数据分析需要的能力

（1）基本的理论知识：数理统计、模型原理、市场研究等。

（2）常规分析工具的使用。常用办公软件（Excel、PPT、思维导图）、数据库、统计分析工具、数据挖掘等。

（3）一定的业务理解能力，能理解业务背后的商业逻辑。只有理解问题，才能转换成数据分析的问题，才知道如何设定分析目标进行分析。

数据报告和数据可视化的能力。数据分析得再好，如果不能以漂亮的方式“表达”，成效也会大打折扣。

提高数据分析能力的具体方面

一、理论知识

一、从分析理论和工具实践着手

1、理论知识

统计知识会要求我们以另一个角度看待数据。当你知道AB两组的差异用平均值看是多傻的事情，你的分析技巧也会显著提高。

这里我们需要从基础的统计理论(描述性统计、区间估计、假设检验等)出发，到基本的统计分析（T 检验、方差分析等），最后到商业常用的模型（回归分析、方差分析等），学习数据分析背后的逻辑，掌握实用统计学的概念和会利用统计的思维去思考问题。

二、工具实践

数据分析的几个步骤：

（1）数据获取

数据获取往往看似简单，但是它需要分析者对问题进行商业理解，即转化成数据问题来解决，如，需要哪些数据，从哪些角度来分析等，在界定了这些问题后，再进行数据采集。此环节需要数据分析师具备结构化的逻辑思维。

2、数据处理

数据的处理需要掌握有效率的工具：

1）Excel及高端技能：基本操作、函数公式、数据透视表、VBA程序开发。按照我习惯的方法，先过一遍基础，知道什么是什么，然后找几个case练习。多逛逛excelhome论坛，平常多思考如何用excel来解决问题，善用插件，还有记得保存。

2）专业的报表工具（成规模的企业会用）日常做报表设计一个模板可通用，只要会写SQL就可上手。相比excel做报表，开发的技术要求较少，能很快地开发常规报表、动态报表。

3）数据库的使用：熟练掌握SQL语言（很重要），常见的有Oracle、SQL sever、My SQL等。

3、分析数据

分析数据往往需要各类统计分析模型，如关联规则、聚类、分类、预测模型等等。

因此，熟练掌握一些统计分析工具不可免：

1）SPSS系列：老牌的统计分析软件，SPSS Statistics（偏统计功能、市场研究）、SPSS Modeler（偏数据挖掘），不用编程，易学。

2）SAS：经典挖掘软件，需要编程。

3）R：开源软件，新流行，对非结构化数据处理效率上更高，需编程。

4）Python：Python语法简洁而清晰，具有丰富和强大的类库。

5）各类BI工具：Tableau、PowerBI、FineBI，对于处理好的数据可作自由的可视化分析，图表效果惊人。

4、数据可视化呈现

很多数据分析工具已经涵盖了数据可视化部分，只需要把数据结果进行有效的呈现和演讲汇报，可用word\PPT\H5等方式展现。

三、业务能力

分析理论包括：明确业务场景、确定分析目标、构建分析体系和梳理核心指标。

我们要做的就是，首先明确是什么样的业务场景，不同的业务，分析体系也随之不同；然后，结合业务问题确定分析的目标，列出核心指标，再搜集整理所需要的数据。

数据分析是用来解决具体行业问题的，需要从业务的角度出发，了解各个指标，以及每个指标之间的关系，还需要联系业务去理解数据。所以，工作中数据分析脱离不了业务，在分析中要找到导致问题发生的根本原因，而不只是单纯的统计数据。

因此需要具备某个行业的业务知识才能去理解这个行业里的术语、业务问题等。

业务知识包括某个行业的常用指标、业务流程。需要注意的是，不同行业的指标、业务流程是不样的，所以需要学习的时候针对你的目标行业去学习准备。

工具上，无论是业务人员还是分析人员，都可以通过自动取数工具或者BI工具来制作报表，减少重复操作的时间。其次，增加与业务人员的沟通，充分了解并挖掘需求，当你的业务水平和他们差不多甚至更高时，自然而然知道真实的需求是什么了。