數(shù)據(jù)分析師的完整流程與知識(shí)結(jié)構(gòu)體系

1、數(shù)據(jù)分析師的完整流程與知識(shí) 結(jié)構(gòu)體系作者：日期：91 . 數(shù)據(jù)采集了解數(shù)據(jù)采集的意義在于真正了解數(shù)據(jù)的原始面貌，包括數(shù)據(jù)產(chǎn)生的時(shí)間、條件、格式、內(nèi)容、長度、限制條件等。這會(huì)幫助數(shù)據(jù)分析師更有針對(duì)性的控制數(shù)據(jù)生產(chǎn)和采集過程，避免由于違反數(shù)據(jù)采集規(guī)則導(dǎo)致的數(shù)據(jù)問題;同時(shí)，對(duì)數(shù)據(jù)采集邏輯的認(rèn)識(shí)增加了數(shù)據(jù)分析師對(duì)數(shù)據(jù)的理解程度，尤其是數(shù)據(jù)中的異常變化。比如： Omniture 中的 Prop 變量長度只有100 個(gè)字符，在數(shù)據(jù)采集部署過程中就不能把含有大量中文描述的文字賦值給Prop 變量（超過的字符會(huì)被截?cái)啵?。?Webtrekk323 之前的 Pixel 版本， 單條信息默認(rèn)最多只能發(fā)送不超過2K

2、 的數(shù)據(jù)。 當(dāng)頁面含有過多變量或變量長度有超出限定的情況下，在保持?jǐn)?shù)據(jù)收集的需求下， 通常的解決方案是采用多個(gè)sendinfo 方法分條發(fā)送;而在 325 之后的 Pixel版本，單條信息默認(rèn)最多可以發(fā)送7K 數(shù)據(jù)量，非常方便的解決了代碼部署中單條信息過載的問題。（Webtrekk 基于請求量付費(fèi)，請求量越少，費(fèi)用越低）。當(dāng)用戶在離線狀態(tài)下使用APP 時(shí)，數(shù)據(jù)由于無法聯(lián)網(wǎng)而發(fā)出，導(dǎo)致正常時(shí)間內(nèi)的數(shù)據(jù)統(tǒng)計(jì)分析延遲。直到該設(shè)備下次聯(lián)網(wǎng)時(shí)，數(shù)據(jù)才能被發(fā)出并歸入當(dāng)時(shí)的時(shí)間。這就產(chǎn)生了不同時(shí)間看相同歷史時(shí)間的數(shù)據(jù)時(shí)會(huì)發(fā)生數(shù)據(jù)有出入。在數(shù)據(jù)采集階段，數(shù)據(jù)分析師需要更多的了解數(shù)據(jù)生產(chǎn)和采集過程中的異常情況，

3、如此才能更好的追本溯源。另外，這也能很大程度上避免“垃圾數(shù)據(jù)進(jìn)導(dǎo)致垃圾數(shù)據(jù)出”的問題。2 .數(shù)據(jù)存儲(chǔ)無論數(shù)據(jù)存儲(chǔ)于云端還是本地，數(shù)據(jù)的存儲(chǔ)不只是我們看到的數(shù)據(jù)庫那么簡單。比如：數(shù)據(jù)存儲(chǔ)系統(tǒng)是MySql、 Oracle、 SQL Server 還是其他系統(tǒng)。數(shù)據(jù)倉庫結(jié)構(gòu)及各庫表如何關(guān)聯(lián)，星型、雪花型還是其他。生產(chǎn)數(shù)據(jù)庫接收數(shù)據(jù)時(shí)是否有一定規(guī)則，比如只接收特定類型字段。生產(chǎn)數(shù)據(jù)庫面對(duì)異常值如何處理，強(qiáng)制轉(zhuǎn)換、留空還是返回錯(cuò)誤。生產(chǎn)數(shù)據(jù)庫及數(shù)據(jù)倉庫系統(tǒng)如何存儲(chǔ)數(shù)據(jù)，名稱、含義、類型、長度、精度、是否可為空、是否唯一、字符編碼、約束條件規(guī)則是什么。接觸到的數(shù)據(jù)是原始數(shù)據(jù)還是ETL 后的數(shù)據(jù)，ETL 規(guī)

4、則是什么。數(shù)據(jù)倉庫數(shù)據(jù)的更新更新機(jī)制是什么，全量更新還是增量更新。不同數(shù)據(jù)庫和庫表之間的同步規(guī)則是什么，哪些因素會(huì)造成數(shù)據(jù)差異，如何處理差異的。在數(shù)據(jù)存儲(chǔ)階段，數(shù)據(jù)分析師需要了解數(shù)據(jù)存儲(chǔ)內(nèi)部的工作機(jī)制和流程，最核心的因素是在原始數(shù)據(jù)基礎(chǔ)上經(jīng)過哪些加工處理，最后得到了怎樣的數(shù)據(jù)。由于數(shù)據(jù)在存儲(chǔ)階段是不斷動(dòng)態(tài)變化和迭代更新的，其及時(shí)性、完整性、有效性、一致性、 準(zhǔn)確性很多時(shí)候由于軟硬件、內(nèi)外部環(huán)境問題無法保證，這些都會(huì)導(dǎo)致后期數(shù)據(jù)應(yīng)用問題。3 .數(shù)據(jù)提取數(shù)據(jù)提取是將數(shù)據(jù)取出的過程，數(shù)據(jù)提取的核心環(huán)節(jié)是從哪取、何時(shí)取、 如何取。從哪取，數(shù)據(jù)來源不同的數(shù)據(jù)源得到的數(shù)據(jù)結(jié)果未必一致。何時(shí)取，提取時(shí)間不同

5、時(shí)間取出來的數(shù)據(jù)結(jié)果未必一致。如何取，提取規(guī)則不同提取規(guī)則下的數(shù)據(jù)結(jié)果很難一致。在數(shù)據(jù)提取階段，數(shù)據(jù)分析師首先需要具備數(shù)據(jù)提取能力。常用的Select From語句是 SQL 查詢和提取的必備技能，但即使是簡單的取數(shù)工作也有不同層次。第一層是從單張數(shù)據(jù)庫中按條件提取數(shù)據(jù)的能力，where 是基本的條件語句;第二層是掌握跨庫表提取數(shù)據(jù)的能力，不同的join 有不同的用法;第三層是優(yōu)化SQL 語句，通過優(yōu)化嵌套、篩選的邏輯層次和遍歷次數(shù)等，減少個(gè)人時(shí)間浪費(fèi)和系統(tǒng)資源消耗。其次是理解業(yè)務(wù)需求的能力，比如業(yè)務(wù)需要“銷售額 ”這個(gè)字段，相關(guān)字段至少有產(chǎn)品銷售額和產(chǎn)品訂單金額，其中的差別在于是否含優(yōu)惠券、

6、運(yùn)費(fèi)等折扣和費(fèi)用。包含該因素即是訂單金額，否則就是產(chǎn)品單價(jià)×數(shù)量的產(chǎn)品銷售額。4 .數(shù)據(jù)挖掘數(shù)據(jù)挖掘是面對(duì)海量數(shù)據(jù)時(shí)進(jìn)行數(shù)據(jù)價(jià)值提煉的關(guān)鍵，以下是算法選擇的基本原則：沒有最好的算法，只有最適合的算法，算法選擇的原則是兼具準(zhǔn)確性、可操作性、可理解性、可應(yīng)用性。沒有一種算法能解決所有問題，但精通一門算法可以解決很多問題。挖掘算法最難的是算法調(diào)優(yōu)，同一種算法在不同場景下的參數(shù)設(shè)定相同，實(shí)踐是獲得調(diào)優(yōu)經(jīng)驗(yàn)的重要途徑。在數(shù)據(jù)挖掘階段，數(shù)據(jù)分析師要掌握數(shù)據(jù)挖掘相關(guān)能力。一是數(shù)據(jù)挖掘、統(tǒng)計(jì)學(xué)、數(shù)學(xué)基本原理和常識(shí);二是熟練使用一門數(shù)據(jù)挖掘工具，Clementine 、 SAS 或 R都是可選項(xiàng)，如果

7、是程序出身也可以選擇編程實(shí)現(xiàn);三是需要了解常用的數(shù)據(jù)挖掘算法以及每種算法的應(yīng)用場景和優(yōu)劣差異點(diǎn)。5 .數(shù)據(jù)分析數(shù)據(jù)分析相對(duì)于數(shù)據(jù)挖掘更多的是偏向業(yè)務(wù)應(yīng)用和解讀，當(dāng)數(shù)據(jù)挖掘算法得出結(jié)論后，如何解釋算法在結(jié)果、可信度、顯著程度等方面對(duì)于業(yè)務(wù)的實(shí)際意義，如何將挖掘結(jié)果反饋到業(yè)務(wù)操作過程中便于業(yè)務(wù)理解和實(shí)施是關(guān)鍵。6 .數(shù)據(jù)展現(xiàn)數(shù)據(jù)展現(xiàn)即數(shù)據(jù)可視化的部分，數(shù)據(jù)分析師如何把數(shù)據(jù)觀點(diǎn)展示給業(yè)務(wù)的過程。數(shù)據(jù)展現(xiàn)除遵循各公司統(tǒng)一規(guī)范原則外，具體形式還要根據(jù)實(shí)際需求和場景而定。基本素質(zhì)要求如下：工具。 PPT、 Excel、 Word 甚至郵件都是不錯(cuò)的展現(xiàn)工具，任意一個(gè)工具用好都很強(qiáng)大。形式。 圖文并茂的基本原則更易于理解，生動(dòng)、 有趣、 互動(dòng)、 講故事都是加分項(xiàng)。原則。領(lǐng)導(dǎo)層喜歡讀圖、看趨勢、要結(jié)論，執(zhí)行層歡看數(shù)、讀文字、看過程。場景。大型會(huì)議PPT 最合適，匯報(bào)說明Word 最實(shí)用，數(shù)據(jù)較多時(shí)Excel 更方便。最重要一點(diǎn)，數(shù)據(jù)展現(xiàn)永遠(yuǎn)輔助于數(shù)據(jù)內(nèi)容，有價(jià)值的數(shù)據(jù)報(bào)告才是關(guān)鍵。7 .數(shù)據(jù)應(yīng)用數(shù)據(jù)應(yīng)用是數(shù)據(jù)具有落地價(jià)值的直接體現(xiàn)，這個(gè)過程需要數(shù)據(jù)分析師具備數(shù)據(jù)溝通能力、業(yè)務(wù)推動(dòng)能力和項(xiàng)目工作能力。數(shù)據(jù)溝通能力。深入淺出的數(shù)據(jù)報(bào)告、言簡意賅的數(shù)據(jù)結(jié)論更利于業(yè)務(wù)理解和接受，打比方、舉例子都是非常實(shí)用的技巧。業(yè)務(wù)推動(dòng)能力。在業(yè)務(wù)理解數(shù)據(jù)的基礎(chǔ)上，推動(dòng)業(yè)務(wù)落地實(shí)現(xiàn)數(shù)據(jù)建議。從業(yè)務(wù)最重要、 最緊急