如何成为一个优秀的数据分析师？

数据分析师是一个发展前景非常好的工作，时代的发展决定了在未来，数据分析师将成为必不可少的一个工作岗位，如果大家能够有幸进入到这个行业，那么就好好珍惜，而对于那些还没考虑未来就业方向的朋友来说，数据分析师绝对是一个不错的选择。

数据分析师在进阶的道路上有多种选择，可以成为数据技能超强的产品经理，也可以成为数据指导业务的运营VP，更可以进入到管理或者战略层，而这些，都是在工作的过程中，开阔视野所带给人们的。
比如我们要分析python的就业情况，那我们怎么要分析，这里肯定是使用我们的python数据可视化里面的一个内容matplotlib，包括pyecharts，具体怎么实现我这里就不过多去解释了
可以看一下效果图

这个就是我们日常数据分析要做的一些工作。

那么成为优秀数据分析师有那三个特点？

1业务能力
能跑数，不叫数据分析，和业务结合并产生价值才是数据分析,对业务的洞察力決定了ー个数据分析师的职业上限.
对行业和产品有热情、热爱学习
从事数据分析工作，首先必须要对进入的行业和产品感兴趣，有好奇心，愿意学习一切未知的知识
关注数据分析对业务产生的价值
能够把业务和数据结合起来，尝试用数据量化业务状态和结果，能够用数据解释潜藏的未被发现的业务逻辑
多问、多思考
当分析需求来的时候，要问下为什么要做这个分析，想解決什么问题
2. 技术能力
掌握并熟练应用基本的数据分析工具、分析模型和分析方法, 技术水平決定了数据分折师的下限
熟练使用各类分析模型和分析方法
对使用的模型能清楚其优劣势
对没用过的方法能有所了解，在遇到已有方法解决不了的问题时能够联想到尝试其他方法是否可以解决。
一定的编程语言技能
SQL/Python/R：SQL是基础，Python或R可以提升长期工作效率。
对数据有很高的敏感度，最好有一定的统计学基础
能够及时发现数据展现的问题，指出深挖的方向
对数据的理解有很强的逻辑性和科学性。
3. 沟通能力
具备高效听说写的能力和用数据讲故事的能力，数据分析师总是需要通过说服产品和工程方面来改变产品，产生影响力
能够跨部门高效沟通
与需求方沟通可以快速了解业务价值，分析背景
与开发部门沟通可以了解业务实现、数据来源
推动数据分析落地业务方需要跨部门沟通
良好的数据可视化能力和撰写分析报告的能力
能够把分析结果变得直观、简单、易理解
分析报告全面、有逻辑、经得住推敲
分析结论可靠、可验证

不管那一家公司里面的数据分析师都必须是要与业务结合起来才叫我们的数据分析师。
1.为什么业务重要
唯有理解业务，才能建立完整的一套体系，简称业务数据模型。
想进入某个行业的数据分析，尽量需要一些业务知识，敲门砖。
2.经典的业务分析指标
模型未动，指标先行。
如果你不能衡量它，你就不能无法增长它
运用第一周的核心思维：结构化、公式化和业务化，形成指标。
指标建立的要点：
核心指标（公司和部门都认同的大目标，根据实际公司情况而认定）
好的指标应该是比率
好的指标能带来显著效果
好的指标不应该虚荣（如投入的钱很多，新增用户量大）
好的指标不应该复杂
3.市场营销指标
市场营销领域：
1.客户/用户生命周期
企业/产品和消费者再整个业务关系阶段的周期。
不同业务划分的阶段不同。传统营销中，分为潜在用户，兴趣用户，新客户，老客户，流失客户。
2.用户价值
业务领域千千万万，怎样定义最有效用户？
用户贡献=产出量/投入量100%
用户价值=贡献1+贡献2+…
金融行业的用户价值，大概可以为存款+贷款+信用卡+年费+…-风险
RFM模型
具体看业务背景，确立RFM模型中的重心，进行更改和修正。
用户分群，营销矩阵
提取用户的几个核心维度，例如RFM，用象限法将其归纳和分类
3. 产品运营指标
AARRR框架
用户获取，用户活跃，用户留存，营收，传播
1.用户获取
渠道到达量：俗称曝光量。有多少人看到产品推广相关的线索。
渠道转换率：有多少用户因为曝光而心动Cost Per，包含CPM、CPC、CPS、CPD和CPT等。
渠道ROI：推广营销的熟悉KPI，投资回报率，利润/投资 100
日应用下载量：App的下载量，这里指点击下载，不代表下载完成。
日新增用户数：以用户注册提交资料为基准
获客成本：为获取一位用户需要支付的成本
一次会话用户数占比：指新用户下载完App，仅打开过产品一次，且该次使用时长在2分钟以内。（衡量渠道可靠程度）
2.用户活跃
日/周/月活跃用户应用下载量：活跃标准是用户用过的产品，广义上，网页游览内容算用，公众号下单算用，不限于打开APP。
活跃用户占比：活跃用户数再总用户数的比例，衡量的是产品健康程度
用户会话session次数：用户打开产品操作和使用，直到推出产品的整个周期。5分钟无操作，默认结束
用户访问时长：一次会话的持续时间。
用户平均访问次数：一段时间内的用户平均产生会话次数。
3.用户留存
用户在某段时间内使用产品，过了一段时间后仍旧继续使用的用户。
4.营收
付费用户数：花了钱的
付费用户数占比：每日付费用户占活跃用户数比，也可以计算总付费用户占总用户数比
ARPU：某个时间段内，每位用户平均收入
ARPPU：某时间段内每位付费用户平均收入，排除了未付费。
客单价：每一位用户平均购买商品的金额。销量总额/顾客总数
LTV：用户生命价值周期，和市场营销的客户价值接近，经常用在游戏运营电商运营中。
LTV(经验公式)：ARPU1/流失率（比如说，一月份有一百个用户，这个月用户流失率0.3，那么1/流失率=3.3，那么一月份这批客户在3.3个月后流失光，这段时间的LTV=ARPU（用户的平均消费100元） 3.3 =330元），适合敏捷项目
5.传播
K因子：每一个用户能够带来几个新用户
K因子=用户数平均邀请人=人数邀请转换率
用户分享率：某功能/界面中，分享用户数占游览页面人数占比
活动/邀请曝光量：线上传播活动中，该活动被曝光的次数
4. 用户行为指标
1.用户行为
没有特别重要的框架，主要在于理解与应用。
功能使用率：使用某功能的用户占活动总活跃数之比。（比如点赞、评论、收藏、搜索等等）
用户会话：会话（session），是用户在一次访问过程中，从开始到结束的整个过程。在网页端，30分钟内没有操作，默认会话操作结束
2.用户路径
路径图：用户在一次会话的过程中，其访问产品内部的游览轨迹，通过此，可以加工出关键路径转换率。
全产品路径如上，但是关注关键路径才重要。比如下单的路径，观察各个路径的情况，进行优化。
5.电子商务指标
购物篮分
笔单价：用户每次购买支付的金额，即每笔订单的支出，对应客单价
件单价：商品的平均价格
成交率：支付成功的用户在总的客流量中的占比
购物篮系数：平均每笔订单中，卖出了多少商品，与商品关联规则有关。
复购率：一段时间内多次消费的用户占到总消费用户数之比（忠诚度）
回购率：一段时间内消费过的用户，在下一段时间内仍然有消费行为的占比（消费欲望）
6. 流量指标
1.游览量和访客量
PV：游览次数。以发起请求次数来判定
UV：一定时间内访问网页的人数，UV会通过cookie或IP的访问次数来判定次数
微信中的网页，UV是不准确的，微信不会保存cookies。
2.访客行为
新老客户占比：衡量网站的生命力（适宜就好，过高过低就不行）
访客时间：衡量内容质量，不是看内容的UV，而是内容的访问时间。
访客平均访问页数：衡量网站对访客的吸引力，是访问的深度
来源：与多维分析相关，访客从哪里来，游览方式？手机机型？通过来源网站的参数提取。
退出率：从该页退出的页面访问数/进入该页的访问数（衡量网页产品结构）
跳出率：游览单页即退出的次数/访问次数（衡量落地页、营销页）
7.怎么生存指标
组合！
访客访问时长+UV=重度访问用户占比（游览时间五分钟以上的用户占比）
用户会话次数+成交率=有效消费会话占比（用户在所有的会话中，其中有多少次有消费？）
机器学习，PCA学习，指数法，生成指标。（偏应用）
8.总结
通过三大核心思维，分解-理解-寻找，得到重要的指标。
根据不同行业，运用不同合适的模型
公司在不同时期、阶段和模式都有不同的指标，需要有根据目的，从更高层次去寻找有效的指标。
技术能力最常见的就是数据可视化
1.有用的图表
对于数据可视化，大多数人下意识是要好看，下意识的去追求美感，觉得高大尚。其实，美丽的图表应该是有用的图表。

数据可视化的目的是让数据更高效，让读者更高效的进行阅读，而不是自己使用。好的可视化能突出背后的规律，突出重要的因素，最后才是美观。

数据可视化的最终目的：数据作用的最大化。

2.常见的图表

**
1.散点图
核心：展现数据之间的规律
呈现出一定规律的散点图可增加趋势线，并通过选项将规律用公式表示出来。
改进图：
气泡图：散点图的变种，引入第三个度量单位作为气泡的大小
单轴散点图

2.折线图

3.柱形图

4.饼形图

用面积区分大小，很多情况下肉眼是很难区分的，上图为玫瑰图—饼图的变种

5.漏斗图

6.中国地理图

7词云图

8柱形图与折线图结合

满满干货，学会这些方法技巧，你还学不会嘛？