群】大数据-机器学习

因文本问题无法嵌入链接，请复制http://ppvke/Blog/archives/27665 至浏览器查看原文

针对想要自学数据分析的小伙伴们，科多大数据给大家分享一位数据分析小白的自学之路。

作为数据分析的小白初学者，在开始正式学数据分析前，肯定都想先看看别人学习的经验。我的大概情况是，目前研二通信专业，本科专业测控，由于种种原因，对数据分析比较感兴趣，于是开始了独自摸索过程，这里总结我自学数据分析2个多月的经历。希望能给后面的初学者带来一些启发。

一、数据分析师的方向

先选择了正确的方向，再朝着这个方向努力是学习一个新领域的正确姿势，因此开始正式学习前，我首先查阅了大量资料，了解数据分析分为哪些方向，并明确自己想往哪个方向走。

1.数据分析的方向分类

数据分析可分为两类：一种偏向产品和运营，更加注重业务，主要工作包括日常业务的异常监控、客户和市场研究、参与产品开发、建立数据模型提升运营效率等；另一种则更注重数据挖掘技术，门槛较高，需要扎实的算法能力和代码能力。（总结了@路人甲大神的说法）

2.数据分析的行业分类

1）互联网行业是数据分析应用最广的行业，是数据分析师理想的成长平台。

2）其次是咨询公司。相对来说，数据分析师在咨询公司成长的速度更快，专业也会更全面。3）再次是

3）金融行业，比如银行和证券等行业，该行业对数据分析的依赖需求，越来越大。4）最后是

4）电信行业，（移动、联通和电信），它们拥有海量的数据，在严峻的竞争下，也越来越重视数据分析，但进入这些公司的门槛比较高。

3.确定自己的方向 由上可知数据分析大致分为两类：偏重业务和偏技术路线的，明显偏技术路线是很难速成的，鉴于我今年9月份要开始校招找工作，且自己对产品向很感兴趣，因而我选择了更偏向业务的数据分析。此外，自己最感兴趣的行业是互联网。

基于以上确定了我的最理想职位：互联网公司的偏向业务的数据分析。

此外，为了了解公司对该职位的最新要求，招聘数据分析实习生的互联网公司我都进行了网申，我知道以自己两个月所学还不能满足职位要求，只是为了做了一下笔试题，从而了解公司的数据分析到底偏重哪些技能，并进行有针对性的了解相应的知识。（目前我做过了阿里、京东、美团的数据分析实习生的笔试题，觉得这是个了解公司数据分析岗位最新要求的有效方法）

二．我是如何学习的？

结合公司的招聘要求，我是按照以下几个部分进行学习的：

1.统计学学习。

统计学是数据分析的基础，因而我选择从这个开始学习。

已有基础：大学我学过概率论统计学这门课，学的还不错。

看完书籍：《深入浅出统计学》、《从零进阶！数据分析的统计基础》

花费时间：共计11天每天上午3个小时，一共33个小时。

推荐书籍：《从零进阶！数据分析的统计基础》

推荐理由：

前面很多高赞答案推荐《深入浅出统计学》，因而开始的时候我选用的这本，已将整本书看完，感觉重点不够突出，太过啰嗦以至于浪费时间，逻辑不是很连贯，尤其是假设检验那一章写的太绕了，后来又入手看完了《从零进阶！数据分析的统计基础》这本书，这本书每一节有相应的少量习题和配套答案可巩固，逻辑和重点都非常清晰，有了对比之后，强烈建议和我一样的小白初学者使用《从零进阶！数据分析的统计基础》这本书！

知识巩固：每看完一章，我都会进行总结梳理一章的内容，这样可以让知识结构化；此外，由于统计学有很多概念，都很生涩，为了加深印象，我列出了很多诸如置信水平、区间估计、假设检验、P值等概念，做成了几张图片，偶尔就给同学发过去，让她随机挑选一个，然后我再用通俗的语言给她解释下这个是什么东西。（这样做的好处既能加深自己的印象，又能模拟面试官的提问。一举两得。）

2. EXEL看完书籍：《谁说菜鸟不会数据分析》

共计时间：这个相对来说不怎么耗费脑子，而且鼓捣图表比较好玩，很有成就感。因而我是每天吃完下午饭后进行学习Excel，因为这个时候我的学习效率相对较低（比较高效的时间段，我用来学习Python）。EXcel学习共计13天，每天晚上7点到9点2个小时，共计26个小时。

读完感受：这本书不错，内容比较详细，且书中介绍了数据分析的一些常见方法，并重点介绍了EXEL的数据透视表，函数，各类图表适用场景及如何制作的内容，自己感觉比较适合我们初学者，可以先根据这本书学习EXEL。

巩固提升：由于菜鸟这本书对函数部分设计的比较少，所以我又跟着大神的专栏进行了学习，感觉这几篇文章整理的很好，所以在此列出。

第一篇数据分析—函数篇。主要简单讲解常用的函数，以及与之对应的SQL/Python函数。第二篇数据分析—技巧篇。主要简单讲解很有新价比的功能，提高工作效率。第三篇数据分析—实战篇。主要将前两篇的内容以实战方式进行，简单地进行了一次数据分析。数据源采用了真实的爬虫数据，是5000行数据分析师岗位数据。

碎片化学习

3.数据库

数据库基础

学习网站：基础知识我是跟着最多人推荐的这个网站学习的：SQL教程_w3cschool

个人感觉：这个教程条理清晰，比较适合我们小白初学者。

共计时间：查看了我的时间表，算了一下数据库基础知识部分，我一共花了30个小时

左右，感觉数据库还是比较容易上手的，不是很难，所以你们不要怕哈~

刷题：基础教程学完后，我用了这两套题刷题：

SQL练习题及答案（连接写法）

SQL练习题及答案（多次子查询）

因为基础知识跟着网站学习的时候，我学的比较粗糙，刷题才发现有很多知识漏点，所以又返回去查缺补漏，因而刷题时间耗费的时间很长，用了大概20多个小时。

强烈建议：学完数据库基础知识后一定要刷至少一套题，刷完后你会发现对数据库的理解深入了很多，然后那几天我睡觉的时候满脑子都是select......

4.业务学习

推荐书籍：《精益数据分析》、《增长黑客》、《数据挖掘与数据化运营实战，思路、方法、技巧与应用》

个人感觉：学习一样新东西，不断感受它的有趣性才是持久性动力。所以我一般是看Python代码看烦了的时候，就会看一下这三本书，感受一下数据对运营和用户的作用，真的很有趣。由于都是利用这些碎时间看的，所以这三本书目前还没看完，但就目前所看，我觉得都很好，尤其是增长黑客附录里给了一些数据常用指标，很有用。至于《深入浅出数据分析》这本书，我看了两章之后放弃了，还是觉得太啰嗦了（仅是个人见解），因而没有读下去，可能我不太适合这种从大量言语中找重点的书籍。

碎片化学习：要了解公司是如何运营，产品是如何开发的，这些需要不断地积累和广泛的阅读。所以我利用自己玩手机的时间来训练这些思维，我关注了“互联网周刊”、“人人都是产品经理”、“逻辑思维”

这几个微信公众号（我认为这几个都很不错） ，偶尔在不想学习，玩手机的时候会看一下这几个的推送文章，但不是看完就算了，比如“人人都是产品经理”前一段时间推了一篇文章《美团和滴滴的战争，饿了么如何选择？》，我会先尝试着思考一下自己的答案，然后再看下文章里传达的看法，看完之后我会再试着从多角度去思考这个问题，并在去食堂吃饭的路上和同学讨论下这个问题，阐述下自己的看法。（真的觉得向别人讲述才是成长的最大利器！）

此外，我关注了喜马拉雅FM听书电台APP的PMCAFF产品社区专辑，这里面是每天解答一个围绕关于产品和运营的小问题，我列几个我有印象的：“微信消息为什么没有已读未读的提示？”、“微信和支付宝为什么一直没有加入启动页广告呢？”、“继短视频后，下一个流量风口会是什么？”，每个都很简短，只有3分钟到4分钟左右，非常简短又有趣，每天晚上睡觉前，趟床上睡不着的时候，我会选择听一个，感觉对我关于产品和运营的认识有很大提高。

5.Python学习

使用工具：Anaconda+Pycharm（或者Spyder也很好用）

如果还没有开始Python工具下载的初学者，切记不要直接装Python,推荐直接装Anaconda搭建起来的科学环境要方便很多。建议安装Anaconda+Pycharm来学习Python，尤其是对于学习数据分析的同学。（多次入坑的血泪之谈，避免很多麻烦啊！）

安装教程：和大多初学者一样，我在纠结于安装什么样的IDE，以及怎样安装上浪费了很长时间，终于安装成功。这其中差点在安装过程的繁琐中就放弃了学习，因而我写下了我的安装过程,非常详细，细致到了每一步安装过程的截图，希望能让后面的初学者不在安装上面浪费时间。

Python学习之工具准备——Anaconda+Pycharm的安装过程

学习网站：廖雪峰的Python3教程

学完感受：觉得整体都很好，比较适合我们小白学习，但是个别知识不够结构化，比如列表、元祖、字典、集合这几个知识点太分散了，我觉得放在一起学习讲述它们的联系与区别比较好。刚学完这几个，我全都混淆了，所以立马搜索了一下这几个相关知识，发现有人网上有博主总结的很好，立马清晰了很多。所以，这里我想说，不要单一靠一个学习资源（但前提是只以一个为主），遇到没搞懂的，立马百度补充。

进阶补充：由于数据分析需要熟悉Numpy、Pandas、Scrip、Matplotlib等常用的包，而廖老师的网站中缺乏这部分的内容，所以学完基础Python后，包的学习我是跟着一个视频学习的，目前刚进入这阶段的学习，所以无法提供什么有效信息，待我学完这部分，我再来评价吧。

6.基础算法和图表可视化

这两部分目前也还没开始学习，所以也无法提供有效信息。

三．最后的建议

1.时间管理

为了敦促自己的学习，我做了一个Excel时间管理表，其中包含了周计划和月计划，并记录了每天的进程，我觉得这个方法对我来说很有效，所以推荐给你们。

2. 碎片化学习

Python、统计学之类的还是要系统化学习，毕竟让我在等公交的时间看一个Python代码或者算一个概率题，我可能想打人！！。 但运营和产品等业务知识，还是可以利用我们的零碎时间来不断积累，其实只要将平时刷娱乐新闻的时间换成互联网消息就可以了，习惯了之后会发现，这些知识真的更有趣!

作为一个小白，讲述了自己这两个多月的学习历程，可能会有错误，仅供参考，非常感谢！

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。

业务分析是巨大的！业务分析有助于决定如何使用数据，以及可以使用哪些模型来做出更好的业务决策。业务分析可以被称为“企业的数据科学”。尽管有许多模型可用于做出业务决策，但业务分析有助于识别最佳模型。

2.业务分析是一个使用组织中可用的所有统计数据达成建设性结论的程序/研究。组织雇用业务分析专家，评估公司以前的报告，以了解他们是否正确进行。过去的报告有助于他们评估即将发生的事件是否有利于组织或反对。在这两种情况下，对公司都有利。如果企业处于正确的轨道，他们仍然可以改善，如果没有，那么它可以帮助他们找到解决办法来纠正这个问题。

3.首先要掌握基础数学和统计学。了解为什么和在哪里使用平均值，中位数和模式。在你开始之前，你需要爱上你的数据，这是我的教授所说的。当你写关于女朋友的诗，你必须知道我可以从中知道什么。不要用大数据驱动我的误解或数据分析是hadoop，spark等框架。当然，他们有助于更快地获得结果，但逻辑与我们如何将数据转化为有用的信息。按照array老师的视频课程。无论你是学生还是做任何工作，如果你能知道你做什么，那就很容易根据它来找到答案。

4.

· 了解统计信息和多变量统计信息

· 学习SQL和数据库

· 学习编码（Python，R）

· 学习使用新的非结构化数据类型

· 参加MOOC课程数据科学课程（Coursera，Udacity等）

· 考虑数据科学或数据分析的研究生学位

5.您应该深入分析计算的基础知识。您应该了解可扩展性，容错能力，复制性，开放性，地理独立性等分布式编程中的问题。要分析大数据，您需要对统计信息或机器学习有较好的了解。您也可以使用Hadoop，HBase，Hive等分析大数据的工具。DBMS的基础知识也是首选。要使用任何大数据工具，如hadoop，您应该知道一种编程语言（比如Java或Python）。如果要集中精力编程大数据，从分布式计算开始，然后尝试设置一个hadoop集群（单节点，然后是多节点）。我们公司的一个java开发在学Hadoop，别人给了他一套视频，我看了看从基础入门、生态圈组件、商业项目讲解都挺详细的。需要视频的可以到他鹏you圈留言，你可以通过TBanna521找到他。

摘　要：统计分析是一种反映统计结果的工具,它在现在的企业中,被运用得很广泛,但它所使用的技术水平也在不断的提高,特别是在反映企业统计结果方面,更具有一定的实用性。企业在使用统计分析时,涉及到很多种行业中,例如:工业、商业、建筑业和交通以及邮电等各企业统计分析工作中。

关键词：

一、统计分析的概念统计分析是指运用统计方法及与分析对象有关的知识，从定量与定性的结合上进行的研究活动。它是继统计设计、统计调查、统计整理之后的一项十分重要的工作，是在前几个阶段工作的基础上通过分析从而达到对研究对象更为深刻的认识。它又是在一定的选题下，集分析方案的设计、资料的搜集和整理而展开的研究活动。系统、完善的资料是统计分析的必要条件。二、统计分析的特点 　统计分析是对客观现象的一种认识活动，它在定性分析的基础上，经过定量研究，达到对现象本质及规律性的认识。　　统计分析方法具有特殊性　统计分析方法是以总体现象的数量关系为对象的一类特殊科学研究方法的总称。从应用的角度来看，统计分析方法可分为经验方法和数学方法两大类。经验方法是指一些与初等数学知识和人们的实践经验相关联的方法。数学方法又称为数理统计方法，是以数学理论，特别是概率论为基础对客观现象进行研究的方法。它可以通过对现象貌似偶然的变动来探求其必然的规律性。

统计分析的对象具有综合性　统计分析的对象不是某种社会经济现象的个体数量方面，而是现象的总体数量方面，分析研究其综合数量特征。从总体上对客观现象的数量方面进行分析，可以避免以偏概全，使认识较为全面和正确。三、统计分析方法 统计分析方法很多，但基本方法是定量分析 。l、从统计理论上看，我们所见到的统计学著作，除了统计设计、统计调查、统计整理等理论和方法外，其他大部分内容都是统计分析方法，这些统计分析方法有一个共同点，它们都是定量分析方法。 2、统计实践上看，统计分析所起的作用，是通过定量分析实现的。统计分析在人们的认识过程中有三个作用：第一，对客观事物量化，包括反映客观事物规律的数量表现；第二，根据量变程度确认事物的质，即确定区别事物质量的数量界限；第三，揭示新的规律，即通过分析数量关系，发现尚未被认识的事物的规律。　　四、企业如何运用统计分析 　　随着社会主义市场经济的发展,统计为企业发展战略的研究和制定,为各项职能管理提供必要的信息,为防范和化解风险,发挥其预警作用,新经济时代统计信息是影响企业管理层决策成败的关键。

（一）在企业经营过程中：在企业的经营管理中，统计分析占据着十分重要的地位。在认识统计的过程中，企业通过统计调查以及整理取得的统计资料能够对客观现象的数量特点取得一定的认识。若不进行深入的整理和分析，对于这些现象的认识还只停留在表面的初步认识状态，所以必须对这些统计资料加以分析和研究，才可以掌握事物的本质以及内在的发展规律，通过逐渐地深化认识，有效的深入的分析方法，查找出经营管理中存在的问题和薄弱环节，就可以提出改进的举措，给各级领导各级管理部门参考改进建议，是企业的各项管理工作不段得到改善和提高，充分显示出统计分析在企业经营管理中发挥的广泛应用。（二）在企业目标管理中：（1）在企业的各项经济指标的预测中，通常强调动态的分析预测与静态的分析预测相互结合，其中以静态分析预测为主。企业首先要根据自身发展的特点，寻找到经济运行波动的共性和差异，根据企业的总体规划以及企业的特殊性，依据企业的历史统计数据，运用相应的预测模型给出企业相关指标的科学性预测，根据预测数据制定出各项计划经营指标和各项KPI考核指标，再通过把企业的月度统计预测、季度统计预测和年度统计预测与月度、季度及年度各解段实际完成情况进行对比分析，进行不断调整修正完善，使得企业的目标管理以及考核指标得到实现和完成的保证。

（三）、在企业的决策性分析中：在我国的经济管理领域，决策性分析方法是最先被引入和普及的定量化分析方法。随着企业信息化建设的推进，企业受外部环境的影响逐步加深，这就要求企业及时对相关信息进行处理和分析。一是对市场需求和供给能力的分析。主要包括居民的购买力、商品的潜在和实际市场需求量、品牌成熟度、订单满足率、消费偏好等。通过分析，可以判断企业的赢利空间、供需缺口等，为领导层确定商品销售规模、制定阶段性营销策略等提供依据。二是对社会经济环境的分析和影响。主要包括国内、国际的宏观环境对我国行业发展的影响和对地方法规、民风民俗对企业的发展的影响。三是对企业竞争力的分析。通过分析本行业其他企业的经营情况，在对比中认识自身发展的差距和潜力，从而为制定正确的发展战略提供参考。（四）在企业过程分析和阶段分析控制中：在计划方案的落实过程中，往往会出现一些不可预知的状况。需要及时的进行过程分析和阶段分析。企业利用统计数据定期分析计划完成情况、进度情况等，可以及时的发现执行过程中所存在的问题。通过对完成阶段的结果进行对比分析，有利于确定指标完成率。便于衡量市场潜力相同的不同市场之间的业绩。也作为销售目标制定的依据。 　

在企业当中，统计分析工作是了解现状、预测未来，为了更好的促进企业发展进步的重要方法。做好统计分析工作具有重要的作用和意义。因此，我们要提高对统计分析的研究，使统计分析工作更好地成为企业发展的有力推动力量。 参考文献：[1]百度百科.统计分析[EB/OL]. 　[2]赵井霞．试谈如何进行统计分析[J]．商业经济．2004.4． 　　[3]宋安. 统计分析在企业管理与经营决策中的应用[J].经济师.2003.6