【课程归纳分享】 - 破除思维误区，树立正确的数据分析观

作者: Atia十点睡姑娘 | 来源:发表于2020-06-14 23:38 被阅读0次

【总结归纳II】

一：课程规划

模块一：构建思维框架
模块二：掌握分析方法及工具
模块三：数据可视化说服他人的技巧
模块四：企业实战案例

二：破除常见三大误区

数据分析的应用范围 - 适用于所有人
数据分析学什么？并非单纯工具，而是解决问题的思维方式
数据分析的门槛专业诉求和普通诉求的门槛有区别

image.png

【原文I】

第1小节：破除思维误区，树立正确的数据观

你好，欢迎来到圈外同学数据学院L1学习计划，我是圈外同学创始人孙圈圈，和你一起提升数据思维，掌握职场核心竞争力。

提到数据分析，你会想到什么？

image.png

复杂的统计图表？

一行行的代码？

image.png

还是密密麻麻的数据表格？

其实数据分析并非代表着复杂的数据运算和工具操作，而是一种解决问题的思维方式。

在有专业数据分析师的很多互联网公司里，我们常常会发现“懂数据的人，往往不懂业务”，很多人可以熟练操作Excel、R、Python和BI等等工具，展示复杂的业务数据和图表，却无法分析数据背后的原因，也得不出什么有价值的洞见。

比如，你可以通过分析历史数据，很快发现“产品销售额在过去1个月下降了10%”，但老板更关心的是，为什么下降，以及怎么提升。

所以对我们来说，学习数据分析，最关键的是将数据思维应用到工作中去，去解决实际问题，真正创造价值。而这，就是我们L1课程在8周里面的学习重点。

后续的L2学习计划，则是针对常常要做复杂决策的管理者，进一步教你更深的数据分析方法，同时也为成为专业的数据分析师做准备。

image.png

既然L1课程是为了让你在工作中应用数据分析方法，真正用数据思维解决问题、创造价值，那么我们整体的课程设计也是围绕这个目的来的。L1学习计划一共8周，包含4大模块，我接下来给你简单介绍一下：

image.png

模块1-构建基本的数据分析思维框架：第1周，我会带你破除关于数据思维的常见误区，建立正确的数据观念，从而更快地吸收和掌握新领域的学习内容。更重要的是，我会教给你，用数据分析解决问题和呈现结论的两个基本框架，掌握这两个基本思维框架，你能够从更高的维度来理解数据分析，未来每学习一个工具，都能更好地举一反三。

模块2-掌握多种数据分析方法及对应工具：第2周到第4周，你会学习用数据分析解决问题。我会先教你如何用对比分析等方法，发现和定位问题；然后，我会教你拆解问题的一些数据分析方法，把复杂问题通过结构、流程或者分类等等方法，拆解成一个个简单的小问题；最后，我会教你使用相关等分析方法，找出影响最大的那个小问题，作为切入点，最终解决问题。

模块2的3周里，每一种数据分析方法，都会搭配一个案例，把详细分析步骤教给你，同时配合练习题以及工具教学，让你面对任何复杂问题，都能快速用数据分析方法形成洞见、高效解决。

模块3-掌握用数据可视化来说服他人的技巧：在职场上，你行，还得有别人说你行。掌握更多分析能力、有能力解决问题之后，第5周到第6周，我会告诉你，如何使用数据可视化方法，来清晰展示自己的实力和工作结果，让老板和同事眼前一亮。在这个模块里，你可以零基础掌握Excel等工具的高阶数据分析和可视化方法，快速输出分析图表和洞见。

模块4-可以为履历加分的企业实战案例：最后2周，你会能够把所学内容贯穿起来，和同学组成虚拟项目小组，完整运用前面所学的内容，帮助合作企业解决他们真实的业务问题，为你的简历增加亮点。

和圈外的其他学习项目一样，课程采用训练营模式，除了通过大量贴近工作场景的练习和案例，帮助你理解和掌握课程内容，你还会有：

班主任一路陪伴你的学习旅程，根据你的学习目标分配学习资源，督促你的学习进度；

助教为你提供作业点评和学习答疑，他们很多都是专业的数据分析师，或者业务高手和管理者；

课程组也为你邀请了不同领域的专家和高管，和你聊聊互联网大厂如何应用数据思维创造亿万级的价值、如何应用数据快速弄懂一个公司和行业、数据在各行各业中的前沿应用等等，帮助你拓展视野。

我们还为学习结果最优秀的前5%学员，提供企业招聘会入场券和内推合作企业的面试直通车，无需简历关就能拿到面试机会，和前BAT、国内外名校毕业的数据分析大牛做同事。

这些资源的获取方式，都会在开班班会和班级群内通知，所以一定要留意班主任和班级的消息哦。

image.png

总之，希望你能够8周的学习，体系化提升数据思维，学会分析工具和方法在各个工作场景中的应用，形成自己独有的不可替代的竞争力！

image.png

好，了解了未来8周的学习安排，我们就正式开启数据思维提升之旅。

今天，我将带你破除关于数据分析的三大常见误区，告诉你到底什么是真正的数据分析。如果你参加过圈外数据分析7天入门课，可能已经对这部分内容有所了解。

不妨自己做个复习和检验，看看经过过去一段时间的学习，自己的数据观念是否发生了变化。

image.png

伴随着知识点，课程还会给你一些案例，包括：从数据中提取洞见，用数据进行汇报，以及用数据分析告诉你，如何吸引更多异性。

好了，刚才说今天一个非常重要的目的，就是破除误区。那你可能会感到疑惑：为什么要先讲误区，而不是直接讲方法和工具呢？

image.png

你可能是第一次参加圈外的课程，所以我稍微花一点时间，来介绍成年人的学习特点，也是圈外教育理念的重要依据。知道了这一点，你今后在学习其他课程的时候，一样能够快速入门。

被誉为“成人教育之父”的马尔科姆·诺尔斯，在进行了大量研究之后认为，成人学习者具有一个突出的特征：随着个体的不断成熟，人的自我概念将从依赖性向独立性转化。

什么意思呢？通俗来讲，就是指，成年人在成长过程中，逐渐形成了一些固有的观念，而其中一些固有观念其实是错误的，可能是刻板印象，也可能是偏见。

image.png

比方说，在美国，如果你问中产阶层“穷人为什么贫穷？”，大多数人会这么回答你：因为懒惰，因为缺乏自律。但是，专栏作家芭芭拉，为了搞清楚穷人到底如何生活，隐姓埋名，先后在餐馆、养老院、超市等地方做服务员、清洁工、保姆，最终发现：穷人之所以穷，并不是因为我们所认为的懒惰、穷人思维等，而是因为很多穷人领着微薄的、按天结算的工资，没有保险，为了活下去，不得不兼职两份及以上的工作。而今天的工作只够养活第二天的自己，第二天也必须如此重复，完全没有任何时间提升自己。因此陷入了“恶性循环”。

image.png

所以如果我们只是认为，因为他们懒所以他们穷，根据这个固有观念，贫困问题可能永远也得不到解决。所以你看，成年人的这些错误的固有观念，很容易阻碍一个人去认识、学习、理解新的事物。

image.png

所以，在你学习数据分析这个新事物之前，我会先带你清空脑海里关于数据分析的固有观念。在树立了正确的观念之后，再来学习，你会发现事半功倍。同时，知道了数据分析是什么、不是什么，今后你就能够知道，在什么情况下可以用，真正把数据分析变成自己的能力。

我们在前期做了一些用户调研，发现了大部分人关于数据分析的三个认识误区，我们一个个来看。

image.png

第一个：不是所有人都需要以及用得上数据分析。

image.png

很多人会认为：只有专业的数据分析师，或者高层员工才需要学数据分析，普通员工应该用不到。

关于这一点，你还记得我在课程介绍中提到的吗？

现在很多热门岗位，在招聘要求上都会写“数据分析能力”。无论你是专业的数据分析师，还是在市场营销、人事、财务、销售、运营，甚至客服、运维领域工作，具备用数据分析和解决问题的能力，都能为你带来溢价。

随便举个例子吧，比方说行政这个岗位，一般我们会觉得不太用得上数据分析。

好，我们假设你是一个行政人员，老板问你：刚过完春节小长假，大家的工作态度和工作热情怎么样啊？

image.png

大部分的行政人员会这样回答：我觉得还不错啊，大家都挺认真的。

但如果你懂得数据分析，你的做法可以不一样。举个最简单的例子，行政人员一般掌握了公司所有员工的考勤数据，那你可以做一些分析，每天不同时间段到公司的员工的占比，每天不同工作时长的人员占比，不同部门的出勤率对比，一周内不同天数的数据对比，等等。

image.png

从这些数据中，你可能会发现很多别人发现不了的现象。比如通过一周内不同天的考勤数据对比，你发现周四周五大家都到得晚、走得早，那是不是大家这两天容易疲惫，行政部门是不是可以有些活动？比如通过一些早餐活动，下午茶活动等等，来激励大家。

image.png

再上升一个维度，你还能对比工作时长与业绩之间的相关关系，看看加班到底是不是有利于业绩提升，那么行政部可以推出相关的政策，鼓励或不鼓励大家加班。你还可以对比每天工作时长与年龄、婚育情况的关系，看看是不是如大家所说的“已婚已育人士要照顾家庭，心思不在工作上”。这对公司的招聘也很有指导意义。

这样，你所做的，就超过了老板对一个普通行政的工作预期，你当然也更容易脱颖而出了。当然，我只是拿考勤数据打个比方，行政工作还会有其他数据，你都可以拿来分析。

总而言之，万物皆可数据。

image.png

所以呢，并不是只有专业从事数据分析工作的人，才需要学习数据分析。反而是普通员工，如果你有数据思维，就能获得更多洞见、解决更多问题、更充分地展示自我，自然就更加具备职场的核心竞争力。

image.png

讲完第一个误区，我们再来看第二个误区：学习数据分析，就是掌握像Python / Tableau / PBI / SQL等等这些工具

很多人听到数据分析，会马上跟Python、SQL这些工具联系在一起。不少同学在参加我们这个课程内测的时候，第一个问题就是：这是不是Python课程？

我先不回答这个问题。说起工具，大部分职场人都会用到的一个工具：PPT，全称是PowerPoint。网上有个很有名的段子，批评一个人的PPT，说既没有Power也没有Point。什么意思？就是说既没有说服力，也没有重点。那这是在说他PPT这个工具使用得不好吗？很显然不是的，这是在说他做PPT报告的思路不行。

image.png

所以，工具终究是由人驾驭的，是为了解决问题的，工具当然重要，但使用工具的底层思维逻辑更重要。如果没有相应的思维方法，即使你的工具掌握得很专业，也解决不了工作当中的问题，那就更无法创造价值了。对老板来说，“价值”的重要性，远远大于“专业”。

image.png

好了，既然数据分析不是工具，那数据分析究竟是什么呢？什么才算是数据分析呢？

在商业分析领域特别有名的咨询公司 —— 高德纳（Gartner），率先将数据分析能力分为四个层次，当我们在说数据分析的时候，其实就是在说用数据解决这四类不同层次的问题。我先说一下这四个层次，再给你举例说明，它们在工作中有什么用。

image.png

1.描述性分析(Descriptive Analysis)，就是指对业务数据进行客观描述。

2.诊断性分析(Diagnostic Analysis)，就是指对过去的业务结果进行分析，寻找达成或者未达成目标的原因。

3.预测性分析(Predictive Analysis)，就是指对未来的业务结果进行预测，分析未来可能会怎样。

4.规范性分析(Prescriptive Analysis)，就是结合业务提出可行方案，利用数据进行验证，看看我们做哪些事情可以给业务带来增长。

概念比较抽象，我们来举个例子。假设你是一位销售主管，对应这四类不同层次的数据分析，可以是什么场景呢？有什么用呢？

先看第一个场景：在年终总结的时候，因为你今年刚刚晋升到销售主管，要跟老板汇报工作，展示自己当上主管后的成绩，你会怎么说？

你可以这么说：今年我的销售额是500万，比去年增长了30%；我们团队排在全公司前10%；而我带领的5名销售，排名也都在前30%。

image.png

那么这个，就是数据分析的第一层：描****述性分析。掌握数据分析的第一个层次，能够帮你通过数据，来更好地说服他人。

我们在后续课程里面，会具体教你描述性分析的一些方法，让你知道如何选取合适的数据指标，展示自己的工作结果，让老板愿意给你涨薪。

第二层是用数据来进行诊断。你作为销售主管，可能会这么用：今年销售业绩做得比较好，原因有三个。一是潜在客户数量比平均数多20%，跟多拜访了一些客户有关；二是销售转化率提升了5%，跟团队的销售技巧提升有关；三是老客户贡献的营收比去年多10%，跟增加了老客户的回访频率有关。

image.png

那么，这个就是诊断性分析，运用一些对比分析、漏斗分析，来诊断自己为何达成目标，从而让老板更加看重你。

关于如何用数据来分析问题、分析关键成功要素，我们后面的课程也会教给你。我还会告诉你：全球最大的社交网站脸书Facebook，是怎么运用相关分析，一下子成为最受欢迎的社交产品的。

好了，刚才我们说了数据分析的前面两个层次：描述性分析和诊断性分析。数据分析还可以用于数据预测和数据优化，对应到上面的销售主管例子，就是如何预测明年的销售业绩，以及如何优化销售。这两个层次相对复杂一些，我们这次课程不会展开，未来如果你感兴趣，可以继续在圈外学习更加深度的课程，那时候我们再交流，包括如何用数据模型，来预测房价、预测不同行业的涨薪等等。

image.png

好，那我们说完了销售的例子，你还可以举一反三，思考一下如果你是HR，在这几个数据分析层次，会进行哪些分析呢？在哪些场景可以用呢？提醒一下，HR可以有简历量、简历通过率、面试通过率、入职率、招聘渠道贡献占比、人员流动率等等数据，你可以在社群里和班主任、同学们一起讨论一下，加深学习的印象。

image.png

好，现在就剩下我今天要讲的最后一个误区了，很多人会认为：数据分析门槛很高，一般人很难学会。

image.png

我们之所以有这个误区，是因为我们看到一些关于数据分析的报道也好，文章也好，讲的常常是一些很高大上的概念，比如数据挖掘、数据建模、算法等等。但其实，在数据分析领域，一部分人是在从事基础的数据科学研究，把目光放在一些巨量、庞大的数据上，聚焦前沿的数据科学发展。

但是，大部分人学数据分析，只是为了有用，能解决问题。就好像，我们去学习英语，大部分只需要熟练听说读写就可以了，会用就行，你不需要去研究语法语义、研究语言背后的历史、研究英语教学。数据分析也一样，发展了这么多年，早就有很多可应用的工具和框架，只需要套用就好。所以，你不需要懂得数据科学，你只需要懂得怎么解读数据****。

那么，数据分析有哪些分析框架呢？一些常见的分析方法有：对比分析，相关分析，漏斗分析，拆解分析、象限分析、维度分析……