增长黑客数据分析师（增长黑客论坛）

如何自学成为数据分析师？

为适应大数据与人工智能行业发展的需求，我部邀请了统计部门、科研院所、金融、数据分析行业及市场研究行业的专家对BDA课程设置及考核目标进行了修订，并正式印发《BDA数据分析师课程标准（2018年版）》，并于2018年春季开始执行。现将相关事宜说明如下：

一、基本原则

坚持科学论证。广泛听取不同领域专家的意见，向权威机构、权威人士咨询，求真务实，严谨认真，确保课程内容科学，符合大数据分析工作的需要。

坚持继承发展。继承已有经验和成功做法，有针对性地进行修订完善，确保课程调整的连续性，使课程体系充满活力。

依据职业要求。课程标准符合数据分析的工作要求，突出了大数据分析的优势，强调了数据分析工作的必备技能，适用不同专业的人员学习。

二、课程变化

按照大数据分析工作的不同场景和技术要求，调整了初、中、高级考试课程，其中初级4门课程、中级5门课程、高级4门课程（详见附件）。

强调了统计理论、计算机技术和行业案例应用三维一体的大数据分析人才培养理念。

三、考试变化

按照考试要求，初级考试题型定为单项选择题、多项选择题；中级考试题定为简答论述题、案例应用题；高级考试题定为行业案例分析题。取消了初、中、高级在线作业考核内容。加强了数据分析实践应用能力考核标准。

四、考试课程过渡

参加2017年11月考试的考生，还延续使用2016年考试大纲，完成后续考试工作。2017年11月之后报名的考生，依据《BDA数据分析师课程标准（2018年版）》学习备考。

《BDA数据分析师课程标准（2018年版）》是数据分析师考试考核的基本依据，是考试招生重要导向，要把课程标准与大数据分析人才培训有机结合起来，统筹兼顾，形成合力，发挥好课程标准在企业人才培养和选拔中的引导作用，强化考试内容与数据分析岗位的关联性，保证教、考、就业一致性，提升数据分析师与人工智能领域从业人员综合能力。

2018年1月8日

附件：BDA数据分析师课程标准（2018年版）

一、初级考试科目说明

序号

课程名称

选用教材

科目一

初级数据分析方法 《统计学（第六版）》ISBN：9787300203096

本课程培养学生应用数据分析方法分析和解决问题的实际能力。内容包括数据分析的基本问题、数据的整理、数据的描述分析、数据的推断分析、数据的相关分析、数据的回归分析等内容。通过系统地掌握各种数据分析方法，理解其中所包含的统计思想及不同特点、应用条件及适用场合。

科目二

Excel数据处理与分析 《Excel高级数据处理及分析》ISBN：9787121246692

本课程主要是从Excel数据分析角度讲解数据的输入与验证、编辑与格式化、公式和函数，数学和统计函数处理、日期与时间函数、文本函数、财务函数、查找与引用函数、工作表函数、数组公式的高级应用等对处理数据。数据的组织和管理、公式和函数的综合应用实例，数据透视表分析数据、导入和分析外部数据、数据可视化图表分析、宏与VBA程序入门、数据的保护与共享，Excel综合应用案例。

科目三

大数据技术概论 《大数据技术概论》ISBN：9787302450511

本课程包括大数据概论、大数据采集及预处理、大数据分析、大数据可视化、Hadoop概论、HDFS和Common概论、MapReduce概论、NoSQL技术介绍、Spark概论、云计算与大数据等。

科目四

R语言 《R语言实用教程》ISBN：9787302371175

本课程是R语言初级课程，内容包括R程序基础操作、数据集、数据管理、图形图表、常用函数、描述分析、相关分析、数据可视化等内容。

考试说明

· 理论综合试卷：由科目一初级数据分析方法、科目二大数据技术概论、科目三Excel数据处理与分析、科目四R语言共4部分构成。

· 题型题量：单项选择题（共60道），多项选择题（共20道），理论综合试卷各科合计题量共80道选择题。

· 考试方式：笔试，150分钟，各科目分别达到60分及格。

· 上机综合试卷：由科目一初级数据分析方法、科目二大数据技术概论、科目三Excel数据处理与分析、科目四R语言共4部分构成。

· 题型题量：综合案例应用题共5道题。

考试方式：· 上机操作，150分钟，总分达到60分及格。

· 实践应用考核：按要求提交一份数据分析报告。

· 考核方式：自主完成报告的撰写，在线提交，经专家指导和答辩60分及格。

二、中级考试科目说明

序号

课程名称

选用教材

科目一

中级数据分析方法 《调查数据分析》ISBN：9787500577690

本课程主要内容有实验设计、参数检验、多元回归分析、主成份分析/因子分析、感知图、聚类分析、判别分析与分类树、时间序列分析、及其他常用的数据挖掘方法和思想。

科目二

数据挖掘 《数据挖掘导论（完整版）》ISBN: 9787115241009

本课程主要内容包括数据、分类、关联分析、聚类和异常检测五个方面。通过基本概念、代表性算法引出高级概念和算法。由浅入深理解数据挖掘。

科目三

大数据技术原理与应用 《大数据技术原理与应用（第2版）》ISBN:9787115443304

本课程以分布式数据存储的概念、原理和技术为主，包括HDFS、HBase、NoSQL数据库、云数据库、MapReduce分布式编程框架、基于内存的分布式计算框架Spark、图计算、流计算、数据可视化等。

科目四

Python数据分析 《利用Python进行数据分析》ISBN: 9787111436737

本课程强调Python的数据处理与分析的能力学习，主要内容包括：Python的基础知识和基本概念，以及一些高级的主题，包括抽象、异常、魔法方法、属性、迭代器等。

科目五

SQL数据库应用与实践 《SQL初学者指南（第2版）》ISBN：9787115448651

本课程主要以数据库的查询、统计、归并等数据操作内容为主，重点放在Sql语法的各种操作，以常见的关系Sql数据库为主。

考试说明

· 理论综合试卷：由科目一中级数据分析方法、科目二数据挖掘、科目三大数据技术原理与应用，科目四Python数据分析、科目五SQL数据库应用与实践共5门课程构成。

· 题型题量：简答题（5道），论述题（5道）案例题（5道），理论综合试卷各科合计题量为15道。

· 考试方式：笔试，150分钟，各科目分别达到60分及格。

· 上机综合试卷：由科目一中级数据分析方法、科目二数据挖掘、科目三大数据技术原理与应用，科目四Python数据分析、科目五SQL数据库应用与实践共5门课程构成。

· 题型题量：案例应用题共5道题。

· 考试方式：上机操作，150分钟，总分达到60分及格。

· 实践应用考核：按要求提交一份数据分析报告。

· 考核方式：自主完成报告的撰写，并在线提交，经专家指导和答辩60分及格。

三、高级

数据分析师常用的数据分析思路

01 细分分析

细分分析是数据分析的基础，单一维度下的指标数据信息价值很低。

细分分析法可以大致分为两类，一类是逐步分析，如：来北京市的访客可分为朝阳和海淀等区;另一类是维度交叉，如：来自付费SEM的新访客。

02 对比分析

对比分析主要是把两个有关联的数据指标进行相互比较，从数量上说明和展现研究对象的规模大小，水平的高低，速度快慢等方面的相对值，然后通过在一样的维度下的指标数据对比，可以发现，找出业务在不同阶段的问题。

03 漏斗分析

转化漏斗分析是数据分析师进行业务分析的基本模型，我们最经常见的就是把最终的转化设置为某种目的的实现，最典型的就是完成交易。但也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟。

04 同期群分析

同期群(cohort)分析在数据分析运营领域相当重要，尤其是互联网运营，特别需要仔细观察留存的情况。通过对性质完全一样的可对比群体的留存情况的比较，来分析哪些因素影响用户的留存。

05 聚类分析

聚类分析具有简单，直观的特征，网站分析中的聚类主要分为：用户，页面或内容，来源。

用户聚类主要体现为用户分群，用户标签法;页面聚类则主要是相似，相关页面分组法;来源聚类主要包括渠道，关键词等。

06 AB测试

增长黑客的一个主要思想之一，是千万不要做一个大又全的东西，相反是需要不断做出能够快速验证的小而精的东西。快速验证，那如何验证呢?主要方法就是AB测试。

07 埋点分析

只有采集了足够的基础数据，才能通过各种分析方法得到需要的分析结果。

通过分析用户行为，并细分为：浏览行为，轻度交互，重度交互，交易行为，对于浏览行为和轻度交互行为的点击按钮等事件，因其使用频繁，数据简单，采用无埋点技术实现自助埋点，即可以提高数据分析的实效性，需要的数据可立即提取，又大量减少技术人员的工作量，需要采集更丰富信息的行为。

08 来源分析

流量红利消失，我们对获客来源的重视度极高，如何有效的标注用户来源，至关重要。

传统分析工具，渠道分析仅有单一维度，要深入分析不同渠道不同阶段效果，SEM付费搜索等来源渠道和用户所在地区进行交叉分析，得出不同区域的获客详细信息，维度越细，分析结果也越有价值。

09 用户分析

众所周知，用户分析是互联网运营的核心环节，通常用到的分析方法有：活跃分析，留存分析，用户分群，用户画像，用户细查等。可将用户活跃细分为浏览活跃，互动活跃，交易活跃等，通过活跃行为的细分，掌握关键行为指标。

10 表单分析

表单分析中的填写表单，这个环节是每个平台与用户交互的必有环节，一份完美的表单设计，对客户转化率的提升有至关重要的作用。

用户进入表单页面，这时候就已经产生了微漏斗，从进入的总共的人数到最后完成，并且成功提交表单人数，这个过程之中，有多少人开始填写表单，填写表单时，遇到了什么困难导致无法完成表单，都影响最终的转化效果。

有关数据分析师常用的数据分析思路的内容，青藤小编就和您分享到这里了。如果您对互联网大数据有着浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于大数据、数据分析师的技巧及素材等内容，可以点击本站的其他文章进行学习。

如何自学成为数据分析师

数据分析师的基本工作流程：

1.定义问题

确定需要的问题，以及想得出的结论。需要考虑的选项有很多，要根据所在业务去判断。常见的有：变化趋势、用户画像、影响因素、历史数据等。

2.数据获取

数据获取的方式有很多种：

一是直接从企业数据库调取，需要SQL技能去完成数据提取等的数据库管理工作。

二是获取公开数据，政府、企业、统计局等机构有。

三是通过Python编写网页爬虫。

3.数据预处理

对残缺、重复等异常数据进行清洗。

4.数据分析与建模

这个部分需要了解基本的统计分析方法、数据挖掘算法，了解不同统计方法适用的场景和适合的问题。

5.数据可视化和分析报告撰写

学习一款可视化工具，将数据通过可视化最直观的展现出来。

数据分析入门需要掌握的技能有：

1. SQL（数据库）：

怎么从数据库取数据？怎么取到自己想要的特定的数据？等这些问题就是你首要考虑的问题，而这些问题都是通过SQL解决的，所以SQL是数据分析的最基础的技能。

2. excel

分析师更多的时候是在分析数据，分析数据时需要把数据放到一个文件里，就是excel。

熟练excel常用公式，学会做数据透视表，什么数据画什么图等。

3.Python或者R的基础：

必备项，也是加分项，在数据挖掘方向是必备项，语言相比较工具更加灵活也更加实用。

4.学习一个可视化工具

如果你想往更高层次发展，上面的东西顶多只占20%，剩下的80%则是业务理解能力，目标拆解能力，根据数据需求更多新技能的学习能力。

#数据分析师#数据分析的职业发展方向是什么？

从互联网和大数据的发展形势来看，Python数据分析师的发展前景还是挺不错的。它的主要发展方向包括业务和技术两大方向。

业务方向的岗位包括数据运营、数据分析师、商业分析、用户研究、增长黑客、数据产品经理等，可发展成为商业分析师、战略分析师或管理岗。从事业务型方向的优势是具备更多的商业洞察能力、业务知识和管理知识。

技术方向的岗位包括数据开发工程师、数据挖掘工程师、数据仓库工程师等，提升技术能力，可成长为算法专家或数据科学家。技术方向要求有更高的统计学以及编程知识，当然，薪资也会更高一些。

为什么要做数据分析师：职业规划很重要

“数据分析”作为近几年最火热的词汇，越来越受到大家的关注。但和一些应届生或者数据分析师沟通时，发现很多人都对数据分析的职业规划很迷茫。今天我们主要从业务方向的数据分析入手，聊聊数据分析的入门条件及职业规划。

“0基础入行数据分析要掌握哪些技能？”

“怎么能最快找到数据分析工作？”

“数据分析师未来的发展方向是什么？”

数据分析是什么？

数据分析是有关“数据”类岗位的总称。从事这些工作的人，通过分析数据发现业务问题，洞察商业机会点，为运营活动、业务增长及企业发展提供合理建议及参考依据。

数据分析主要是与数据打交道，但数据分析≠分析大数据，所以大家不要对这个职位产生恐惧感，零基础转行数据分析是可行的。要入门的话，3个月的时间也是足够的。

需要注意的是：

1.如果本身对数据不敏感，或者看到复杂的数据就眼晕头疼，那说明你可能不太适合这个岗位。

2.目前数据分析已不再是专职技能，而是职场人必备的通用技能，建议每个职场人都可以学一下，会让你在职场竞争中更有优势。至于是否从事数据分析工作，还是看你对数据的敏感程度以及你对这个岗位的热爱程度。

数据分析岗位方向及工作内容

数据分析可以简单分为业务和技术2大方向：

业务方向——数据运营、数据分析师、商业分析、用户研究、增长黑客、数据产品经理等

技术方向——数据开发工程师、数据挖掘工程师、数据仓库工程师等

业务类岗位的数据分析师大多在业务部门，主要工作是数据提取、支撑各部门相关的报表、监控数据异常和波动，找出问题、输出专题分析报告。

在日常工作中，业务部门往往更关心某个指标的为什么下跌或上升、产品的用户属性是怎样的，如何更好的完成自己的KPI等。

以活跃指标为例，数据分析人员通常要解决以下问题：

指标下跌了多少？是合理范围内的数据波动，还是突发式?（what）

下跌是从什么时候开始的？（when）

是整体用户下跌，还是部分用户？（who）

下跌的原因是什么？产品更新？还是某个渠道推广到期？（why）

怎么解决下跌的问题（how）

在经过了数据提取-数据清洗-多维分析-交叉分析等一系列步骤之后，你发现是某个地区的活跃下跌了，但这并不能作为分析的结论。因为某个地区的活跃下跌只是现象，并不是根本原因。

所以数据分析师要解决的是，为什么这个地区的活跃跌了？是政策因素？还是竞争对手？或者是渠道问题，这些都是需要深入分析的范畴。

找到原因后，数据分析师还需要预测未来的发展趋势，根据目前的分析结果输出可执行的改善策略，最后推动业务部门落地，再次复盘效果，最终形成闭环的分析路径。

对数据分析师而言，解决问题只是一方面，另一方面数据分析师的职责是将业务数据体系化，形成一套指标框架。比如活跃下跌，本质上也是指标问题，如“日活”等指标。

技术方向的岗位如数据挖掘/算法专家等岗位有的归在研发部门，有的则单独成立数据部门。与业务方向的数据分析师相比较来说，数据挖掘工程师要求更高的统计学能力及编程技巧。因为数据挖掘工程师对工具的要求比较高，所以数据挖掘的平均薪资也会高于数据分析师。

数据分析师岗位技能要求

对业务方向的数据分析师而言，掌握工具只是基础，还需要对业务有深入的理解以及较强的数据分析能力。

在工具使用上，数据分析师需要掌握Excel、SQL、PPT、Python等工具。

Excel是日常工作中用到的最多的工具，常用的函数及数据透视表都要学。

SQL是数据分析的核心工具，主要学习Select、聚合函数以及条件查询等内容。

Python重点掌握Pandas数据结构、Matplotlib库、Pyecharts库及Numpy数组。

关于工具的部分，需要注意不同行业对工具的要求会有差异，比如金融行业会要求SAS等工具。一般情况下Excel、SQL、PPT、Python这4种工具就能搞定大部分数据分析工作。

除工具的使用外，数据分析师要了解基本的统计学知识及数据分析方法。

统计学知识：环比、同比、概率分布、变量、抽样等。

数据分析方法：假设检验、回归分析、漏斗分析、多维分析、对比分析等。

针对0基础的小伙伴，建议大家先将精力放在数据分析的思路和训练上，多去看一些商业数据模型和数据分析案例的资料，最终形成自己的分析思路。千万不要一上来就啃Python，可以先上手Exce+SQL这2个简单的数据分析工具来入门。有SQL基础后再学Python会相对容易些。

数据分析师的成长路线

业务方向的数据分析师有2条发展路径。

一条是专精业务，晋升成为商业分析师、战略分析师或管理岗。从业务型发展上来的好处是具备商业网洞察能力，这点是直接做数据挖掘所不具备的。

另一条是提升技术能力，成长为算法专家或数据科学家。

如何快速入门数据分析

应届生想要入行数据分析，建议先做学习规划：

明确自己想走业务方向还是技术方向。

充分调研目标领域的行业知识，了解行业背景及行业相关的指标（在行业的选择上，擅长的、热爱的和有发展前景的即是最佳行业领域）

了解目标行业常用的数据处理工具、数据生产流程及数据应用。针对数据工具进行系统性学习。

0基础转行数据分析，建议先罗列自己的个人优势和行业背景，找到最佳突破口：

如果有运营相关经验，基础工具掌握一般，可以先学习SQL，再从数据运营岗入门。

如果有产品经验，对交互设计和用户体验有深入的理解，可以选择数据产品经理。

如果有金融、物流等行业工作经验，可以借用行业优势，转到相关行业的数据分析岗位。

也就是说，转行数据分析的路径不只有一条，我们要做的是根据自己的背景及优势，找到最适合自己的那条路。

总结：

作为一名合格的数据分析师，你需要至少以下三点技能：

必要的SQL、Excel+python\R技能；

正确的理解业务；

基本的数据使用意识和学习能力。

转行过程中个人必要技能的锤炼是很重要，但保持良好积极的心态也是转行成功的必备要素之一。