首先我认为，业务数据分析是业务和数分这两大块内容的集合体，学习业务和学习数据分析是同等重要的，既然题主问的是学习路径，那么我就分开说：
按照我一贯推崇的学习路径，数据分析一定要先学基础和方法，再学工具和技能，但是很多人都恰恰本末倒置了，下面我就按照基础和工具的顺序，说一下应该学习哪些内容
1、数据分析基础包括：
（1）统计学基础。
数理统计学是数据分析的基础之一，很多人连统计学概念都没搞清楚就跑去学python、学excel，结果却发现越学越难。
首先要了解一些统计学的基本概念，比如什么叫描述型统计？什么叫假设检验？什么叫正态分布？
然后再去学习统计学里的数据模型，比如聚类、回归，这些都是业务分析中必备的内容。
关于统计学，大家可以看一看《深入浅出统计学》、《赤裸裸的统计学》、《统计学概论》这几本书。
（2）数据分析思维的养成。
思维往往是很多人忽略的一点，但其实作为数据分析师来说，最起码要了解和学习数据分析中的思维定式，比如结构化思维、演绎推理等等，这些我们可以在生活中慢慢培养。
因为数据分析是靠人来做的，既然是靠人，就免不了要受到个人的思维影响，很大程度上数据思维能决定我们分析问题的方向和思路，建议大家可以看看下面这本书：
（3）数据分析模型与方法。
大多数时候，我们做业务分析都是依靠的分析模型，因此学习一些常见的数据模型是非常必要的，这也是基于我们的数据分析思路自然而然养成的。
比如我看到流失分析，就想到肯定会用漏斗模型；比如我想到商品关联分析，就一定要用到购物篮模型；比如我看到会员分析，就一定会想到RFM模型。
这部分建议大家看看《深入浅出数据分析》，《谁说菜鸟不会数据分析》也可以看看，不过比较简单，当做入门书看比较合适
2、数据分析工具和技能包括：
（1）SQL
取数的必备技能，要掌握一定的数据库基础，主要是学习sql的语法，建议大家看看《sql server：从入门到精通》、《MYSQL必知必会》：
（2）Excel
主要学习数据清洗、数据透视表、DAX函数这三个功能，有能力的可以学学VBA，不过业务分析不建议太深入，推荐读物：
（3）BI工具
用来做数据分析的主要工具，比如tableau、powerbi、FineBI等等，这些工具都各有特点和适用环境
（4）Python/R
数据分析也需要至少掌握一种编程语言，万能Python是最合适的了，不过也有很多人喜欢R，二者对于业务分析来说，差别并不大。
数据分析师=半个业务人员，可能对于业务分析师来说，必须首先得是个业务人，之后才能是数据分析师。而学习业务，才是数据分析人最痛苦的事情。
那该怎么具体了解呢？可以通过业务模式、产品、渠道、用户、运营、部门、KPI来充分了解一个公司的业务、信息。
1、业务模式
通俗来讲，要了解一家企业，可以了解它的商业模式，但这太宽泛了，我们用业务模式来代替。简单讲，就是这家企业是通过什么来挣钱的？
2、产品
产品是有企业提供的满足某一用户群体的某一场景下的特定需求的物品和服务。产品一般看什么：
3、渠道
渠道的定义，就是连接产品和用户的通道。把产品提供给需要它的用户，把用户的钱带回来。渠道有什么：
4、用户
用户，是产品和服务的最终使用者。我们最终的目的，就是希望用户能尽可能多使用，购买我们的产品，所以我们就要了解自己的用户。用户都有什么属性呢？这就多了，主要分为两种用户，企业用户和个人用户。
5、运营
运营在整个闭环中，需要支持产品，渠道，用户三大部分。比较常见的是互联网产品运营，这个职位一般需要优化产品的用户体验，比如APP的这个功能基本没什么用户使用，就要考虑是哪里出问题了，好做相应的改进。或者在传统行业帮助产品做好进销存管理。
当然还有其他很多业务知识需要学习，这部分建议大家多去参与到业务部门的工作中，最好是跟在业务部门一段时间，多去学习业务才能真正做好数据分析。
评论0
加载中...
数据分析师主要学习的内容大致分为六个模块，分别是：
Excel
精通Excel分析工具，掌握Excel经典函数，准确快速地完成数据清洗,利用Excel数据透视及可视化，可以透过现象看本质。
MySQL
理解MySQL数据库相关概念及存储原理，掌握SQL基本的增、删、改、查等语法掌握数据库性能调优策略，熟练使用SQL进行数据清洗与数据规范化。
BI商业智能工具
了解商业智能的核心价值，精通FineReport、FineBI，快速挖掘数据价值，掌握行业场景应用。
Python
学习Python基本编程语言知识，了解Python程序的计算机运行原理，能够使用Python编程处理工作中的重复性工作。 掌握网络数据抓取技术，Python数据库应用开发，实现Python数据可视化操作，提高数据收集和数据分析能力。 掌握Python数据分析处理基础库，具有应用Python语言解决数据分析中实际问题能力。
数据分析思维与理论
掌握微积分、线性代数、概率论、参数估计、假设检验、方差分析等数理统计基础 掌握基本的数学、统计学知识，学习数据运营方法论、机器学习夯实基础，提升数据敏感性，建立数据思维和数据素养。
掌握如何撰写行业分析报告和数据分析项目流程，能够独立完成数据分析项目。 掌握常见的数据运营方法如AARRR、漏斗、ABTset、描述性统计分析、相关分析、指数系统搭建等，培养利用多种数据分析方法解决实际工作问题能力。
机器学习
掌握机器学习常用经典算法原理及sklearn代码的实现、机器学习算法的选取、调优及模型训练、神经网络的特点及原理，增加个人核心竞争力，拥有能够用相关数据挖掘算法为解决实际问题能力；奠定人工智能算法入门基础。
想要了解更多咨询可以关注我们头条号和公众号：聚数云海
评论0
加载中...
如何用数据诊断业务问题，作为一个数据师、分析师，用数据诊断业务是最基础的，但是很多人对于诊断业务是一看就会一做就错。所以今天给大家分享为什么你在做的数据分析业务方面会不认可呢？弄清楚这三个问题就知道了。
1、基础诊断技巧知识业务诊断流程，第一步，建立监控指标，第二步树立判断标准，第三步发现异常情况，第四步细节问题来源，第五步，给出诊断意见。例如，某公司有四条销售业务线，目标是月销一个亿。实际达成9500万属于不达标，对应刚刚诊断流程分析，建立监控指标为整体销售业绩树立判断标准为10000万观察现状为9500万发现异常问题为差500万为不达标。所以细节问题为渠道a差1000万不达标，渠道b超额200万、渠道c超额为二百万。渠道d位超额为100万。如果销售是线上的，就能进一步看到转化流程，渠道a业绩计划，500万投放量100万投放转换率50%购买转换率50%。这是转换过程，客单价为200这是转化结果，实际上渠道a的业绩是四千万。投放量100万投放转化率分之40购买转化率分之50客单价值200于是对比后发现是a业务线出了问题。投放转换率太低，互联网讲究漏洞转化模型，指的是用户看到广告到购买，结束购物过程中的全程记录。
二是常见问题，单纯的数据并不是为了记载，而是为了分析问题并解决。例如，上述渠道a实际4000万投放量100万投放转化率分之40购买转化率分之50，客单价200诊断后数据分析给出的理由是，一大环境不好，肯定转化率低，二投放没有问题。配套优惠没有跟上，肯定转化率低，三次投放优惠都没问题，商品已过气肯定转化率低。四大家都没有问题，是客户口味变了，肯定转化率低等等，很多做数据分析的人看到这些都会觉得很感性，怎么合DAU有转化率活跃率，消费金额这些指标有关的；
三解决问题关键诊断业务只有找到病因，才能针对性解决区分的关键点有四个，第一个是否真的清楚现状，第二个是否已采取行动，第三个是否已制定行动计划，第四个是否打算申请资源。弄清楚这四点区分业务方是否想解决问题。说到这里从本质上看，问题诊断之所以难，一是因为环境原因，业务能力和操作流程等都会导致业务问题，但这些不是用数据量化，而是一个个细节假设。二是遇到问题了大家都怕担责任，所以很多人拒绝了解真相，从而不想发现问题去解决。他说到这里。想要数据诊断，就得层次突破，争取业务的支持和老板的理解才能见效，这也是数据道路落地的必经之路。
评论0
加载中...0
回答0
回答2
回答0
回答0
回答0
回答2
回答0
回答0
回答0
回答
