学数据分析的八大误区,你中招了吗?

大数据 数据分析
在设定学习目标的时候,到底是想提升目前岗位/行业的适应能力,还是提高自己在人才市场的竞争能力,是两个根本方向性问题。

数据分析好学吗?很好学!然而很多同学学着学着就钻进误区,结果空耗力气不说,还不解决问题。今天陈老师就来盘点下,常见的八大误区。同学们有则改之,无则加勉哦。

一、目标不明,贪大求多

学数据分析到底是为什么?常见的回答:

1、我想换个数据分析的工作

2、我想提高工资收入

3、我对数据很感兴趣

4、我需要解决一个具体问题

5、我看“大数据”“人工智能”很时髦

单独看的话,每一种想法都没错。每一个想法,能坚持到底,也都能达到目标。但怕就怕:把这几个玩意混到一起,毕其功于一役。想学一个技能,且能解决眼前的问题,且以后能找个大厂工作,且工作很符合自己兴趣,且工资收入能涨好几倍,且快速地实现以上所有目标……

历史一再教育我们:且字越多,失败概率越高。目标太多,会直接导致学习失败。我们经常能看到,一个雄心勃勃的同学一口气买了20本书,从《统计学》到《西瓜书》,从《21天0基础学习python》到《谁说菜鸟不会数据分析》……摊在桌子上满满当当,结果几个月下来啥都没学会。

本质上看,数据分析是典型的交叉领域知识,涉及的科目非常多(如下图)。如果目标不明确,很有可能在某个分支里深陷泥潭无法自拔。

图片图片

二、限于一隅,钻牛角尖

与上一种情况相反,有些同学走的是牛角尖路线。

  • “我就是那个要成为excel王的男人”
  • “我就是那个要成为sql王的男人”
  • “我就是那个要成为python王的男人”
  • ……

钻研一门技术本身没啥问题。怕的是,钻研技术不是出于对技术的热爱,而是觉得:“我成为excel/sql/python王以后就能升职加薪了吧……”

额,明确回答:不能

一来,想达成“王的男人”难度太高,短时间根本不可能

二来,公司不是按软件/工具/技能给薪资,而是按岗位给薪资

一个岗位要解决具体问题,往往是结合实际的、多种技能组合。沉迷一隅,经常是苦学半年,还是啥问题都解决不了,更谈不上升职加薪了。

三、求职提升,混为一谈

在设定学习目标的时候,到底是想提升目前岗位/行业的适应能力,还是提高自己在人才市场的竞争能力,是两个根本方向性问题。

提高人才市场竞争力:满足的是未来意向企业的需求

提高目前岗位适应力:满足的是当下企业的需求

除非未来求职企业和当下企业的行业地位、业务场景差不多,否则满足当下需求的,和满足未来需求的一定不是一回事。更不要说跨行的了。常见的情况整理如下,同学们自行对号入座,做好学习路线的设计。

图片

四、跨行跳槽,训练不足

这是跨行同学常见问题,特别是跨度很大,过往经验很少帮助的时候。很多同学问:“老师,我学会excel,sql,python了,能找啥工作?”这时候经常被我一句反问:“啥叫学会?!”

相当多的同学只是对着网上案例、书本练习题敲了一遍键盘,运行一下发现能跑出结果,就算自己学会了。训练度太低,导致笔试的时候丢三落四,面试的时候丢东忘西,结果肯定不行。

所有技术类操作,需要充足的训练度保障。最好的方法是“四个同一”(如下图)

图片图片

五、逃避技术,碰碰业务

这也是跨行的同学常见问题。很多同学想跨行选择业务方向,不是因为自己很擅长业务分析,而是“觉得我技术不行,就先干干业务吧……”然后真到面试的时候,连对方是做啥业务的都不知道,最后折戟沉沙也是理所当然的呀。

注意:市面上所谓业务分析,大部分不是孤身一人在业务部门的“野生分析师”,就是给业务整理excel表的表哥表妹,工作初级、简单不说,以后再换行也没啥帮助,还是得老老实实补回技术能力。

真正做业务分析且高级的岗位,往往是用户运营、增长黑客、渠道推广等强力业务部门的业务人员自己干了,本质上拼的是业务能力,不是excel里拉个透视表。

真的想往业务方向发展。在学习的时候,需要的是扩充见识,是对一个具体行业具体流程的深入了解,对数据采集方法与数据形式的细致研究。这些知识可以看诸如《增长黑客》《精益数据分析》这种理论书补一点,但是更大程度需要个人对行业的深入了解。不然一落地到具体的操作层面,100%会抓抓瞎(如下图)

图片图片

六、同行跳槽,缺少深度

很多在同行间跳槽的同学会遇到这个问题。明明面试的岗位就是普通的分析岗,却在面试时候被各种高难度问题怼得晕头转向,然后怀疑人生地问道:

“做这种分析还需要建模?”

“做这种分析还需要理论?”

“做这种分析还需要方法论?”

这种情况,其实就是招聘内卷造成的。大家明知道丫不需要用,但是面试官还是会问,不然咋淘汰掉其他人呢?可如果真去学,平时又用不上,又不知道哪里是个头,咋办呢。

这时候的学习,记得:宽度大于深度。先记住诸如统计学、机器学习、推荐算法的目录。把每一类问题常用方法,基本思路记下来,之后有空余的情况下再练案例,之后再有空余情况下再联系实际做尝试。

这样至少面试时候不会直接被打哑火,能应付过场面。同时和自己经验结合时候也容易说“方法就是这几种了”。

七、死钻技术,忽略场景

在职,想解决实际问题的同学,经常遇到这个问题。最典型的,就是一张嘴:

“用户画像的标准做法是什么”

“预测模型的常见做法是什么”

“原因分析的科学做法是什么”

你问他为啥要强调“标准”“常见”“科学”,答案都是:

  • 领导不认可
  • 同事不买单
  • 客户不接受

这个已经跟“标准”“常见”“科学”没关系了呀,这是怎么搞掂人的问题。这种问题其实没啥书可以参考,要看,也是看《沟通学》或者《管理学》而不是《高级预测建模》……

类似的场景非常多,比如

  • 需要沟通解决的:口径统一、考核目标、评价标准
  • 需要管理解决的:缺少管理规范、有规范不执行
  • 需要技术解决的:工作流程没有数字化、缺少数据采集
  • 需要业务解决的:缺少策划思路、业务能力不足、缺少经验积累

这些都会导致实际工作中数据分析做不动。而且这些因素和数据分析没半毛钱关系。因此要想通过学习解决这些问题,就不能只盯着数据分析,而是从多个角度思考:到底怎么办。这里教大家一个简单的判断准则(如下图):

图片图片

八、总想系统,忽略实际

有些同学在日常学习的时候,总想着:系统练练。想法没有错,但是指望着在一个数据集里,甚至一张大宽表里,就腾挪跌宕地把各种操作都练习完毕,就很容易出问题。

一来,实际工作中数据表结构复杂,不可能一张宽表走天下

二来,实际工作中问题发生很分散,不可能一张表内涵所有问题

如果执着于:找一张宽表把技能全练了。不但会发现很难找到100%满意的数据集,而且即使找到一个看似很适合练手的,练完了实战时候还是掉链子。因为实战时候,分解问题才是第一步工作。

真想系统性学习,第一步要做的是分解清楚,哪些是业务问题,哪些是技术问题,哪些是数据采集问题,哪些是数据提取问题,提升自身分辨能力,之后每个科目通过专著提升能力,这样遇到问题才能游刃有余。

小结

八个问题,其实都是源自最初的:目标不清。在各个工作里,数据分析是有最多理论支持的,其中每一个科目深入下去都深不见底。因此给人一种错觉:只要我看书看得多,就能包打天下了。

但实际上:

  • 数据分析的工作场景非常复杂,混杂了:理论、业务、技术、目标、人情世故种种问题。
  • 数据分析的求职信息非常胡乱,各种名词满天飞,挂羊头卖狗肉情况非常多。

这些复杂情况还因人而异,水平不同的人难度根本不一致。因此遇到问题,先别急着买20本书,先梳理清楚到底自己想要啥。突出重点,把自己目标里的“且”字多干掉几个,后边就自然轻松了。

责任编辑:武晓燕 来源: 接地气的陈老师
相关推荐

2021-01-07 08:12:08

自学编程学习

2018-10-25 10:36:50

物联网误区IOT

2018-05-28 14:55:56

职业错误程序员

2021-08-16 14:00:27

手机科技功能

2019-07-30 12:43:28

大数据数据湖数据分析

2022-02-21 17:35:50

漏斗模型流程数据

2022-05-09 18:46:28

EOQ模型数据分析

2019-05-05 10:59:26

数据科学家数据科学编码

2022-02-07 19:48:02

模型同期群LTV模型

2021-11-29 18:33:38

数据分析模型

2018-10-22 17:52:28

GitHub代码开发者

2021-04-09 13:14:52

数据分析技术大数据

2021-03-23 10:17:45

5G手机网络

2018-08-14 11:02:55

机器学习项目失败

2015-09-16 11:53:21

2022-04-01 17:32:00

Windows3.1元宇宙模式黑客

2018-07-05 16:40:07

区块链数字货币比特币

2023-11-29 13:50:00

数据分析师

2013-03-27 09:03:34

2019-07-25 08:08:33

SQLJavaMySQL
点赞
收藏

51CTO技术栈公众号