精选留学知识,分享海外经验

Connecting People for International Study

数据分析到底算不算计算机专业?

青竹学院-Jessie  2022-03-25


1648209698461378.png

现在有越来越多的同学考虑未来进入数据分析领域就业,或者说认识到数据分析在各个领域的重要作用。但是还是有很多学生比较渺茫,想做数据分析,要学什么专业呢,统计、数学、计算机、大数据,数据分析到底会用到什么技能,未来的发展又怎么样呢?今天小竹学姐带你一篇文章搞清楚数据分析。我们首先要搞清楚,数据分析的定义。


1648209745268028.jpg


什么是数据分析

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析,将它们加以汇总和理解并消化,以求最大化地开发数据的功能,发挥数据的作用。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。


数据分析的商业意义

1. 用数据量化现状,用清晰消除模糊。基于数据做二次加工,衍生出更多的有价值信息。


2. 用数据做判断。可以给一个客观的参考,这样才能让决策者在激情冲动之前,先有一个常识性的认知。


3. 用数据评估。比如评估一个销售的能力,不能光看销售金额,还会考虑销售回款,毛利,顾客服务满意度,大客户数量,违规(抢客、不规范报单、拆单)等等等。当评估维度一多,就得做综合性评估。这时候可以用统计学方法,做专家评估或神经网络模型,压缩评估变量,得出综合分数,从而更好地判断销售能力。


4. 用数据预测。比如预测销售情况,对业务部、市场部、供应链、售后都很需要。销售高峰,意味着供应链的供应、售后的服务都会成倍地增加工作量。销售低谷,市场部就得想办法做事情拉动销量,业务部得努力抓执行。


从业人员要求

学历背景 

国内 211、985/海外前 100 院校,本科/硕士,计算机、数学、统计学相关等优先。


因为数据分析专业属于复合交叉专业,交叉了数学、统计、计算机等学科;与此同时,国内的硕士专业是没有数据分析专业的,只有统计专业,所以目前海外学习数据分析专业的同学,在回国求职的时候,还是有一定优势的。


硬性技能

1. 项目经历偏技术方向的数据分析面试对科研或项目经历更为看重,因为这是对于面试者具备所需技术能力的证明;而偏业务方向的面试更会注重实习经历以及知识在业务当中的运用;


2. 编程基础知识

编程基础知识主要包含计算机网络、操作系统、数据结构、算法等知识点,对于计算机相关岗位,基础知识非常重要,可以为以后的工作打下很好的基础。对于数据分析岗位,基础知识是笔试的考察重点;


3. 机器学习、深度学习等算法知识如果想做偏算法的数据岗,机器学习、深度学习等算法知识需要多花时间准备,在理论知识和实践经验两个方面都需要下功夫;


4. 可视化工具可视化工具的应用一般在偏业务的数据分析中会用到,学习起来也很简单,可以从网上找视频跟着学习,很快就能上手;


5. 统计学和数据库

统计学和数据库也是必须掌握的内容,统计学相信很多小伙伴都接触过,学清楚基本知识就可以。数据库重要性更强,因为基本所有的技术类岗位都必会问到数据库的知识,有操作数据库的实战经验更好,没有的话也需要把理论知识掌握;


6. Hadoop、Hive、Python、SQL、R,以及 Excel 等工具。


软性技能

人际沟通能力、资源整合能力、逻辑能力以及能吃苦加班等。


就业方向

偏业务方向

1. 数据运营

主要负责运营相关数据的分析,协助运营人员制定数据分析策略,为日常运营提供数据支持,协调落地,形成推动闭环等。


640-1.png

图片来自智联招聘


2. 数据分析师

主要将业务数据体系化,建立一套指标框架,其次数据提取、清洗、多维度分析、预测;生成策略推动执行。如活跃下跌的问题,本质上也是指标问题。什么时候开始下跌,哪部分下跌,都能转化成对应指标,如日活跃用户数,新老用户活跃数,地区活跃数。指标体系如果工程化自动化,也就是 BI,所以数据分析师可以算半个 BI 分析师,这里不包括 BI 报表开发。


在工具方面,主要以 :Excel+SQL+Python/R/SPSS/SAS+PPT。Excel+SQL 是必备技能,Python/R/SPSS/SAS 任选其一即可。


一个优秀的数据分析师,应该业务、管理、分析、工具、设计都不落下。


640-2.png

图片来自智联招聘


3. 数据产品经理

这个岗位比较新兴,适合对数据特别感兴趣的产品经理。它有两种理解,一种是具备强数据分析能力的 PM,一种是公司数据产品的规划者。


前者,以数据导向优化和改进产品。在产品强势的公司,数据分析也会划归到产品部门,甚至运营也属于产品部。这类产品经理有更多的机会接触业务,属于顺便把分析师的活也干了,一专多能的典型。


后者,是真正意义上的数据产品经理。随着数据量的与日俱增,此时会有不少数据相关的产品项目:包括大数据平台、埋点采集系统、BI、推荐系统、广告平台等。


偏技术方向

1. 数据挖掘

从概念上说,数据挖掘 Data mining 是一种方式,即可以通过机器学习,而能借助其他算法。比如协同过滤、关联规则、PageRank 等,它们是数据挖掘的经典算法,但不属于机器学习。


640-3.png

图片来自智联招聘


2. 算法专家

数据挖掘往后发展,称为算法专家。后者对理论要求更严苛,几乎都要阅读国外的前沿论文。方向不局限于简单的分类或者回归,还包括图像识别、自然语言处理、智能量化投顾这种复合领域。这里开始会对从业者的学校和学历提出要求,名校+硕士无疑是一个大优势,也有很多人直接做数据挖掘。


640-4.png

图片来自智联招聘


3. 数据工程师

更偏数据底层,其核心是做好数据仓库建设及 ETL 数据处理。这个岗位基本不涉及数据分析的能力,而对大数据处理能力要求较高,需要较强的编程及架构设计能力。分析历史、预测未来、优化选择,这是大数据工程师在“玩数据”时最重要的三大任务。通过这三个工作方向,他们帮助企业做出更好的商业决策。要求具备一定的统计学、数学理论知识,有实际开发能力和大规模的数据处理能力,对行业有认知。


640-5.png

图片来自智联招聘


职业发展路径

总体而言,数据分析人员的级别一般分为:

助理数据分析师-数据分析师-资深数据分析师-高级数据分析师。


助理数据分析师 

主要负责业务日常紧急的、基础的、零散的数据整理;负责撰写数据分析报告;负责业务日报、周报、月报整理分析,提高效率等一些基础工作。


数据分析师 

主要负责熟悉数据处理全过程,包括抽取、清洗、异常处理、汇总计算;逻辑思维清晰,可以完成比较复杂逻辑的数据提取及分析;独立完成数据分析项目,包含项目过程中数据提取、数据分析、结果展示和汇报工作,且对数据分析有独特的见解。


资深数据分析师

主要负责构建符合业务线特征的指标体系,负责指标体系的标准化管理、监控;负责数据需求对接,根据数据需求,进行数据提取和分析,生成数据分析报告和看板;跟踪和研究业务指标变化,定期分析产品和运营效果,为公司运营决策、产品方向和业务策略提供数据支持;运用数据分析工具,进行海量数据分析和挖掘,为业务决策提供支持。


高级数据分析师

熟练分析海量数据,可以独立完成业务数据从底层的提取、整理,根据结果进行分析、建模、并撰写分析报告,提炼出数据中隐含的意义和趋势;通过专题分析,对业务问题进行深入分析,收集共性需求,发掘业务场景痛点,固化沉淀分析思路,形成数据产品;参与产出数据产品 MRD、DEMO 和 PRD;能将数据转化为业务建议,推动数据价值落地,为公司决策层提供数据支持。


640-6.png

图片来自智联招聘


除此之外,如果想要离开数据分析行业,职业选择也是非常多的。具体来说,有过数据分析经历的人未来的职业发展路径一般有以下几个。


其他行业发展路径

1.运营

从日报,周报,月报等数据及时了解当下的运营情况以及变化趋势情况,更加趋向于短期的数据分析。通过数据分析来发现业务线中存在的问题,为业务增长优化以及优化业务流程等提供数据支撑。找到数据中的某种趋势或者共性,从而更好地指导业务线中的运营动作。


运营领域最常见的渠道运营中的广告投放,通过前期调研,针对目标用户人群进行分析,分析出该人群的用户画像,基于已有的用户数据,可以预测该渠道投放后的转化率,通过这些信息作为精准化投放,实现更多的预期管理。

总之,运营工作涉及到的数据分析,主要是预测和复盘。更好的优化运营策略,规划业务重心以及运营抓手。


2.产品

产品工作涉及到的数据分析主要是通过可量化数据指标来评估产品的改进方向是否成功。


①产品初始期,通过对市场及竞品的数据分析,可以更好的为自身产品开发提供理论依据,从而避免产品没有市场需求或者避免产品踩到竞品踩过的坑。


②产品发展期,通过数据分析可以优化产品功能,提升用户体验,使产品更好的符合用户需求,赢得市场。


③产品成熟期,通过数据分析可以获取对产品新的想法,扩展产品功能,使产品二次创新,为产品未来发展布局,避免进入产品衰亡期。


数据分析是伴随产品全部生命周期的重要分析行为之一,在产品发展的不同阶段,数据分析的侧重点也有所不同。


数据分析工作内容以及要求

学历背景

国内 211、985/海外前 200 院校,本科/硕士,统计学、计量经济学、应用数学、经济学相关专业或计算机专业数据挖掘方向等优先;


硬性技能

掌握多种数理统计方法(如聚类分析、判别分析)、熟悉 SQL 语言,能够根据业务熟练建立统计数据模型的优先,了解下列统计分析工具之一的优先(如 R、SAS);


软性技能

对数据敏感,能够敏锐的把握数据背后的差异,逻辑分析能力强、良好的沟通表达(口头和书面) 能力,具有较强的独立分析问题、解决问题的能力,有良好的学习能力能吃苦加班等。 


数据分析实习收获

640-7.png


推荐实习

640-8.png

(完)

推荐阅读