
我羡慕那些从学校走出甚至还未走出的时候,就可以以自己学会的知识和技术来创造价值的人;而另外一些人,比如我,要再过很久才能找到自己的位置。已经开始读这篇文章的话,你与我很可能是同类。
大学期间,我基本算得上是个正牌的文科生。毕业之后,目光却逐渐转向数据分析,这个跨度颇有点不靠谱的意味。不过,在岗位上一段时间之后,我发现像我这样的人不在少数,只是他们可能在开始时距离“数据”没有那么远,例如传媒或者社会科学,但大家跨越自己原专业、进行新知识学习的程度是相似的。
既然如此,也一定会有后来人需要这些故事和鼓励,使他们在立志的时候,得到一些示例、经验以及方法,大致的感知某些路径,以便在专业背景弱势、技术起点偏低的情况下,避免绕弯路,避免挫折,更有效率的前进。
豆瓣配套豆列:从文科生到数据分析师(书籍部分)
任何问题欢迎随时评论探讨。
我们所说的“数据分析”:产业与链条
“数据分析”是一个含义颇为宽泛的概念,并且,在这个数据化的时代,这个概念几乎是无处不在的。为了保证内容的有效性,在这里仅提供我了解的一些方面。
我接触的数据分析,主要是围绕互联网产品展开的。从数据采集前的规划,到采集过程(交互逻辑设计等),到回收数据的整理(机器层面和人工层面),与业务相联系的数据汇总,到后期的报告呈现(项目成果呈现),都有“数据分析”涉及。
对单一产品来讲,数据分析(非挖掘)的集中体现,往往在运营层面。一方面是日常数据的跟踪,另一方面是重大活动、市场策略、新版本上市时的数据监测。产品经理也可以依据产品日常数据进行用户需求分析。从典型性上看,电商和网络游戏是这个框架下比较成熟的两类数据链条。
对于商业咨询/研究来讲,数据分析为观点服务,这里的数据分析,选样、分析过程、呈现都是依附于特定商业目标和商业逻辑的,没有太多的共性。重要的是要知道如何获取高质量的数据,以及熟练使用业界通用的分析方法。
此外,在一些商业提案、演讲、培训中也会用到数据分析,这里的数据分析更是为了主题服务,一方面需要描述市场规模、时间变化趋势等的宏观数据,另一方面需要具体的案例数据,讲述提案所涉及的方法在哪些指标上使客户/用户得到提升。
综上,数据分析可能出现在产业链条的任何一个位置,产品、运营、市场,甚至销售、商务、人力,等等等等,当然职位可能就叫数据分析,但理解这个职位在哪一个业务板块,会更利于数据分析的进行。
数据分析在我看来是个无底洞,越做越觉得技能欠缺——文科生可能尤其如此,因为他们几乎零基础;这如果不令他们陷入迷茫,就很可能令他们陷入知识获取的癫狂状态。
深浅远近的知识一起吃未必不好,不过我还是建议入门早期首先关注三个方面:
1、统计学基础
基本的统计学原理和简单的几种分布的概念。可能在工作中都用不到分布,但这是后续升级的基础。
推荐书目
后两本有所重合,随意看一本即可。【《爱上统计学》我有pdf电子版,需要的话可以留邮箱。】
还有网络课程:Statistical Thinking and Data Analysis
2、业务逻辑
就是业务逻辑,公司与公司不同,岗位与岗位不同。业务逻辑包括数据指标和计算方法,还有一些特殊的时间点、事件带来的例外情况。
可以学习一下市场营销的课程,或者看一本入门教材,了解一下marketing的大致方法论。
如市场营销原理 (豆瓣)
另参考《如何在一周内摸清一个行业》:网站分析公会的微博 新浪微博
3、Excel,SPSS至少一种
最基本的数据处理和制图用工具。一些基础函数和数据透视表是最最基础的技能。
可参考谁说菜鸟不会数据分析 (豆瓣)
另外可以关注一些网络视频课程。
此外,了解一些数理逻辑基础、数据结构基础、软件工程的基础会更方便理解互联网的产品。
个人认为,最大的优势在于,当数据分析需要呈现的时候,很多文科生有能力一击抓住要点。这是需要跳出数据,思考问题本身的时刻。此时有必要相信距离媒体更近、距离项目报告更近的专业出身的学生。
此外,有些数据分析需要宏观层面的联想,甚至一些出人意表的思路。文科生可以发挥创意。
然后,文科生可能有着更多与“人”沟通的倾向和能力,这对数据需求的获取和数据表达的方向至关重要。
培养这些能力,可参考:
另外一些心理学的书籍也可以培养观察数据的角度问题。
不过,总体来讲,上述都略有牵强,这一段是本篇的鸡汤属性较强的地方。因为过于发散的思维可能影响数据分析的严谨性。且如果文科生做数据分析处处是优点,也就不会有这系列文章了。
这个行业需要真正重视数据而不仅是把数据挂在嘴边的,也即,数据是其核心竞争力,或是产品进步的必要推动力。
最好是小公司。大公司里你很可能只是一个汇总excel、写周报的,连上下游的数据维度都摸不到。
边入门边想清楚自己最终想走到哪一步。到市场传播,还是到产品经理,到投资/管理/业务咨询,甚至是向数据挖掘靠拢?每个方向所要关注的东西都是不同的。
不抛弃,不放弃。
同时放轻松,知道这将是一场漫长而艰苦的斗争。
原文作者:任明远
本文转自:知乎
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10