写在最前面的话

最近找实习屡屡碰壁，想找机器学习的，奈何代码能力还不够，找数据分析的，奈何没有数据分析思维以及业务方面的相关知识。
前阵子开始集中学习数据分析的课程，增强自己的数据分析理论知识，并以博文来做输出提高记忆。

数据分析需要的主要内容

数据分析是一门交叉领域的学科。

分析师们既可以用Excel完成一份最基础的数据报告，也能用Python深入挖掘。

真正决定数据分析师上限的是其能力，而不是工具。

数据分思维和业务贯穿整个数据分析的流程。
数据分析学习笔记（一）

数据采集简称埋点，收集用户在网页端、产品端、客户端等终端的数据，也包括第三方外部数据。
用户行为 — 原始数据
（将用户行为变成原始数据，用户行为是真实发生，原始数据是存储在数据库中）

将收集的数据转化成可理解、可量化、可观察的业务指标。单纯的数据没有意义，只有和业务结合才能发挥价值。
原始数据 — 加工数据
（将原始数据变成有用的数据，深点理解数据变成标签）

有了数据指标，必须管理好指标。数据分析体系即数据指标体系，指标需要监控和衡量。
加工数据 — 可视化数据/信息
（让数据展示出来，让人看到）

数据分析师也要参与到报告的执行和决策，落地，最好参与进去。

当从数据中获得了洞察，就需要把洞察转换成策略。这也是包含分析得过程。执行既包含策略的制定，也包括优化和改进。这是持续的。
可视化数据/信息 — 数据决策

决策落地发现决策是好的后

这是将策略制作成数据应用和产品，当你洞察到数据中蕴含的规律，什么样的用户喜欢，什么样的商品会被购买，什么样的活动形式更好，就尝试把这些做成系统。
数据决策 — 数据产品/应用

当积累了大量的数据，大量的模型，大量的数据应用时，公司级的数据体系已经具备雏形。它不只是数据分析，而是应该将数据变现。
数据工具 — 数据体系/战略

收集–加工–展现–决策–决策系统化做成产品–能否战略性保存