数据科学与大数据(3)

数据分析,它不应该是在一个不适合的工具下生搬硬套

工具为具体的场景服务,换一个场景大概率会很鸡肋,对于一个成熟的分析师来说,十八般武艺样样精通到后期为常态,不要产生工具上的路径依赖,不要想着学一个工具就一朝鲜吃遍天,你可以对某个工具深入钻研,但这种钻研不能阻碍你根据场景灵活学习和使用新工具。不会使用报表,就无法理解业务背后的逻辑,不会批量自动化的BI和Python操作就无法为更大规模的业务团队提供数据支持

数据表达它是基于数据化的表图文说明事实表达观点。常见的问题有两个:

表达的原则1.要客观做出的图表文都要基于事实准确清晰,不能让人看了数据还有歧义。2.是直观做出的图表一定要让人一目了然,图表并不是越复杂越好复杂,会增加理解的难度。一个成熟的分析师有制作复杂图表的能力,更要懂得合理的使用。3.高效增加每次表达中的有效信息密度,基于数据提升效率。

数据表达的形式和载体:

表达的格式:

专业的表达:

完善图表常用九大形式:

最常见的为长度。柱状图上配上折线也挺好的

数值型数据和类别型数据:

如何出思路?就是先给自己提几个问题,然后在图表里找答案,根据问题和观点选择合适的图表类型,其次是做出图表后,再进行视觉图形的优化添加和调整就好

优化视觉图形组合,制造出有效信息密度更大的高效图表,例如:

但记住**:客观直观永远是高效的前提**

在以后的学习生活中牢记学习时的慢就是实战时的快

第3个阶段1.提出关键数据,时间,日期要准确说明年月日。2.对于大数值和小数点过长的数据要四舍五入并给出合适量级的单位。3.视对象使用术语和缩略语,不要跟业务转业指标,也不要跟技术说行业黑话。4.说大白话,语言表达越直白越简单越好,千万不要兜圈子。

记住我们面对很多问题时的认知和解决方案,会极大地影响我们在数据分析之路的成长,甚至是很长一段时间的职业发展。

第1个问题会决定我们专业的上限及成长的速度,第2个问题会将数据分析的价值最大化,第3个问题是薪资涨幅。

通过正确的学习方式提升知识储备和能力,是解决一切问题的最好方式,一定要搭建起属于自己的知识框架!只要你乐于解决问题,善于解决问题,如果善于解决问题就不会有问题难到你了,在学习过程中先学自己用得上的,有学习的需求,也有实践的场景。

学习知识解决问题都需要花时间,没有人能在有限的时间里积累起解决无限问题的知识框架:

先充分理解别人的框架进行内化,然后看已有的框架能不能解决问题,其次果断学习新知识去解决问题,然后学会后进行总结,归纳到自己的框架里,最后甚至放弃原有框架重新搭建一个

形成自己的知识框架,是我们深入学习所有专业技能时的必经阶段,更是进行创新的前提条件。在经过了什么样的事情之后,迫切发现自己无法解决这类问题,所以需要学习知识,更新自己的知识框架,以解决相应的问题,而在解决问题中明显发现自己成长了,这也便是这件事本身的意义,就是我们成长的过程,遇到问题时不应该把它视为障碍,而是应该把它视为我们成长的机会。

数据分析永远只是一门强力辅助技能,他能:量化业务到底做了多少、发现业务有哪些问题、算出市场规模判断竞品动作指导业务要做多少,又该怎么做,但他永远都无法替代业务的执行过程

牢记问自己三个问题:

借助数据分析为我们带来更大的职业发展空间和更多的选择机会,关注我,和我一起奔赴下一场山海!

相关推荐
Red Red22 分钟前
网安基础知识|IDS入侵检测系统|IPS入侵防御系统|堡垒机|VPN|EDR|CC防御|云安全-VDC/VPC|安全服务
网络·笔记·学习·安全·web安全
Natural_yz2 小时前
大数据学习17之Spark-Core
大数据·学习·spark
qq_172805592 小时前
RUST学习教程-安装教程
开发语言·学习·rust·安装
一只小小汤圆2 小时前
opencascade源码学习之BRepOffsetAPI包 -BRepOffsetAPI_DraftAngle
c++·学习·opencascade
虾球xz2 小时前
游戏引擎学习第20天
前端·学习·游戏引擎
LateBloomer7773 小时前
FreeRTOS——信号量
笔记·stm32·学习·freertos
legend_jz3 小时前
【Linux】线程控制
linux·服务器·开发语言·c++·笔记·学习·学习方法
Komorebi.py3 小时前
【Linux】-学习笔记04
linux·笔记·学习
莫叫石榴姐3 小时前
数据科学与SQL:组距分组分析 | 区间分布问题
大数据·人工智能·sql·深度学习·算法·机器学习·数据挖掘
weiabc3 小时前
学习electron
javascript·学习·electron