如何入门数据分析，成为数据分析师

很多小白刚去接触数据分析的时候其实会感觉很困难，一方面数据分析涉及比较多的专业知识不是一时半会就能学会了，另一方面有方法之后你还需要有思维。很多人不是停留在了方法的学习上，而是倒在了数据思维的养成上，养不成优秀的数据思维，高薪的数据分析师好工作就会与你失之交臂。

今天让我用2WH的方法来带你分析一下，我们如果想要0基础入门数据分析都需要经过什么样的一个过程。

首先需要懂得我们为什么要做数据分析（WHY）

为了量化的方式来分析业务以得出结果。这是我们工作中对于数据分析最常见的定义解释，我们还可以把这句话进行一次深度的拆分，得到两个关键词：量化和业务。

而起过程是一条很有逻辑的链路：我们先充分沟通需要分析的内容，然后得出简洁的数据分析结果，而后根据这个结果把相关信息回传给业务端，并且根据我们对于业务的了解给出数据分析建议，最后这里等待业务端反馈。

想业务端所想，忧业务端所忧，给业务端所需，即是数据分析工作的终极奥义。

然后需要懂我们做的数据分析是什么（WHAT）

工作上的数据分析，其实就是一个在常量中发现变量的过程。每天接触的业务数据眼花缭乱，但你需要做的就是无时无刻的查看他们，记录关键数据，以此来培养出自己的数据敏感度。

有大佬就讲过，数据敏感度对数据思维的养成其实非常重要，所以并非我们神功大成才能成为合格的数据分析师。

多数数据分析师伙伴也是在工作中不断精进自己，圆周率式的工作数据看起来固然枯燥乏味，但当你看久了，你也就悟了。

最后开始进入整体，如何数据分析（HOW）

上文主要讲的例子都是我所涉及的业务数据分析，但是真正数据分析岗位又多种多样，有科研数据分析、数据挖掘解决方案等差别。区别是，业务数据分析几乎不要求数据分析师有太多的编程能力，模型也较为简单，只需要足够懂业务。

而无论是科研的数据分析，还是数据挖掘都需要有中等以上的编程能力，有模型理论功底。

下面我们展开来讲：

数据分析师的基础包括了统计学和概率学。如果你是业务数据分析师，你需要懂RFM模型、AARRR模型、QQ模型、5W2H模型、用户行为理论等等，而以上这些则需要你不断积累，并非一蹴而就。

在打好底子的基础上，业务指标你也必须了解：什么是GMV 、什么是SKU视角、什么是ARPPU....指标要了解，其蕴含的意义更需要懂。

除此之外比较最关键的一点，数据分析编程语言你的工作不需要，但你如果想日后能有一个更高的职业发展上限，那么你必须要懂。之前我就看过一个新闻，摩根大通集团有三分之一的分析师被强制要求学习编程课程，很多部门的初级员工都要学数据科学、机器学习和云计算。

可见，最起码在投行业界主流的数据分析师招聘上，不会要不懂编程和数据科学的同学了。很多朋友这时候比较纠结，学编程学什么。我的建议是顺势而为，在人工智能时代虽然JAVA还是大哥大，但是Python追赶势头凶猛，现在学Python绝对没毛病。

我认识有几位朋友就是工作之前懂Python和SQL，剩下的工具都是上岗之后现学的。所以项目不多，链路不长，关键在于精通，在于能依靠专业知识独当一面。

--

当你顺利入职数据分析之后，你就会发现你的工作很有可能会分为以下几个方面。你的日常运营工作中，你会基本统计指标、开发报表、制作可视化看板；你可能还会参与分析建模工作，专题分析、诊断分析、或提供预测性分析；你还可能参与撰写报告，报告中包含日常数据、专题分析数据或者综合分析数据。

其中日常工作是最基础的，考验你的基本功。分析建模工作则需要你有常年积累的业务知识以及分析方法。撰写报告则是更为核心的工作，这部分工作最能体现你的工作价值，也最需要你重视。

讲到这里，相信你已经对入门数据分析师这个行业有了一点点思路，如果这篇文章能提供帮助，不甚荣幸。