开通VIP，畅享免费电子书等14项超值服
首页
好书
留言交流
下载APP
联系客服
2024.03.07上海
一
（注：图保存下来，查看更清晰）
作为数据分析师，无论最初的职业定位方向是技术还是业务，最终发到一定阶段后都会承担数据管理的角色。因此，一个具有较高层次的数据分析师需要具备完整的知识结构。
1.数据采集
比如：
Omniture中的Prop变量长度只有100个字符，在数据采集部署过程中就不能把含有大量中文描述的文字赋值给Prop变量（超过的字符会被截断）。
在数据采集阶段，数据分析师需要更多的了解数据生产和采集过程中的异常情况，如此才能更好的追本溯源。另外，这也能很大程度上避免“垃圾数据进导致垃圾数据出”的问题。
2.数据存储
无论数据存储于云端还是本地，数据的存储不只是我们看到的数据库那么简单。
数据存储系统是MySql、Oracle、SQLServer还是其他系统。
数据仓库结构及各库表如何关联，星型、雪花型还是其他。
生产数据库接收数据时是否有一定规则，比如只接收特定类型字段。
生产数据库面对异常值如何处理，强制转换、留空还是返回错误。
生产数据库及数据仓库系统如何存储数据，名称、含义、类型、长度、精度、是否可为空、是否唯一、字符编码、约束条件规则是什么。
接触到的数据是原始数据还是ETL后的数据，ETL规则是什么。
数据仓库数据的更新更新机制是什么，全量更新还是增量更新。
不同数据库和库表之间的同步规则是什么，哪些因素会造成数据差异，如何处理差异的。
在数据存储阶段，数据分析师需要了解数据存储内部的工作机制和流程，最核心的因素是在原始数据基础上经过哪些加工处理，最后得到了怎样的数据。由于数据在存储阶段是不断动态变化和迭代更新的，其及时性、完整性、有效性、一致性、准确性很多时候由于软硬件、内外部环境问题无法保证，这些都会导致后期数据应用问题。
3.数据提取
数据提取是将数据取出的过程，数据提取的核心环节是从哪取、何时取、如何取。
如何取，提取规则——不同提取规则下的数据结果很难一致。
4.数据挖掘
数据挖掘是面对海量数据时进行数据价值提炼的关键，以下是算法选择的基本原则：
没有最好的算法，只有最适合的算法，算法选择的原则是兼具准确性、可操作性、可理解性、可应用性。
没有一种算法能解决所有问题，但精通一门算法可以解决很多问题。
挖掘算法最难的是算法调优，同一种算法在不同场景下的参数设定相同，实践是获得调优经验的重要途径。
5.数据分析
数据分析相对于数据挖掘更多的是偏向业务应用和解读，当数据挖掘算法得出结论后，如何解释算法在结果、可信度、显著程度等方面对于业务的实际意义，如何将挖掘结果反馈到业务操作过程中便于业务理解和实施是关键。
6.数据展现
数据展现即数据可视化的部分，数据分析师如何把数据观点展示给业务的过程。数据展现除遵循各公司统一规范原则外，具体形式还要根据实际需求和场景而定。
基本素质要求如下：
工具。FineBI是不错的展现工具。
形式。图文并茂的基本原则更易于理解，生动、有趣、互动、讲故事都是加分项。
原则。领导层喜欢读图、看趋势、要结论，执行层欢看数、读文字、看过程。
场景。大型会议PPT最合适，汇报说明Word最实用，数据较多时Excel更方便。
最重要一点，数据展现永远辅助于数据内容，有价值的数据报告才是关键。
7.数据应用
数据应用是数据具有落地价值的直接体现，这个过程需要数据分析师具备数据沟通能力、业务推动能力和项目工作能力。
数据沟通能力。深入浅出的数据报告、言简意赅的数据结论更利于业务理解和接受，打比方、举例子都是非常实用的技巧。
业务推动能力。在业务理解数据的基础上，推动业务落地实现数据建议。从业务最重要、最紧急、最能产生效果的环节开始是个好方法，同时要考虑到业务落地的客观环境，即好的数据结论需要具备客观落地条件。
项目工作能力。数据项目工作是循序渐进的过程，无论是一个数据分析项目还是数据产品项目，都需要数据分析师具备计划、领导、组织、控制的项目工作能力。
上文内容不用于商业目的，如涉及知识产权问题，请权利人联系小编，我们将立即处理