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
CDA数据分析师 出品 作者:李诗怡 四层结构 · 零件与房子 · 六大易错点 一、什么是指标体系 定义:指标体系是整套完整框架 ...
2026-10-13写在开头 先还原一个你大概率见过的场面。 立项会上有人说:我们得做用户画像。 于是团队关进会议室,白板写满便利贴,两小时后 ...
2026-10-13 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-10-13在统计学与数据分析研究中,相关性分析分为数值变量分析与分类变量分析两大类。针对身高、销量、分数等连续数值变量,通常采用皮 ...
2026-10-12在Power BI可视化分析体系中,常规表格仅能展示枯燥的数值数据,存在数据对比不直观、强弱规律不突出、维度交叉分析低效等问题。 ...
2026-10-12 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-10-12在传统零售行业同质化竞争激烈、大众营销转化率持续走低的背景下,依托经验与直觉的粗放式营销逐渐失效。美国塔吉特百货(Target ...
2026-10-10随着智能客服、数字化服务、用户精细化运营的快速普及,传统零散、非标准化的客户服务数据与业务体系逐渐难以支撑高效服务治理。 ...
2026-10-10 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-10-10CDA数据分析师 出品 作者:李诗怡 定义区别 · 场景举例 · 指标分类 · 计算方法 知识体系总览 模块 包含内容 一、核 ...
2026-10-09在数据分析工作流中,业务数据大多存储在各类关系型数据库内,例如MySQL、PostgreSQL、SQLite等。Pandas是Python生态中主流的数 ...
2026-10-09在数字化精细化运营时代,海量用户存在需求差异、行为差异、价值差异与偏好差异。如果企业采用“一刀切”的统一营销、统一服务、 ...
2026-10-09 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-10-09指标体系是企业数字化分析、业务监控、经营决策的核心基础框架,是将零散数据转化为可衡量、可对比、可落地业务价值的关键体系。 ...
2026-10-08随着市场竞争日趋饱和,同质化低价竞争逐渐陷入内卷僵局,传统以价格、渠道、促销为核心的营销模式边际效益持续递减。在此背景下 ...
2026-10-08 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-10-08你有没有想过,手机里点外卖、刷社交软件、转一笔账,背后到底是谁在替你"记着账"? 答案其实很简单:数据库,以及跟它对话的那 ...
2026-10-07CDA数据分析师 出品 作者:李诗怡 一、数据分析四大思维 1. 对比思维:没有对比就没有分析 核心观点:单独一个数字没有意义,有 ...
2026-10-05Kimball 是方法,星型模型是它产出的形状。 很多人把"Kimball vs 星型模型"当成一道选择题——这本身就是个误会:Kimball 是动词 ...
2026-10-05写在开头 老板在微信上甩来一句: "帮我看下为什么销量跌了。" ” 你回工位,打开 SQL,开始写。查订单表、拉近三个月、按 ...
2026-10-03