数据分析的能力体系和进阶路线

①BA首先定义业务的度量方式，比如付费用户还是活跃用户，1天日活重要还是30天日活重要。然后收集数据进行各维度的分析，比如地域、渠道、用户行为等等。

②基于QA在BA分析的基础上，搭建分析模型，里面可能用到各种统计、优化、机器学习方法。模型经过A/B测试、稳定性等评估，预计带来的影响。

③BI负责将BA和QA定义的所有用户度量，市场趋势，模型表现等通过数据库和SQL完成自动计算、定期自动更新及可视化展现，成为部门每天都会关注的核心数据。

由此大家可以看出，BA/ QA/ BI之间是各有侧重的： Business Analyst 定义问题，分析数据，提出并部分实现解决方案； Quantitative Analyst 定义模型和架构，实现完整的解决方案； Business Intelligence 对数据和度量进行可视化展示、自动化计算和更新。

一.各自需要什么能力

回到基础，无论是BI、QA、BA都需要基本的数据分析技能，不同的是后续的技术和业务侧重略有不同，下面提供一份数据分析的进阶路线。

二.数据分析学习路线

1.Excel

Excel一般人都有接触过，重点是了解各种函数，如sum，count，sumif， countif，find，if，left/right，时间转换等；但函数不需要学全，掌握一些最常用的的，其它在用到的时候随搜随用就行。另外vlookup和数据透视表是两个性价比很高的技巧，这两个搞定后，一般10万条以内的数据统计基本没什么难度了。

2.数据可视化

数据分析界有一句经典名言，字不如表，表不如图。数据分析的最终都是要兜售自己的观点和结论的，兜售的最好方式就是做出观点清晰数据详实的PPT给老板看。

虽然Excel也可以完成很多的数据可视化功能，但是如果想要得到更专业的可视化效果，还是建议学些编程方面的知识。

这里推荐微软的Power BI（商业智能）和帆软的FineBI。BI和图表的区别在于BI擅长交互和报表，适合解释已经发生和正在发生的数据。Power BI适合个人学习，FineBI适合企业级的应用。

Power BI

3.数据库

Excel对十万条以内的数据处理起来没有问题，但是互联网行业就是不缺数据。但凡产品有一点规模，数据都是百万起，这时候就需要学习数据库。SQL是数据分析的核心技能之一，从Excel到SQL绝对是数据处理效率的一大进步。

除了最基本的增删改查、索引、约束外，主要了解where，group by，order by，having， like，count，sum， min，max， distinct，if，join，left join，limit，and和or的逻辑，时间转换函数等。如果想要跟进一步，可以学习row_number，substr，convert，contact等。再有点追求，就去了解Explain优化，了解SQL的工作原理，了解数据类型和IO。

4.R/Python语言

是否具备编程能力，是初级数据分析和高级数据分析的风水岭。数据挖掘，爬虫，可视化报表都需要用到编程能力。而数据分析领域推荐使用的两种语言绝对是R和Python了，二者在数据分析领域的地位可以说是旗鼓相当，各有优势。

R的优点是统计学家编写的，如果是各类统计函数的调用，绘图，分析的前验性论证，R无疑有优势。学习R，需要了解数据结构（matrix，array，data.frame，list等）、数据读取，图形绘制(ggplot2)、数据操作、统计函数(mean,median,sd,var,scale等)；开发环境建议使用Rstudio。

Python则是万能的胶水语言，适用性强，有很多分支，我们专注数据分析这块。需要了解调用包、函数、数据类型(list,tuple,dict)，条件判断，迭代等；开发环境建议Anaconda。

5.统计知识

统计学是数据分析的基础。需要花一些时间掌握描述性统计知识，包括：均值、中位数、标准差、方差、概率、假设检验、显著性、总体和抽样等概念。

6.分析思维

好的数据分析首先要有结构化的思维，也就是我们俗称的金字塔思维。思维导图是必备的工具；之后再了解SMART、5W2H、SWOT、4P理论、六顶思考帽等框架。分析也是有框架和方法论的，主要围绕三个要点展开：

• 一个业务没有指标，则不能增长和分析；
• 好的指标应该是比率或比例；
• 好的分析应该对比或关联。

7.业务知识（用户行为、产品、运营）

对于数据分析师来说，业务其实比了解数据方法论更重要。但很遗憾，业务学习没有捷径，必须靠在某个行业一点点积累。

End.

作者：帆软

来源：简书

本文均已和作者授权，如转载请与作者联系。