程序员大数据分析_我只是程序员

大家好，欢迎来到IT知识分享网。

催泪：程序猿转战BDA大数据分析师的经历

本着高薪就业的原则，颤抖着走向 IT互联网公司，果不其然，我的秀发抛弃了我，我的痘痘重新宠爱我。

     做了后端开发之后，每天都在创造 Bug, 解决 Bug, 最怕的就是自己的 Bug 还改不完，还要改别人的，天天过着996，007的 ‘’嗨皮‘’ 生活。

女朋友这种生物更加没有了，周围的同事都是格子衫汉子，千年难遇的一个妹子也被同化为汉子，我滴老天爷！

      为了拯救我自己，准备转行找轻松一些的职位，没扛得住广告的诱惑，报名了一家机构边工作边学习。 刚开始学python基础的时候，

还能耍滑摸鱼，开玩笑，基础谁不会！ 到统计学方法论，算法知识的时候，偷懒是什么东西，我不配，日常五黑的小伙伴都拒绝了。

自己懒的挤出时间去学习，之前收集了好几年的资料和书籍，都去收藏夹吃灰了，现在花这么多钱报班学习，不学多亏啊【有钱人别吭声】！！！

终于，再收集了N多的资料与接触学习，终于明白数据分析师岗位的一些神操作，与未入行或已入行的小伙伴讨论讨论。

数据分析师的重要性：

        辅助业务数据分析师：数据分析师对业务必须熟练，同时对自己所面对的业务有很长时间的积淀和理解，这样就能快速的使用数据分析

                                           去发现业务流程中存在的问题，通过提出针对问题的解决方案去解决这些问题。

        业务方向数据分析师：业务方向中的数据分析师职位一般都是比较专业的，这种专业是具体怎么体现出来的呢？比如产品数据分析师、

                                            运营数据分析师和销售数据分析师等等。所以业务方面的数据分析师都是比较专业化的。

投递简历必知： 招聘岗位上的1~3年工作经验，3年以上工作经验，不要无差别盲投简历。事实上当你投递简历没有过 HR 初筛选 ，那么你

至少半年内再投递此家公司简历是无效的。

• 数据分析实习： 自学，没有工作经验，仅会一些基础的excel进行分析处理，非统计学，数学，计算机相关专业，乖乖实习

  掌握：Excel，MySql, PPT

   

• 1~3年工作经验：转行，机构培训，能够掌握数据分析技术，部分业务知识，可以说是操作很熟练，但是缺乏数据思维敏感力，肯定是要选这个选型

  掌握：Excel，numpy, pandas, python科学计算库， 统计学相关知识，算法，行业业务相关知识

   

• 三年及以上工作经验：有3年以上的互联网开发经验无需转行，是属于赋能，一个人干着两个人的工作，拿着一个半人的工资，也是很香。大佬就有学习新知识不断进步的爱好

  掌握：此类大佬佛系学习，掌握技术已融会贯通

        数据分析岗位未来发展性较广，原开发人员更专注于做技术，从数据分析师晋升为数据挖掘工程师，数据库工程师，数据开发工程师等方向。

像我这样 撸代码 易头秃人群，建议偏业务发展，可以晋升为业务领域经理，主管，总监。

[请感受一下头秃爱好者]

      比如像我这种统计学方法论，算法一窍不通平庸的我，更专注于行业知识点的储备，专注于技术岗位想要往

高走，统计学方法论，算法知识必学，给大家列出比较具有代表性的几本书籍

• 电商数据分析与数据化运营数据分析与决策技术

• 人人都是数据分析师：Tableau应用实战

• 深入浅出数据分析（中文版)

• 营销数据分析

• 《深入浅出统计学》

• Python金融大数据分析

以上书籍网盘链接：

链接：https://pan.baidu.com/s/1zea_G_PRLCxlcgGqqVnatQ
提取码：xkk6

盘点数据分析师走过的坑：

       数据是客观的，有时也是可以骗人的，与数据打交道时，可能会犯一些主观上的错误，导致分析的结论出现

较大的偏颇，例如下列业务错误。

• 选取的样本容量有误： 08年奥运会上，姚明的三分投篮命中率为100%，科比的三分投篮命中率为32%，那么是不是说姚明的三分投篮 命中率要比科比高？显然不能这么说，因为那届奥运会，姚明只投了一个三分球，科比投了53个。

• 因此，在做数据对比分析时， 对于样本的选取，需要制定相同的抽样规则，减少分析结论的偏差性。

• 忽略沉默用户： 用户迫切需要的需求≠产品的核心需求在听到部分用户反馈的时候就做出决策，花费大量的时间开发相应的功能，往往结果，可能这些功能只是极少部分用户的迫切需求，而大部分用户并不在乎。忽略沉默用户，没有全盘的考虑产品大部分目标用户的核心需求，可能造成人力物力的浪费，更有甚者，会错失商业机会。

• 错判因果关系：某电商网站数据显示，商品评论的数量与商品销售额成正比。即一个商品评论数量越多，那么该商品的销售额也会越高。假如我们认为评论多是销量高的原因的话，需要创造更多的商品评论来带动商品销量。但如果真的这样操作的话，就会发现很多商品的销量对于评论的敏感度并不一样，甚至很多商品销量很高，但与其评论的多少毫无关系。影响销量的因素，还有其质量、价格、活动等，如果能完整的认识到这些因素，那我们要拉升商品销量，首先会需要先从其他角度来考虑，而非评论入手。在分析数据的时候，正确判断数据指标的逻辑关系，是指导我们做出产品决策的前提。

• 被数据的表达技巧所蒙蔽：在做数据分析时，我们需要警惕一些数据处理的小计俩，不要被数据的视觉效果所蒙蔽。

• 过度依赖数据：过度依赖数据，一方面，会让我们做很多没有价值的数据分析；另一方面，也会限制产品经理本来应有的灵感和创意。分析马车的数据，很可能我们得出的结论，是用户需要一匹更快的马车。如果过度依赖数据，局限了我们的思维，就很有可能不会有汽车的诞生。

你们工作中常遇到什么坑呢，可以在评论区指点一下吗，请大佬多分享分享！！！