如何系统学习数据分析?

服务器
糟糕的其实是知识结构碎片化——你并不知道是谁,在什么情况下,针对什么问题讲的这句话。所有的信息缺乏了上下文,就是废话。

   很多学习数据分析的同学也都有这样一种困惑“为什么学了那么多工具,还是不会数据分析?”,PPV课创始人江海涛认为原因无外乎两个,一是只学到了碎片的知识,没有建立知识之间的连接,无法形式自己的知识体系,二是缺乏实践,导致无法形成“知行合一”的工作技能。

[[171296]]

  知识超载和碎片化

  当代人都面临两个问题——信息超载和知识碎片化。

  信息超载老话题不多说了,讲几个数据:

  全世界每天有4000本书出版,超过4亿个字;

  纽约时报一天的文字量等于牛顿同时代的人一生的阅读量;

  一个专业领域,每天大概有200个公众号正在注册,有近1000篇文字正在产生……

  过去杂家、博物家在现代社会已经不可能存在,即使有,也干不过谷歌度娘。

  结论1:知识的储存能力,人类早就被电脑完胜了,知识的搜索和链接能力,才是学习的核心竞争力。

  另一个趋势也很明显:知识碎片化。这个碎片化从3个方面开始——

  首先时间和空间被打碎,移动手机允许你在三站地铁里听完一本书;

  其次被打碎的是信息,如果你翻知乎、今日头条或者某个博客,你并不会像看一本书一样,知道前面一章讲什么的,后面即将讲什么,除了标题党,你根本对下一个博客、内容毫无预期,只能被动接受;

  最糟糕的其实是知识结构碎片化——你并不知道是谁,在什么情况下,针对什么问题讲的这句话。所有的信息缺乏了上下文,就是废话。

  比如说有段时间我刷管理类的文,你会发现在雷军、傅盛、彼得德鲁克、吴伯凡、马云、吴晓波……各位大佬针对同一个问题讲的内容完全不同。到底信哪个?其实雷军讲的是互联网行业;傅盛讲的是小企业逆袭,他正在做投资;彼得德鲁克用管理在讲哲学;吴伯凡老师在讲中西方文化;马云老师在对大众励志;吴晓波其实是用管理谈财经——更重要的是,他们讲话的场合,时间点和对象你一无所知。

  结论2如果一个人没有搜索能力,他不会知道背景;没有思考能力,不会知道为什么——这样单纯知道一句话,比不知道更糟糕。

  把前面两个结论放一块,结果很清晰——时间空间碎片化确实能够提高学习的效率(其实也干不过电脑),而信息碎片化和知识结构碎片化带来的,则是学习效率的倒退和焦虑之源——因为他毁掉你的主动搜索能力和主动链接的能力,也就是深度思考的能力。

  这就是碎片化的陷阱,极大的提高了并没有什么卵用的信息,而降低了最重要的独立思考的能力。

  知识可以零售吗?

  最近的问答类APP非常火,先是知乎4月份在其微信公众号悄然上线了【值乎】,而后果壳网在5月份不甘示弱,上线了【分答】并且后来居上,用户活跃一下子超越了【值乎】。

  【分答】是一款付费语音问答产品,它的规则非常简单,有三种角色设定:回答者、提问者、偷听者。回答者只需说明自己擅长的领域,然后设置付费问答的价格,价格规定在1-500元之间,感兴趣的用户可以作为提问者付费后对回答者进行<=50字的文字提问,然后回答者通过<=60s的语音来回答问题。在此过程中,其他用户可以作为偷听者通过1元的付费来“偷听”回答者的语音回答。被“偷听”一次,提问者和回答者可以各得0.5元。

  【分答】吸引人的地方有两个,一个是提问和回答能赚钱,让知识不再是免费的分享,真正做到了书中自有黄金屋;一个是明星效应,或者说是网红效应。【分答】一开始能够点爆市场,看它的卡司就知道了。

  有亚洲首富之子同时也是国民老公的王思聪,有各类综艺大咖如《***大脑》的帅气教授魏坤琳、《奇葩说》***季冠军马薇薇、《逻辑思维》创始人罗振宇等,还有演艺界的明星佟大为、汪峰等,这样强大的阵容,让【分答】在上线20几天的时候,就拿到一亿美金的估值,而国民老公王思聪,仅仅回答了25个问题,短短的25分钟时间,就赚了11万多。

  在一片喧嚣,全民欢腾过后,静下心想一想,以“知识的零售平台”为目的的【分答】一类的问答社区,真的能达到传播知识,提升能力的效果?

  如果说【知乎】的一问多答,干货至上的模式,收获的是多角度的价值观、人生观以及知识体系;【果壳】的科技报道,收获的是科技的不为人知的小细节,是沧海遗珠。那么【分答】一类的60s的语音回答,收获的或许只是跟明星的亲密接触,以及搞一个大新闻赚钱的欲望的满足。为什么这么说呢?

  首先,对于答题者来说,60s的时间仅足够讲1、2个笑话,对于一个知识点来说根本不足以讲透,所以这60s的回答不是用来提供知识的;

  其次,对于提问者来说,提问字数限制在50个字以内,提问的东西只能非常直接,根本无暇顾及问题的背景。因此在【分答】上经常出现以下的问题:如果非要二选一做你的女朋友,你选XXX还是XXX,为啥? 你和XXX的性福生活是真是假? 你多久啪啪啪一次,最近的一次啪啪啪是什么时候和谁?

  ***,对于提问者来说,提问的目的不再是单纯的希望获得知识,而是想获得更多的人偷听,从而达到赚钱的目的,这样的目的,不利于知识的正向分享。

  知道哪些知识重要比学习知识更重要

  我们都有这样的经历,在上学的时候,准确而准时地划重点的老师会往往被同学们点赞。曾几何时,划重点成为课堂最激动人心和最令人期待的一刻。在信息爆炸时代,尤其如此,最重要的不是增加信息,而是筛选和删除信息。

[[171297]]

系统学习的重要性

  任何学习知识,都是相互联系,相互作用的。因此***步就是找出各部分间的直接联系,把网络结构初步地建立起来。但是有些部分和其他部分并不一定能够建立直接的联系,那么还需要发掘第二层、第三层关系。 要明确各部分之间的关系,以及综合运用。 学习是先模糊概括,再逐渐在大框架下逐步明晰细节、完善结构、针对缺陷和不足专攻的学习方法。

  行动学习理论认为,人要掌握一门技能,需要有10%的时间学习知识和信息,70%的时间练习和践行,还有20%的时间与人沟通和讨论。这个原则叫做721原则。

  碎片化学习对于10%的信息接收非常有用,而剩下独处练习的70%和讨论的20%,则需要留出大量时间来系统学习——碎片化学习永远只是系统化学习的辅助。你需要留出足够多整块时间学习。

  所谓系统学习法,是指把所学内容当成是一个系统看待,力求从大方向出发指导学习,这样,在学习的时候不是按部就班按章节行进,而是先模糊概括,再逐渐在大框架下逐步明晰细节、完善结构、针对缺陷和不足专攻的学习方法。

[[171298]]

如何系统学习数据分析?

  1. 在学习数据分析之前应该明白几点

  数据初期的准备通常占整个数据挖掘项目工作量的70%左右。

  数据分析师本身融合了业务知识、统计学和计算机等学科,并不是新的技术。

  数据分析更适合业务人员学习(相比技术人员学习业务来的更高效)

  数据分析项目通常需要重复一些毫无技术含量的工作。

  2. 职业规划

  以数据分析师为例,先看一下国内知名互联网数据分析师的招聘要求:

  计算机、统计学、数学等相关专业本科及以上学历;

  具有深厚的统计学、数据挖掘知识,熟悉数据仓库和数据挖掘的相关技术,能够熟练地使用SQL;

  三年以上具有海量数据挖掘、分析相关项目实施的工作经验,参与过较完整的数据采集、整理、分析和建模工作;

  对商业和业务逻辑敏感,熟悉传统行业数据挖掘背景、了解市场特点及用户需求,有互联网相关行业背景,有网站用户行为研究和文本挖掘经验尤佳;

  具备良好的逻辑分析能力、组织沟通能力和团队精神;

  富有创新精神,充满激情,乐于接受挑战

  前三个属于硬件要求,一般而言,有专业基础(计算机、统计学、数学等相关专业)入行需要3个月以上的学习。对于非专业背景的同学,入行的时间可能需要的更长,建议给自己预留6-12月的时间。而要成为一个熟手(企业用工需求最多)则需要2-3年以上的行业经验。

  Anyway,作为一门对数学和计算机都有较高要求的一门交叉学科,从事大数据是有一定门槛的,但相对于10年以上的职业生涯(国外***数据科学家50-60岁仍然十分活跃),预备半年的时间来学习这个最炙手可热的技能还是很划算的。

  3. 从业务开始

  学习一门技术要和行业靠拢,没有行业背景的技术如空中楼阁。技术尤其是计算机领域的技术发展是宽泛且快速更替的(十年前做网页设计都能成立公司),一般人没有这个精力和时间全方位的掌握所有技术细节。但是技术在结合行业之后就能够独当一面了,一方面有利于抓住用户痛点和刚性需求,另一方面能够累计行业经验,使用互联网思维跨界让你更容易取得成功。不要在学习技术时想要面面俱到,这样会失去你的核心竞争力。

  大数据是技术工具,最终的应用需要深入理解业务企业的业务场景和商业模式,甚至有人说不懂业务就不要谈大数据,可见领域知识的重要性。值得一提的是,近几年在***科学杂志《Nature》与《Science》上发表的大数据文章都是来自行业专家,而并非计算机专家,这从另外一个方面反映了业务知识的重要性。

  4. get技能

  数学知识

  数学知识是数据分析师的基础知识。对于初级数据分析师,了解一些描述统计相关的基础内容,有一定的公式计算能力即可,了解常用统计模型算法则是加分。对于高级数据分析师,统计模型相关知识是必备能力,线性代数(主要是矩阵计算相关知识)***也有一定的了解。

  分析工具

  对于初级数据分析师,玩转Excel是必须的,数据透视表和公式使用必须熟练,VBA是加分。另外,还要学会一个统计分析工具,SPSS作为入门是比较好的。对于高级数据分析师,使用分析工具是核心能力, SPSS/SAS/R至少要熟练使用其中之一,其他分析工具(如Matlab)视情况而定。

  编程语言

  对于初级数据分析师,会写SQL查询,有需要的话写写Hadoop和Hive查询,基本就OK了。对于高级数据分析师,除了SQL以外,学习Python是很有必要的,用来获取和处理数据都是事半功倍。当然其他编程语言也是可以的。

  5. 勤于学习

  大数据时代的知识,没有像印刷时代对知识结构视为必须具备的“基础”知识,知识是非线性的,可以自由组合、切割,处于一种分散和游离的状态。未来,你必须具备快速自学和捕捉知识的能力,学习将从一个“知识储备,学以致用”的过程,向“知识构建,用时再学”的过程转变,学习将是一个持续的,乃至终身学习的过程。为此你需要具备一种快速而灵活的学习方式。

  参与一次系统培训:

  系统培训能够帮你规划并实施一个系统的学习方案,会在你起步的时候构建一个比较扎实的基础知识框架,这个过程和盖楼时先打地基的道理是一样的,地基打的越深,楼房才能盖的越高。具备项目经验的讲师会讲授很多实际工作中的项目经验,可以带领大家快速进入正确的学习通道,少走弯路。当然,培训取代不了工作实践,如前所述,多在工作中积累业务经验,技能水平才能提升的更快。

  在社区快速学习:

  在国外,除了大学,社区形式的学习平台(如r4stats.com、KNIME、ppvke.com)由于知识更新快,学习时间更加灵活,形成了独特的社区学习(community learning)现象。社区里不但有初学者(freshman),也是不少***技术专家(Veteran)光顾的地方。社区是一个自由、无中心的交流学习平台,没有权威,一切都可以质疑和挑战。当然,如果要和这些高手过招,你必须先打好英语基础。未来,社区【PPV课】将成为从业者技能get、快速充电的重要渠道,社区或将成为继高等学校、职业学校以外的一个“无围墙”的校园。

责任编辑:张诚 来源: 51CTO
相关推荐

2020-09-21 09:15:12

系统

2017-05-19 08:45:34

R用户Python数据分析

2021-10-12 15:25:08

大数据数据分析

2020-07-21 10:09:01

数据分析技术IT

2022-11-01 11:30:51

数据分析模型数据

2022-02-16 10:37:41

数据分析思维数据分析

2023-10-11 11:34:54

数据分析运营

2019-09-04 19:58:46

数据挖掘数据分析学习

2020-08-04 10:50:44

数据分析技术IT

2017-01-12 17:28:59

数据分析数据可视化可视化

2010-03-25 10:36:58

CentOS Samb

2016-10-21 14:41:22

数据分析师大数据

2009-12-16 18:02:48

Linux UNIX系

2015-07-10 13:12:50

AndroidGUI学习Gralloc

2021-10-28 19:22:35

数据分析

2022-08-16 11:33:43

数据分析业务数据

2022-05-11 11:33:53

数据分析业绩业务

2022-04-02 11:47:11

数据分析业务岗位

2023-12-29 10:04:47

数据分析

2018-05-16 08:44:55

点赞
收藏

51CTO技术栈公众号