数据分析助你一做就赚钱,数据分析好找工作吗

随着企业掌握的信息越来越多，对数据分析岗位的要求也越来越高，国内目前数据分析的岗位需求非常旺盛，随便去一些招聘网站都能找到很多。

有一定的工作经验，工作还是很好找的，薪水也是要高出IT互联网同类岗位20-30%。

随着大数据、云计算、物联网、人工智能这些行业的发展崛起，对于大数据人才的需求越来越大，而大数据人才的培养发展周期相对较长，导致了大数据人才短缺，市场供不应求。

随便打开任何一个招聘的软件都可以看到，具有相同技术经验的，大数据开发人员，比基础的Java、python等开发人员薪资高出许多，大数据开发人员，目前已成为互联网行业的香饽饽。

大数据和人工只能有什么关系

人工智能的优化或者说自我学习，是需要海量数据的输入用于训练的，所以大数据是人工智能的血液，是人工智能的土壤，没有大数据就没有人工智能，人工智能就是大数据的应用。云计算作为IT基础设施，为大数据提供了平台，企业数据全面上云。在未来传统行业一定是在云端用人工智能的方式处理大数据。大数据技术与编程语言的关系?

想要年薪80w，都需要掌握哪些基本技术？

一门基础编程语言，Java或者Python

Linux基本操作

大数据相关的工具集：

Hadoop

HBase

Hive

Kafka

Storm/Spark

Sqoop/Flume/Oozie/Hue等

一些高阶技能能让你更进一步：

机器学习，算法，mahout，MLlib

R

Lambda

Kappa

Kylin

Alluxio

看上去需要掌握的技能很多，但只要你有心，掌握了方法，都绝不会有问题!

大数据分析师未来前景如何？

一个行业为什么会被认为有发展前景，我认为最重要的是能为企业的发展起最要的作用，而且能够被广泛应用到各个行业。大数据分析师就是这样的行业。

走在时代前沿，紧跟时代趋势永远都不会错。如何在即将大规模到来的数据领域成为先驱，抓住给数据带来革新的关键非常重要。要让数据从零散、无规律变成有序、有价值，必须要运用到技术就是数据分析。

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。在实用中，数据分析可帮助人们作出判断，以便采取适当行动。我们可以清晰的预见，如果想要在DT时代成为弄潮儿，数据分析是必经之路。而数据分析师的工作内容就是将这些海量的数据进行处理，使之变得有价值，为决策提供帮助和支撑。数据分析师在整个数据环境下的重要作用显而易见。

大数据是眼下非常时髦的热词，同时也催生出了一些与大数据处理相关的职业，通过对数据的挖掘分析来影响企业的商业决策。随着大数据在国内的发展，大数据相关人才却出现了供不应求的状况，大数据分析师更是被媒体称为“未来最具发展潜力的职业之一”。下面整理出了大数据分析师就业前景以及薪资待遇的情况给大家参考。

大数据分析师薪资待遇：

有媒体报道，在美国，大数据分析师平均每年薪酬高达17.5万美元，而国内顶尖互联网公司，大数据分析师的薪酬可能要比同一个级别的其他职位高20%至30%，且颇受企业重视。

薪酬—北上深平均月薪10K+

薪酬地图：从职位薪水来看，数据分析行业的高薪主要分布在长三角、珠三角和京津地区。北京、上海和深圳的薪水位列第一方阵，均薪在10k+；杭州、宁波和广州位列第二方阵，均薪在9k+；其他沿海及内陆区域中心城市，如南京、重庆、苏州、无锡等位于第三方阵，均薪在8k左右。

职位量—北京职位量3W+

职位量地图：从职位量来看，北京、上海、深圳和广州位列第一方阵，职位量在30000+，杭州、成都、南京和天津位列第二方阵，职位量在20000+，武汉、西安、郑州等区域中心或省会城市对数据分析职位的需求也相对较高，职位量在10000+。

所以，大数据分析师未来前景确实不错！

很多第一次做电商运营的人都不知道要怎么做分析，我之前也做过互联网运营，一开始无非就是看看PV、UV，分许分析流量就完事了，但是很快老板就会发现我的分析结果根本没有任何价值，因为分析这些东西根本毛用都没有！

但是我也很无奈，因为这些常规数据就绑定着我的KPI，要是不做的话，我就会被扣钱扣工资，运营分析还能怎么搞出花来？老板是为了公司盈利，我也要为了生活啊。

后来我才知道，不是分析方法和内容不对，而是没有关注到重点的数据。

顿悟的方法很简单，去问一个专业的搞数据分析的就行了，我有幸就遇到了这么一位，简直称得上是扫地僧一样的隐藏人物，几句点拨就足够我学习的了。

既然题主问的是电商，那么就先说一下电商的盈利模式，很简单：

客户看中了你的产品或者服务，你把产品和服务卖给客户，一个订单完成！

电商公司和o2o类公司都是这种模式，公司的收入是由一个个订单堆积出来，订单是由用户购买了相关的商品或服务产生，可以说用户和商品或服务为订单的两大基本元素，公司收入下降、增长、异常最终都可以追踪到用户与商品这两大元素上。这样我们将公司收入相关数据拆解为三大模块：用户、商品或服务、订单。作为运营人，我们最主要要关注的就是两个字——用户。

公司收入、订单都是由用户消费所产生，用户的消费流程可以划分为以下四个阶段：引流、转化、消费、存留。

当然我们希望最理想的情况就是吸引和转化最多的用户、让他们买我们的产品，并且留住他们好让他们一直买。然而现实是残酷的，我们能做的，就是对这些数据进行分析，根据数据情况进行策略对调整，让现实与理想情况之间的距离越来越近。

我们一般将用户分为新用户和老用户，如下图所示：

无论新老用户，我们都会关心两块内容，一个是引流（拉新），一个是转化，最终以数据的形式体现出来，就是流量与转化率。

一个购物中心，建在荒郊野外，没人进来，装饰再奢华也没什么卵用。用户是有限的，我们需要精打细算，实现对每种渠道每种类型的流量来源的最大价值利用。

分析目标：通过对流量的分析，保证流量的稳定性，并通过调整，尝试提高流量。

分析内容：基本数据指标有访客数(uv)、浏览量(pv)、访问次数(visits)，是常用的衡量流量多少的数据指标；平均访问深度(浏览量/访问次数)、平均停留时间(总停留时间/总浏览量)、跳失率(跳出次数/访问次数)是用来衡量流量质量优劣的指标。

分析角度：

1. 观察流量规律，便于活动安排、服务调整

上面这个图使用FineReport做的UV分析，可以发现以下规律：一天当中，访问集中在9点到11点和14点到17点这段工作时间，一年中则在春节前后的访问量比较大，每周中也是访问集中在工作日。

一般来说，流量都是以每天中的时段、季节、节假日、星期这样的规律来分布的。所以可以将以上几面统一放到同一页面中进行观测，可以全面的了解应用的访问规律。并且通过对渠道、业务的选择，可以观测具体的渠道、业务的访问规律。

2.发现流量异常，分析异常原因并及时调整

通过对上图的观察，可以发现异常现象：

3月21日到4月17日到流量图中，工作日到流量一般都维持在2400左右，而观察4月18日到5月15日到图，发现流量从4月19日下滑开始，很少突破2000，也就是流量在近一个月有明显下滑。原因可能是对手购买了竞价排名、自己的seo做的不好等等。

一般来说，流量以周为单位，周期性分布的情况是比较多的，将视角拉长，一次性多看几个周的数据，便于发现问题。将一段时间内的数据与历史数据进行对比，也有助于问题的发现。

除上图中对流量异常的简单监控外，可以对流量进行进一步分解，如下图所示，通过图表联动，观察具体渠道或者业务的流量情况，从而完成对问题的追踪定位，例如通过进一步分析发现，4月中旬开始的流量下降主要出现在pc端，那么可以进一步缩小问题的范围。

3. 观察流量结构，分析其合理性，并作出调整

流量结构一般可分为渠道结构、业务结构、地区结构。通过查询一段时间内的各结构占比，了解流量组成。

如上图所示，在渠道中，pc占比相对过大，而app占比不高，app对于用户具有更大的黏度，所以应分析app占比过低原因，并想办法提高app流量占比。下面的折线图可以对各渠道的流量情况进行追踪，分析占比不合理是短期内出现的，还是长期存在的、辅助问题的分析。

4. 追踪流量情况，衡量活动或者调整效果

对流量的追踪，一般就是对流量的监控，观察活动前、活动中、活动后的变化情况，评估活动效果。一般来讲，活动期间流量会大幅提升，活动后有一定回落，是一个成功的活动。如果活动期间流量上升幅度不大，或者活动结束后流量大幅度跌落，甚至流量低于活动前的正常流量很多，都不能说是一个成功的活动。

在完成引流的工作后，下一步需要考虑的就是转化了，一个崭新的用户一路走来到完成交易，中间需要经历：

浏览页面（下载app）->注册成为用户->登陆->添加购物车->下单->付款->完成交易

每一环节中都会有用户流失，提高各个环节的转化率，一直是互联网公司运营的最核心的工作。转化率的提升，意味着更低的成本，更高的利润。

分析目标：了解各环节转化情况，分析其异常或不合理情况，进行调整，以提升各环节的转化率。

分析角度：关于转化率的各种名词也特别多，有静默转化率、登陆转化率、咨询转化率、付款转化率等等，然而并不需要考虑这些词，只要关注用户从接触应用到成交中的几个环节就好。

我们依然使用FineReport中图表的形式来从各个角度对转化数据进行展示分析。

1.观察各环节转化率，分析其合理性，针对转化率异常环节进行调整

上图所示，传统漏斗图只能显示一条路径的转化率情况，稍加修改后，可实现对比功能，例如上图所示的新老用户的转化率的对比。可以根据实际情况中在该图中加入更多环节，例如注册、收藏、开工、竣工等。

从上图中，我们可以发现这样一个问题，下单到付款中的转化率过低，正常来说，用户只要下单，付款的比例是比较大的。对于这个异常，我们来做下猜测：

总体上可以分为两类：用户本身原因，系统设计原因。上图中这么出现付款率这么低的情况，基本上可以确定是系统原因。然而具体是哪块的设计出了问题，可以进一步细化追踪。

如上图所示，点击相应阶段，联动出下面各渠道与各业务的转化率明细，可以看出，各渠道的转化率差别较大，其中pc端转化率明显偏低，而各业务之间的转化率差别不大，基本可以确定，是pc端存在问题，导致转化率偏低。

上图中的付款转化率低的太明显，只要不瞎都能看出这转化率出了问题，但是往往转化率的问题并没有这样的明显，那怎样定位自己的转化率是否合理，哪个阶段的转化率有提升空间呢？继续看下面这张图：

上图是通过多角度对比来分析业务转化率的健康状况，包括与自己同期对比、行业中与自己相似产品对比、行业中优秀的产品对比。对比各环节转化率的不同，产生数据上的冲击，所有落后的节点，都是可以提升的空间。

2. 追踪转化率变化，用于异常定位和策略调整效果验证

除流量外，转化率也是需要追踪的，将时间的维度拉开，分析各阶段转化率随着时间的波动，也是很有看点的。

如上图所示，在4月17日到21日中间，转化率出现下滑趋势，通过渠道转化率与业务转化率两个图表的联动，可以追踪定位导致转化率下滑的渠道或业务。常见的原因，公司运营部门投入了某个渠道进行推广，新的渠道带来了新的流量，而该渠道所引入的用户质量却偏低，拉低了整体的转化率。

3. 观察各渠道转化情况，定义渠道价值，并依此适当调整运营策略

气泡图在传统图表中信息量涵盖相对是比较大的，上面这张图x轴和y轴分别表示流量和转化率，y轴可以根据分析内容不同切换成点击率、注册率、架构率、下单率等等，气泡大小表示的为渠道ROI。从上图中可以看出，在右上象限中的渠道价值是比较大的，再综合考虑ROI，还可以看出渠道性价比情况。

4. 分析各环节转化周期，分析用户习惯，为制定运营策略提供依据

这种场景通用性并不是很强，会和公司业务相关联，有些业务的交易是分成多个阶段来完成，这种情况可以对转化周期进行分析。

上图中可以看出，该业务的付款与成交一般在前四周完成，而第五周开始趋于稳定。知道以上信息后，可针对第五周未付款或完成交易的用户进行询问，提高转化率。另外可制定四周内完成交易有奖励等活动来缩短成交周期，因为图中可以看出，绝大部分用户四周时间足够完成服务检查、订单确认等工作。

互联网行业的拉新成本现在都很高，要投入广告、投入时间，这些都是成本。如果用户还没有产生什么价值就流失了，那一定是亏了。相反，拉过来的用户，存留的时间越长，产生的价值也就越大，也才能弥补其他流失用户所产生的损失。因此，提高用户的存留时间，也是提高公司收入，为公司创造更多价值的重要一环。

分析目标：通过分析用户的日活/存留，来帮助运营人员发现问题、监控数据，为调整策略提供数据支持，达到提高日活/存留的效果。

分析角度：

1.日活监控，观察用户活跃数据，分析日活健康度

活跃用户一般可以分为以下三类：

有些公司可能不太关注回流(一定时间内没有登陆的用户再次登陆)这部分用户，我将它列出来，是认为了解回流用户的日活情况在一些场合中是有价值的，例如活动期间、发优惠券测试，是否会对流失用户的回流产生了作用。

上图中是用finereport做的堆积面积图，其面积大小为各类型用户数，堆积总高度为总活跃用户数。对于日活数据来说，相对理想的情况是老用户占比较高，为活跃用户主力，并且呈现逐步上升的趋势，代表产品对新用户的粘性较好，总体拉新存留大于流失用户。否则，要么是新用户的存留率过低，要么是老用户的流失率过高，都需要进行调整。

2.观察存留规律，定位存留阶段，辅助市场活动、市场策略定位等

存留规律分析应该分开对待，一部分高频小额订单(例如外卖)这种互联网公司，其分析模式类似于游戏、知乎、SasS平台，会以日为单位来分析存留。

如上图所示，这种用户登录频率较高的应用，可以通过上图分成三个阶段，过滤期、试探期、平稳期。刚开始接触一个应用的用户中，有大量的用户是质量不高的用户，不可避免的要经历一个存留率大幅下降的阶段，但这一阶段周期一般较短(我认为这一阶段可能更多的是应用筛选用户)。在这一阶段过去之后，用户会对应用进行详细的试探，是否让自己满意，这段期间也会有部分用户流失。最后留下的就是相对稳定的用户了。

上图可称之为手枪图，该图可以看出用户存留的整体情况，存留率有没有越来越高，产品粘性是否做的够好，通过上图可以看出一定的问题来。但要像日存留那样，找出用户存留的三个阶段是比较困难的，因为用户是否存留下来更多的取决于消费体验，并且消费体验周期过长，很难判断用户是否会再次消费。

3.对比不同用户、产品功能的存留情况，分析产品价值、辅助产品调整

如上图所示，通过对比，发现使用了分享功能和收藏功能的用户的存留率相对较高。得到这样一个信息后，可以通过产品上的调整，来鼓励用户使用分享、收藏等功能，以此来提高用户的存留率。

这种对比可以是多种形式的，将功能选择换成用户分类、用户来源，可以从不同的角度来观察问题。例如，如果发现男性用户的存留率比女性用户低，那么一是可以提醒反思造成这种情况的原因是什么，或者是可以调整产品推广渠道，以吸引女用户主。

存留率是互联网公司非常关注的指标之一，而很多公司会对存留率进行非常深入的挖掘。上文提供几种存留率常用的展现形式，为分析存留率提供一定的参考。

这个文章非常适合你的，请认真看完~

本文通过好好分析竞价数据，若用数据来指导投放优化，那么你的推广效果一定会大大提高，相信你能给公司省下一大笔投放金额，或者能给公司带来更好的转化率，那升职加薪不是妥妥的！今天一起来探索在数据工具BDP个人版中如何玩转SEM数据分析？（主要以教育培训行业为例）

本文将从3个角度入手，分别是：总体分析、关键词分析、地域分析。其中分析的主要指标有：点击率、咨询转化率、线索转化率、投入产出比、平均点击价格等。

一、总体分析

【总体分析】包括竞价（账户）数据分析、咨询数据分析、线索数据分析。观察各项指标的变化趋势，可以看出近期的推广效果，并做出对应的优化策略。

1、竞价数据分析

part1 | 展示量完成情况

最近两周展示量总和为98,226，占本月目标的65%，效果还算正常。若展现量过低，可能的原因有出价太低、关键词不够多或不够热门、整体需求不强等。可以通过调价、增加关键词数量等方式来解决展现量过低的问题。

part2 | 点击量完成情况

最近两周点击量总和为9,418次，占本月的63%，也还算正常。点击量的多少更多是跟创意标题、创意文案质量、能否满足用户搜索习惯和需求等有关，想要提高点击量，需要优化文案和关键词，一个好的创意文案容易抓住用户的眼球。

另外，从用户角度来尽可能来满足其需求和习惯，比如教育培训行业做推广，不同人群看中的点是不一样，学生看中价格，免费、优惠、赠送等字眼容易吸引他们；上班族更看中上课时间、上课方式，那周末班、一对一授课等字眼容易吸引他们。当然价值点可以结合，只是需要突出不同人群的区别。

part3 | 点击率与平均点击价格

点击率的计算公式为：点击率=点击量/展现量。当账户点击率过低，我们需要分析是展示量过高还是点击量过低导致的，分析出结果后，按照对应优化方法来解决。

平均点击价格的调整可以更好地控制推广成本，也可以衡量出价与实际价格的偏差，优化关键词并用最低的价格达到最佳的排名，不断调整关键词出价，无需白白浪费不必要的成本。

part4 | 消费额

今日消费为2,146元，环比昨日增长419元。每日的消费额大体上是固定的，只需保证在可控范围内即可。

2、咨询数据分析

part1 | 对话与有效对话

从面积图可看出有效对话占总对话的30%左右，有效对话是指用户有意向，不断提高有效对话的占比是王道，这个时候需要其他部门一起配合，排除竞品、无聊用户之外，网站的留电引导和客服的专业、服务、及时等因素是最能提高有效对话的因素。

part2 | 咨询转化

从有效对话再到留电这步的转化更加能看出客服沟通的话术技巧，能否要到用户的联系方式，并成为有效的线索是非常重要的。至于怎么做，你们懂得~

part3 | 咨询成本与咨询率

咨询率=总对话/点击量 ；咨询成本=消费/有效对话

可看出咨询率与咨询成本呈负相关状态，因为在其他情况差不多下，咨询率越低确实导致咨询成本越高，但不是绝对的哈。上图看出周末的咨询成本较低，咨询率较高，估计是因为周末的用户需求更精准，建议在周末适当加大投放金额。

3、线索数据分析

part1 | 线索组成情况

总线索=留电+留言；从图中可明显看出留电量远大于留言量，想要提高线索量我们可以主动发起一些对话，增大总对话基数，提高留电转化。并适当优化留言界面，突出产品优势，引导用户留言。

part2 | 线索转化

线索转化率=最终成交量/总线索；该数值的高低可反映销售人员跟进线索的情况，若线索转化很低，需要梳理未成交订单的原因，从而调整销售策略、人员专业素质等。

举一个教育行业的案例，有个培训网站线索量很高，但最终转化效果很低，并不是销售跟进有情况，而且有很多“无效线索”，用户留信息完全是为了免费拿材料，费时又费力，公司最终调整策略，整体线索量下降了一些，但转化率和销售效率大大提高了。没有数据，这些问题是发现不了的。

part3 | 线索成本

线索成本=消费额/总线索数；每个行业的线索成本水平都不一样，医疗、医美是行业相对最高的，线索成本大说明整体推广效果不佳，消费高线索少，这个问题是非常严重的，做推广不就是为了给公司带来更多的流量和线索嘛~ 之前已讲过优化方法，这里就不重复了。

part4 | 投资回报率ROI

投资回报率ROI=（收入-成本）/成本 *100%。其重要性不言而喻，企业最终都是为了盈利，其指标是为了评估推广渠道的盈利能力和质量，至少保证不能低于100%。提高ROI从两方面入手，增加收入（提高线索成交率、提高客单价等）和降低成本（优化账户、减少投入、SEM+SEO结合等）。

从上述指标和分析来看，做SEM数据分析是为了用数据更好地促进SEM推广的效果，除了竞价人员，还需要客服、销售、产品等角色一起介入才能把这件事情做得越来越好。为了提高竞价效果，请用好数据。

二、关键词分析

【关键词分析】做关键词分析，是为了更好地优化关键词和拓展关键词，从而提高推广效果。

part1 | 关键词类型分析

关键词一般按业务类型分成品牌词、行业词、产品/服务词、竞品词等等~

（1）点击量分析

从上图中可看出最近竞品词的点击次数完成进度最好，但品牌词进度比较慢，有可能是产品品牌还不够，应该尽快联合市场品牌同事一起优化。

（2）点击率与平均点击价格

品牌词虽然点击不高，但点击率最高，这是很正常的，其平均点击价格也是最低的。产品/服务词点击价格过高，需要做相应优化了。

part2 | 关键词top10

列举了某个留学英语培训机构的top10关键词，并进行相应分析~

（1）展示与点击情况

展示最高为“英语培训”，但点击最高为“新东方”，这怎么肥四勒？所以就引出了关键词的点击率。

（2）点击率

对应图例可看出“考研培训”、“新东方”、“留学”等点击率较高。在搜索这些词是用户明确自己想要的信息，所以属于较精确的搜索，故点击率较高，这类词也可以称为需求词。

（3）转化成本

“英语培训”的转化成本最高，是其他关键词的几倍，说明这个关键词设置有问题，“英语培训”过于笼统，我们应增加长尾词来优化它，比如可优化成“靠谱的英语培训机构有哪些”。

三、地域分析

【地域分析】分析哪个地域的推广效果好，进而可以为这个地域单独投放，做到精细管理，重点维护和监测。多加地域类词，多写相关地域性创意，甚至可以根据当地网民爱好，单独开发着陆页。

part1 | 点击量分布

从上图可以看出北京和广东的点击量最多，这些地区的人由于竞争压力等因素，十分要求上进，积极地想提高英语能力，甚至有出国进修的打算，所以应该在这类大城市重点推广。

part2 | 签单与点击消费

广东与北京签单量相同，但北京的消费却比广东贵很多，这说明在北京的地域推广中同类产品竞争很大，产品在哪个城市畅销，价格就会被同行抬高不少，不过也说明其巨大市场，如何加大投放可结合ROI。

part3 | 转化率与ROI

从上图可以看出有些省份转化率高，ROI低这是为什么呢？比如湖北省，由于在湖北区域的推广中投入了大量的成本，虽然线索转化很好，但是本身线索量少，整体成交量也不多，收入就不会太多，所以ROI就变得较低。

地域推广需要结合上述三个指标综合来看，最终确定公司重点投放的区域。另外，地域推广要考虑的因素有很多，不同产品推广策略就有所不同，比如“大闸蟹”这个词，在大连、青岛等地可能需要20元排到第一页，但是在北京、上海、武汉等地10元就能排在第一页。还有结合地方习俗和称呼，比如产品是馄饨，四川叫炒手，北方叫馄饨，福建叫扁食，广东叫云吞，所以，地域推广需要“对症下药”！

以上就是根据竞价推广数据列出的分析思路和指标，可能每个行业指标不太一样，但大体上是可以参考的。在BDP个人版中可对接四大竞价、百度统计、在线客服等第三方平台数据，通过拖拽就能快速搭建竞价数据报表模板，每天数据定时、自动更新，用实时数据指导竞价优化，实现花最少的钱得到最好的推广效果哟~

注：文中数据纯属虚构，数据图表制作工具BDP个人版~

这个问题太广了，大数据的基础是统计学。最经典的示例是凯恩斯计算德国战败后的赔款！随着现代信息技术的进步，数据采集统计已经非常高效了。但具体怎么用来赚钱不是三句两句能说清楚的。尤其是这里的成本投入，更不是中小企业能玩的起的。与其研究这种云里雾里的东西不如把用户体验认真做好。

在当前的大数据时代，数据分析有非常重要的作用，是数据价值化的重要方式。数据分析简单的说就是从一堆杂乱无章的数据中，找到其背后的规律，从而服务于各种社会活动（商业决策、交通规划、诊疗方案、教育方案等等）。随着大数据的逐渐落地，数据分析将在未来的产业互联网阶段发挥出越来越重要的作用。

从产业互联网的角度来看，数据分析将起到以下几个方面的作用：

第一：数据分析能够体现出企业的健康状况。一份完整的数据分析报告能够比较全面的体现出企业的生产经营状况，通过数据分析能够直观的反映出企业的问题出在哪里，是企业健康与否的重要参考。

第二：数据分析为制定企业策略提供依据。数据分析将广泛应用于产品的设计、研发、生产、销售和服务环节，数据分析能够为产品设计提供依据，可以对设计元素进行市场分析，从而对产品未来的市场热度做出一定的预测。目前，数据分析已经广泛应用在销售领域，是企业制定销售策略、推广策略不可缺少的环节。

第三：数据分析辅助企业管理。数据分析对于企业管理的重要性越来越高，在提倡精细化管理、网络化管理、智能化管理的今天，数据分析是企业管理的重要手段之一。通过数据分析能够对不同岗位进行多维度分析，同时可以对每名工作人员生成一个完整的工作状态描述，这些对于企业管理都具有重要的意义。

数据分析的运用还能明显降低岗位的工作难度，所以对于现代职场人来说，掌握一定的数据分析技能是比较重要的。

我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续在头条写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。

如果有互联网方面的问题，也可以咨询我，谢谢！

给大家提供两个公开的数据分析项目来源：

阿里天池https://tianchi.aliyun.com/ 是国内数据科学竞赛平台，有奖金可观的实战竞赛，也有供学员备战的学习赛。对刚入门数据分析的同学来说，学习赛是不错的选择。在提高技能的同时，还能对标其他同学，确定自己的竞争力。

下面是几个较容易上手的学习赛项目：

1. Airbnb短租数据集分析赛：

https://tianchi.aliyun.com/competition/entrance/231715/introduction

这是一个较为开放式的问题，侧重分析的思路，是练习数据分析的最佳项目选择。

2. 零基础入门数据挖掘 - 二手车交易价格预测

https://tianchi.aliyun.com/competition/entrance/231784/introduction

这是一个典型的回归问题，也是机器学习最容易上手的项目。

3. 零基础入门NLP - 新闻文本分类

https://tianchi.aliyun.com/competition/entrance/531810/introduction

这是文本处理、NLP的入门项目。

除了学习赛，阿里天池还有竞争程度激烈的竞赛：如算法大赛、程序设计大赛、可视化大赛、诸神之战等，同学们可以根据自己感兴趣的发展方向选择比赛项目。

Kaggle（https://www.kaggle.com/）成立于2010年，是一个进行数据挖掘和预测的在线竞赛平台。Kaggle上的竞赛有多种，如奖金高且竞争激烈的 Featured项目，相对入门级别的Research项目。

Kaggle项目虽然不限制编程语言，但绝大多数队伍会选用Python和R，所以你需要至少熟悉其中一种。

下面是三个入门级的经典项目：

1.Titanic: Machine Learning from Disaster（泰坦尼克：从灾难中学习）：

https://www.kaggle.com/c/titanic

2.House Prices: Advanced Regression Techniques（房价预测：高阶回归技巧）

https://www.kaggle.com/c/house-prices-advanced-regression-techniques

3.Digital Recognition（数字识别）

https://www.kaggle.com/c/tmlc/notebooks

英文好的同学可以选择Kaggle的项目来练习，这是一个受国际认可的数据科学竞赛平台，在这个平台上成绩靠前的同学，是不愁找工作的，都是别人来找自己。

当然，除了上面的项目，平时工作中多数也会用到数据分析，你可以从之前工作中总结数据分析的思路。

虽然数据不是你处理的，但是分析的思路是通用的。

数据分析是为解决问题而生的，过去积累的通过数据发现问题进而给出解决方案的经验，是数据分析的精华所在。不要忽视哦！

我之前有整理过50多个数据分析项目，想要的话转发本文，私信我“项目”获得

真的，大数据分析现在很有市场

国内冠以大数据之名的企业数以千计，但细分其专注领域，大致可归属三类：其一，平台型企业，例如华为、星环科技、浪潮、新华三等;其二，工具型企业，例如在数据采集、数据分析、数据清洗、数据可视化等领域中的海量数据、帆软软件、明略数据等;其三，应用型企业，例如百分点，以及国内诸多行业方案商多属于此类型。

展开剩余79%

不需否认，大数据已在国内诸多行业领域展现出其价值，但深究典型案例，应远未如媒体宣传中显著。为何?有资格被称为大数据企业，取决于两个先要条件：其一，掌握或接触到用户数据;其二，有能力为用户提供数据服务。

先观察首要条件，大数据企业能否掌握，或接触到用户数据。答案：很难。除互联网公开数据之外，第三方能接触到的数据资源着实有限。以IT方案商为例，此前其以为用户设计、实施行业应用软件为主营业务，理论上距离数据最近，但就如建筑商，建设了广厦千万间，建设了条条大路通罗马，也不能掌握居民和车辆信息一样。方案商实施了行业应用软件，其中也承载了海量价值数据，但这并不等同于能接触到数据。

退一步说，在企业意识到数据也是资产，数据也能创造价值后，其正急需寻找数据服务商，或数据运营商。而能够承担此角色者，IT方案商应为首选。原因?方案商为企业用户提供了十余年IT服务，多少会产生些信任度，从IT服务，延伸到数据服务，应为顺其自然。

而问题又由此而来，大数据真的有用吗?实施了铁路车辆检修大数据系统，工人手中使用了几十年敲敲打打的“小铁锤”就能退休?实施了金融风险管控大数据系统，其结论是否能直接自动导入金融机构业务流程，而无需人工干预?答案基本否定。

原因在于，大数据应用服务商即使能获得用户数据，也极其有限、极其不全面。以城市交通信息为例，此类通常掌握在20余部门手中，方案商几乎不可能全面融合此类数据。而基于不全面的、错误的数据源，也就不可能推导出正确，有决策价值的结论。

做大数据真的能赚钱吗?

当然，基于局部数据，也仍有可能建设出经典的大数据案例。但大数据项目真的赚钱吗?未必。在诸多大数据企业中，融资进度大多在B轮和C轮之间，尚没有一家企业完成D轮融资。也就是说，距离赚钱尚早。

而细分技术领域，首先，大数据工具类企业业务模式相对简单，其只是产业链中的一环，实现盈利相对容易。其次，大数据平台型企业，其盈利模式比较复杂。单纯依靠销售大数据平台几乎不可能产生经济效益，而基于不同的业务出身，其业务模式又可分化为三个流派，一类企业希望以大数据平台带动底层硬件产品销售;而另一类企业，通过提供支持标准的SQL接口，依靠提供数据服务实现盈利。当然，第三类企业比较“野蛮”，希望通过数据，或基于用户数据的服务直接变现。

而除此之外，业务模式更为“枯燥”的是大数据应用类企业。通常行业方案商的大数据业务范畴包括：数据获取、整合、治理、应用和展现等，其中尤以数据治理最苦最累，在大数据项目中50%~60%的工作量也集中于此，不要忽悠什么人工智能、深度学习能解决此类问题，基本还属于纸上谈兵的阶段。

问题由此而来，脏活累活总还是要有人干。配备10名数据科学家不能算多吧!月薪1万元要也不算苛刻吧!如此算下来，稍有实力的方案商大数据部门，年均人力成本就应在250万元以上。250万元?要做多少大数据项目，而且前提是要保证每个项目间要有很好地时间衔接，还要保证每个项目的能力需求都要与数据科学家的专长技能相匹配。

同时，与云计算不同，云计算考验方案商纯IT方面能力，而大数据项目则需要方案商数据科学家与行业团队，以及用户业务专家紧密结合，合作建立基于应用场景的数据分析模型。由此，每个项目的成功均需具备“天时、地利、人和”。也就是说，单个大数据项目的定制化程度相对较高，达到50%~40%，项目间很难具有可复制性，方案商也因此较难建立成熟的大数据项目盈利模型。

但最后还需说一句，形容中国大数据产业为“蒙面狂奔”，也许言过其实，但诸多桎梏确实摆在眼前。不管是依靠数据服务，还是行业应用定制，中国大数据产业仍需极大的人力消耗，成熟的盈利模型尚未建立。“蒙面”是现状，也是必然阶段，但衷心希望中国大数据企业再“狂奔”一两年之后，面纱终能被一缕清风揭去