京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05在CDA(Certified Data Analyst)数据分析师的能力模型中,“指标计算”是基础技能,而“指标体系搭建”则是区分新手与资深分析 ...
2025-12-05在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01在时间序列预测任务中,LSTM(长短期记忆网络)凭借对时序依赖关系的捕捉能力成为主流模型。但很多开发者在实操中会遇到困惑:用 ...
2025-12-01引言:数据时代的“透视镜”与“掘金者” 在数字经济浪潮下,数据已成为企业决策的核心资产,而CDA数据分析师正是挖掘数据价值的 ...
2025-12-01数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27