数据分析师的职责：
- 解决问题，控制指标，建立一套标准的解决思维（what、when、who、why、how）
- 将业务数据体系化，建立一套指标框架。（指标体系）
指标体系工程化自动化就是BI。
数据分析思维和业务理解是分析师必备技能。
必备：至少掌握Excel+SQL/hive，了解描述统计学，知道常见的可视化表达。
可选：机器学习，python。
数据分析师是基础岗位，专精于业务可以成为数据运营经理/总监，数据分析经理（管理岗）。
商业/市场分析（面向传统行业），超市开业地址选址。
构建数据化运营体系
数据收集层
数据产品层
数据运营层
用户触达层
数据收集层
两个原则：宜早不宜晚，宜全不宜少
数据类型：行为数据、流量数据、业务数据、外部数据
数据产品层
按照标准整合加工数据
数据清洗 ETL
通过BI将原始数据以维度和度量的方式聚合，进行各类可视化的决策分析
数据指标
如何展现指标（BI）
如何提高指标（算法）
如何计算指标（ETL）
如何与指标组合（用户画像）
用户画像
两种
一种属于市场营销和用户调研领域，叫Persona（用户角色），描绘的是一个自然人的社会属性，用于用户需求和场景的确定。
数据领域，叫Profile，将一系列数据加工出来描述人物属性的数据标签。
例子：淘宝的千人千面，买什么类型的产品，打上什么标签。
用户画像是依赖大数据和机器学习的复杂体系，准确丰富的用户画像能呈指数级的提高运营效果。用户画像V1.0可以是简单将用户按喜爱偏好区分。
数据运营层
运营人员将数据转化为运营策略。
不是全量，而是精细。不止精细，更是精益。
未来比现在重要，现在比过去重要。
系统化与自动化
数据本身没有价值，变成策略才有价值。
数据运营层的核心：
系统化使用加工后的数据，以精细和精益为手段目标，以把握未来为方向，指定运营策略。
用户触达层
迭代是体系的核心。
数据挖掘/算法专家
数据挖掘工程师对于统计学能力、数理能力以及编程技巧有高要求。
数据挖掘Data mining是方式，机器学习Machine Learning是方法/学科。
机器学习分为有监督（回归和分类，从历史数据学习出模型，模型可以针对特定问题求解）和无监督学习。
数据挖掘借助算法（协同过滤、关联规则、PageRank等）
最优化问题的运筹学(因为现实问题有很多约束，为了在约束中找到最优解)算法：
遗传算法、模拟退火算法、蚁群算法等。
编程能力：R、Python、Scala/Java
模型的实施：Hadoop/Spark的工程实践经验，精通SQL/Hive
常见数据挖掘项目的闭环如下：
定义问题
数据抽取
数据清洗
特征选取/特征工程（业务理解深有很大帮助，影响模型质量）
数据模型
数据验证
迭代优化
数据挖掘业务领域细分：
金融行业的信用模型和风控模型/反欺诈模型、广告模型的点击预估模型、电商行业的推荐系统和用户画像系统。
数据分析师将业务需求抽象成具体的数据假设或模型。
比如运营希望减少用户流失，设立流失指标，需要预测用户流失率的模型。
数据挖掘工程师进阶是算法专家，对理论要求很严苛，要阅读全部国外前沿论文，方向不局限于简单分类或回归，包括图像识别、自然语言处理、智能量化投顾等复合领域。
深度学习更前沿，是机器学习子集，由神经网络发展而来。要求熟悉TensorFlow,Caffe,MXNet等深度学习框架，懂模型的应用和调参。
数据科学家是最终形态之一，要么理论能力很强，是研究院的一把手，要么工程能力很强，能完成各种系统的平台化部署。
统计知识，《商务与经济统计》，《The Elements of Statistical Learning》
机器学习入门《统计学习方法》（李航）、《机器学习》（周志华）《PRML》
Python《用Python进行数据分析》活用官网最新文档和stackoverflow.
Python可视化查阅文档。
机器学习代码实现《集体智慧编程》《机器学习实战》《Python DataScience Handbook》
数据产品经理
两种理解：
- 具备强数据分析能力的PM（以数据导向优化和改进产品，用分析来决策）
- 公司数据产品的规划者（数据产品经理，提炼需求、设计、规划、项目排期，甚至落地）
必备：Axure、Visio、MindManager等工具
还需要技术型能力：了解BI/DW原理和实施、了解常用的推荐算法、了解机器学习模型等。
《数据挖掘与数据化运营实战》《数据挖掘技术-应用于市场营销、销售与客户关系管理》
网友评论