|
给CDA的小伙伴们打个招呼，介绍下您和您刚刚出版的新书，是什么原因激发了您写这本书的？ Hello，大家好，我是《数据分析之道——用数据思维指导业务实战》的作者李渝方，现在数互联网行业的一名数据分析师。从19年开始我就在知乎和公众号数据万花筒输出数据分析相关的内容，但从来没有过写书的想法，直到后来有出版社的编辑陆续找到我，邀请我写一本数据分析相关的书籍。刚开始我是拒绝的，觉得自己还没有达到能够写书的水平，后来在编辑的鼓励下以及公众号内容的积累，我决定一试，于是开始确定主题、整理目录。 其实市面上数据分析的书籍已经很多了，要写书就不能太同质化，看了京东、当当在销售的书籍之后，我发现市面上大部分数据分析相关的书籍都是从工具出发，关于数据分析思维的书籍较少且部分书籍讲授的知识点较浅，能够将数据思维、编程语言、统计学思想以及案例分析等模块融为一体的书籍更是少之又少，于是我萌生出想要写一本以数据分析全流程为主线的数据思维相关的书籍。由于我长期坚持分享在自媒体上分享数据分析相关的转行经验、数据分析思维相关经验和思考，几年下来积淀不少优质文章，为后续书籍的创作奠定了一定基础，最终也开始了自己长达一年的写书历程并于2022年3月份正式出版了《数据分析之道——用数据思维指导业务实战》。 您是如何走上专业数据分析师之路的？ 我走上数据分析之路算是早有规划吧。我本科学的是生物科学专业，作为基础学科如果毕业直接工作的话医药行业做医药代表或者培训机构当老师，尝试几次面试之后，我决定放弃工作，还是读研会比较好。为了给后面的转行奠定基础，我得从纯生物专业转向一个交叉学科，生物信息学就是一个比较好的方向。这里并不是说生物医学不好，在疫情肆虐的这几年生物医学的重要性更加体现的淋漓尽致，但想要在生物医学领域做出一番贡献的确比较难，只有极少数的人能够实现，我坚信自己不会是那么极少数的人，所以选择了一条适合自身发展的一条道路。 在研究生期间，我的专业就是生物医学与计算机结合的一本交叉学科，在此期间接触到了生物医学大数据分析，学习了大数据分析的相关技能，从第一份实习开始做的就是数据相关的内容，也由此走上了数据分析之路。 关于知识储备，哪些是校内学的课程和内容，哪些是在工作中学的，或自学的？分别对后来的发展有哪些指导意义？ 数据分析的知识储备包括硬技能和软技能，所谓的硬技能就是数据分析中需要掌握的分析工具。如图1所示，数据分析师需要掌握的分析工具包括SQL、Excel、BI工具以及Python。
（数据分析的硬技能） 无论是实习还是求职，数据分析硬技能都是必考的内容，所以这些硬技能基本都是学校学习或者是课后自学的。复旦是一所“自由而无用“的高校，跨校区上课、蹭课旁听只要你愿意都是可以的，所以在研一一年几乎天天往返复旦的四个校区上了《数据科学》、《机器学习》、《数据挖掘》、《面向大数据的机器学习算法》、《生物信息学》、《生物统计学》等多门数据分析的基础课程，因此掌握了R、Python等数据分析常用的工具。但是做数据分析SQL肯定是必不可少的呀，这时候B站自学也就开始了,B站真的还是有很多优质的课程，在我的数据分析之路上帮了不少忙。数据分析硬技能很重要，至少是在刚入门以及初级阶段，数据分析的硬技能是进入数据分析行业的敲门砖。 除了数据分析的硬技能之外，数据分析软技能也是十分重要的，常见的数据分析软技能总结如图2所示，包括了对行业的认知、数据分析思维、沟通能力等等。软技能的话，在学校基本就很难学到了，都是需要在实习、工作中不断积累的。
（数据分析的软技能） 您觉得优秀的数据分析师应该具备什么素质和技能？ 数据分析师的硬技能是数据分析师入门的一个敲门砖，非常重要，但是随着工作年限的增长，数据分析的软技能就显得尤为重要了。首先，数据分析师一定要懂业务，任何脱离业务场景的数据分析最终都是无法落地的，数据分析师能够站在业务的角度通过数据去分析问题，提出一些合理的意见和建议，辅助业务进行决策；其次，数据分析师的沟通表达能力，推动项目落地的能力也是极为重要的，有了一个好的数据分析报告和方案，就需要把它销售出去，让业务方接受认可数据结论和方案，直至推动项目落地。 Q 您如何看待数据分析师的发展趋势？可以给即将成为数据分析师的同学或者已经是数据分析师的同学有那些意见和建议 数据驱动业务是互联网时代的主题，迈向了人人都是数据分析师的时代。近些年来，数据分析这个岗位超级火爆。一部分原因是随着互联网的发展，每款APP每天都会产生大量的数据，因此也需要有人专门对数据进行分析和处理，从而在数据层面监控业务情况，数据分析师也就这样诞生了。数据分析的确是需求很大的一个岗位，近几年越是如此！ 对于已经入行数据分析的同学来说，熟悉业务、基于业务场景作出优秀的分析报告并给出一定的建议和意见，推动业务的发展是我们的追求和价值所在；而对于还没有入行或者想要转行的的同学来说，还是需要慎重考虑。数据分析又多火，这个行业就会有多卷。数据分析虽然是进入互联网的一个绝佳途径，而且薪资待遇也不错，但不要盲目转行。毕竟存在“幸存者偏差”，大家看到的能够转行成功的毕竟都是幸存者，还有一大批想要转行的不知在哪个环节就放弃了，所以大家在考虑转行的时候一定要考虑自身的实际情况，选择合适自己的道路。 最后感谢老师的解答，希望对大家的未来发展有所帮助，也欢迎大家关注CDA数字化系列丛书《数据分析之道：用数据思维指导业务实战》，后期还会有更多的CDA数字化系列丛书出版，欢迎继续关注。 附图书目录：
目 录 第1篇 数据思维 第1章 数据思维是什么 1.1 从数据治理流程浅谈数据思维 1.2 数据思维到底是什么 1.3 数据思维最直观的解释 第2章 为什么数据思维如此重要 2.1 数据思维是数据分析师必备的技能 2.2 数据思维是数据分析师成长晋升的必备技能 2.3 数据思维能帮助数据分析师建立影响力 第3章 数据思维如何培养 3.1 熟悉常用的数据分析方法 3.2 树立目标意识，寻找潜在分析点 3.3 不预设立场，通过客观的标准代替主观的判断 3.4 基于数据分析结果为业务方提出切实可行的解决方案 第2篇 数据指标体系 第4章 数据埋点 4.1 数据埋点简介 4.2 数据埋点分类及主流的数据上报技术 4.3 数据埋点方案设计 第5章 数据标签体系 5.1 数据标签体系与用户画像 5.2 如何构建数据标签体系 5.3 数据标签体系的应用场景 第6章 数据指标体系 6.1 从中国人口数据初识指标体系构建 6.2 用四个模型梳理数据指标体系构建的方法论 6.3 如何搭建一套通用的指标体系并快速落地应用 6.4 定位异动因素 第3 篇 数据分析方法论 第7章 对比思维 7.1利用对比分析得出结论 7.2 A/B 试验设计及容易忽略的误区 7.3 A/B 试验背后涉及的统计学原理 7.4 Python 实战：A/B 试验在广告方案选择中的应用 第8章 分群思维 8.1 从用户生命周期浅谈分群思维 8.2 用数据分箱进行结构化分析 8.3 同期群分析解读用户生命周期，剖析真实用户行为和价值 8.4 Python 实战：基于RFM 模型及K-Means 算法实现用户分群 第9 章 相关与因果. 133 9.1 相关性分析简介 9.2 因果推断方法论 9.3 Python 实战：利用DoWhy 框架实现因果推断 第4 篇 数据分析案例实战 第10 章 用户流失分析 10.1 用户流失分析方法论 10.2 案例分析：用5W2H 方法分析游戏用户流失原因 10.3 用5 个理论模型构建外部因素分析框架 10.4 如何设计问卷验证用户流失的原因 10.5 Python 实战：通过生存分析预测用户流失周期 第11 章 用户转化与付费分析 11.1 用户转化与付费分析概述 11.2 贝叶斯公式在用户转化中的应用 11.3 案例分析：用漏斗模型分析某电商平台换货业务，提升用户转化率 11.4 用营销增益模型实现用户分群，辅助运营人员识别营销敏感人群 11.5 Python 实战：利用营销增益模型识别营销敏感人群 点这里👇关注我，记得标星哦~
|
|
|
