|
5682| 31
|
十周成為數(shù)據(jù)分析師教程 |
|
十周成為數(shù)據(jù)分析師教程
邏輯思維 日積月累有意識的鍛煉形成的一套解決問題的邏輯能力 歸納與演繹|分析與綜合| 抽象與概括| 比較思維法| 因果思維|遞推思維|逆向思維...... 業(yè)務(wù)分析 面對不同的場景，應(yīng)用不同分析模型解決問題 5W2H分析模型| AARRR分析模型| RFM客戶價值模型| A/B測試模型|用戶分成模型| SWOT分析模型| 購物籃分析模型| 波士頓矩陣分析|生命周期模型|企業(yè)戰(zhàn)略模型. 工具、工程能力 利用技能更方便高效的解決問題 EXCEL| SQL| Python| Pandas| NumPy| Matplotlib| PyEcharts| PowerBI| Tablea..... 課程目錄： 第一周 Part1、數(shù)據(jù)分析導(dǎo)論 ●數(shù)據(jù)是什么?數(shù)據(jù)能做什么? ●數(shù)據(jù)的變異性、規(guī)律性和客觀性 ●優(yōu)秀的數(shù)據(jù)分析師的三個特點 。業(yè)務(wù)理解:數(shù)據(jù)和業(yè)務(wù)結(jié)合并產(chǎn)生價值 。工具使用:掌握分析工具、分析模型和分析方法 。溝通表達(dá):掌握高效聽說讀寫的能力 ●數(shù)據(jù)分析的四大步驟是什么 。數(shù)據(jù)抓取:埋點、爬蟲和API 。數(shù)據(jù)清洗:數(shù)據(jù)的完整性、唯一性、準(zhǔn)確性和一致性 。數(shù)據(jù)分析:描述性統(tǒng)計、診斷性分析、預(yù)測性分析、仿真模擬 。業(yè)務(wù)決策:清晰的可視化和完整的分析報告 ●數(shù)據(jù)分析工具簡介 ●Excel、 Python簡介及優(yōu)劣勢分析 Part2、項目初探-員工薪水探索性分析 ●企業(yè)級開發(fā)環(huán)境Jupyter的安裝與基本使用 ●企業(yè)級數(shù)據(jù)處理流程的代碼實現(xiàn) ●PEP8中的導(dǎo)包規(guī)范 ●透析函數(shù)的本質(zhì) ●Pandas的多類型文件處理與數(shù)據(jù)的函數(shù)運(yùn)算 ●Python數(shù)據(jù)處理的原理與方法 ●Pandas的數(shù)據(jù)迭代邏輯與條件篩選 ●數(shù)據(jù)合并與CRUD ●數(shù)據(jù)的行列以及區(qū)域訪問 ●apply與 lambda的配合 第二周 Part1、如何像數(shù)據(jù)分析師一樣思考 ●互聯(lián)網(wǎng)營銷活動數(shù)據(jù)分析的基本模型 ●描述性統(tǒng)計指標(biāo)的Excel處理(以用戶畫像為例) ●用Excel分析數(shù)據(jù)間的相關(guān)關(guān)系(以波土頓矩陣的四象限分析法為例) ●用Excel進(jìn)行預(yù)測性分析(以電商零售銷量預(yù)測案例為例) ●不同類型的數(shù)據(jù)分析 。描述性分析:平均數(shù)、標(biāo)準(zhǔn)差、分布規(guī)律、可視化方法 。診斷性分析:挖掘問題根源，識別依賴關(guān)系，找出影響因子 。預(yù)測性分析: (線性回歸、邏輯回歸) 。仿真模擬: (以零售倉儲備貨案例為例) ●數(shù)據(jù)可視化的基5大本原則(圖表類型、坐標(biāo)軸、數(shù)據(jù)細(xì)節(jié)、顏色使用、維度展現(xiàn)) Part2、數(shù)據(jù)的科學(xué)運(yùn)算與數(shù)據(jù)探索性分析 ●數(shù)據(jù)探索的目的與方法 ●NumPy數(shù)據(jù)運(yùn)算的技巧 �？张c非空 。矢量化與切片 。索引的本質(zhì)、作用與花式索引 。常用運(yùn)算方法與技巧 。降維與堆疊 。多種降維方法的磁盤級區(qū)別 。什么是廣播運(yùn)算與廣播運(yùn)算的操作 ●企業(yè)中臟數(shù)據(jù)的常見處理方法 。臟數(shù)據(jù)的分類與產(chǎn)生原因 。企業(yè)中多數(shù)據(jù)源的數(shù)據(jù)產(chǎn)生場景 。使用Pandas進(jìn)行各類臟數(shù)據(jù)的處理與操作 。數(shù)據(jù)的鏈?zhǔn)竭\(yùn)算 。數(shù)據(jù)缺失、填充與標(biāo)準(zhǔn)化 ●特殊的數(shù)據(jù):日期 。時間格式與時間戳 。時間戳的原理與時間換算 。使用Pandas進(jìn)行時間的運(yùn)算 第三周 Part1、不做只懂技術(shù)不懂業(yè)務(wù)的“工具人” ●B站用戶的用戶分層案例講解 ●蒙特卡羅模擬+亞馬遜電子書案例進(jìn)行講解 ●項目講解 bilibili站內(nèi)CPC廣告優(yōu)化 ●bilibili廣告系統(tǒng)相關(guān)背景及數(shù)據(jù)介紹(feeds廣 告、banner廣 告、卡片廣告) ●CPC廣告投放系統(tǒng)的要素介紹(關(guān)鍵詞、單次點擊競價、單日預(yù)算等) ●bilibili站內(nèi)CPC廣告業(yè)務(wù)場景與優(yōu)化問題介紹(廣 告ROI較低，投放不精準(zhǔn)) ●bilibili站內(nèi)CPC廣告業(yè)務(wù)優(yōu)化思路及數(shù)據(jù)分析過程(客單價、訂單量、單個訂單平均廣告花費交叉分析) ●CPC廣告優(yōu)化在復(fù)雜業(yè)務(wù)環(huán)境下需要考慮的要素(惡意點擊、由圖片加載失敗導(dǎo)致的曝光失敗、廣告主品牌權(quán)重、廣告主與流量主的品牌匹配度等) Part2、數(shù)據(jù)分析與自動化辦公必備利器:數(shù)據(jù)可視化 ●顏色主題的設(shè)置原則 ●數(shù)據(jù)可視化常用圖形及其應(yīng)用場景 ●如何用圖形講好故事 ●概覽最火圖形庫Matplotlib ●圖形疊加 。畫布布局 。多維數(shù)據(jù)可視化 。數(shù)據(jù)分組 ●圖繪制的關(guān)鍵步驟 。數(shù)據(jù)獲取、顏色配置、添加說明、多圖堆疊、網(wǎng)格與軸等 ●顏色生成器開發(fā) 。什么是RGB與RGBA 。顏色的組成 第四周 Part1、數(shù)據(jù)分析項目實戰(zhàn)(一):電商平臺訂單報表分析 ●互聯(lián)網(wǎng)電商平臺數(shù)據(jù)分析的一般思路 ●bilili會員購平臺業(yè)務(wù)背景及數(shù)據(jù)介紹 ●訂單數(shù)據(jù)的數(shù)據(jù)分析基本思路一 制作可視化報表 ●可視化報表涉及到的Python知識點講解 ●b站會員購訂單數(shù)據(jù)的宏觀分類與分析思路(待支付、已支付、已發(fā)貨訂單數(shù)據(jù)分類，不同分類的數(shù)據(jù)分析要點) ●b站會員購訂單數(shù)據(jù)的微觀分類與分析思路(訂單下單時間的小時、分鐘分類，不同分類的數(shù)據(jù)分析要點) ●b站會員購訂單數(shù)據(jù)多表格數(shù)據(jù)的匯總與分析(周訂單波動分析、一周不同時間用戶購物習(xí)慣差異分析) ●b站會員購訂單數(shù)據(jù)針對用戶屬性判別的分析(下單時間+客單價->用戶活躍時間+購買能力-→用戶身份(學(xué)生/社會人) ) ●b站會員購訂單數(shù)據(jù)針對地區(qū)品牌滲透度判別的分析(送貨地區(qū)+客單價→地區(qū)品牌滲透都+地區(qū)用戶購買力-→頭部市場/長尾市場地區(qū) 劃分) ●訂單可視化報表與用戶畫像的關(guān)系(引出下個章節(jié)的相關(guān)內(nèi)容) ●結(jié)合該章節(jié)內(nèi)容介紹相關(guān)就職崗位(電商運(yùn)營、零售商數(shù)據(jù)分析員、新零售運(yùn)營) Part2、使用正則進(jìn)行數(shù)據(jù)的復(fù)雜篩選 ●企業(yè)中文本數(shù)據(jù)的產(chǎn)生及處理技巧 ●文本數(shù)據(jù)抽取與格式校驗 。企業(yè)應(yīng)用軟件如何進(jìn)行手機(jī)號的格式驗證 。網(wǎng)站注冊時如何進(jìn)行合法郵箱格式驗證 ●文本數(shù)據(jù)抽取的必備技能:正則表達(dá)式到底是什么 ●正則表達(dá)式及其應(yīng)用場景 ●正則表達(dá)式的知識點組成 。元字符的奧秘 。反義與反義代碼 。限定匹配與限定符 。分組的基本概念與分組匹配， 。后向引用 。貪婪與非貪婪 ●分詞的多模式 ●初探詞云 ●股票網(wǎng)站數(shù)據(jù)抓取 。身份偽裝進(jìn)行數(shù)據(jù)抓取 。正則的數(shù)據(jù)匹配 。數(shù)據(jù)持久化的方法 。正則結(jié)合前端技術(shù)進(jìn)行復(fù)雜數(shù)據(jù)處理的技巧 第五周 Part1、數(shù)據(jù)分析項目實戰(zhàn)(二):用戶畫像體系 ●互聯(lián)網(wǎng)電商平臺入駐商數(shù)據(jù)分析的一般思路 ●亞馬遜相關(guān)數(shù)據(jù)介紹(前臺用戶review數(shù)據(jù)+訂單數(shù)據(jù)) ●電商運(yùn)營的殺手锏一 用戶畫像體系 ●什么是用戶畫像體系(用戶屬性數(shù)據(jù)+用戶行為數(shù)據(jù)) ●搭建用戶畫像體系(幫助電商平臺入駐方獲知自身的品牌定位和產(chǎn)品定位，同時梳理用戶的搜索行為習(xí)慣) 。用戶畫像在互聯(lián)網(wǎng)業(yè)務(wù)中的應(yīng)用場景和業(yè)務(wù)價值 。獲客:如何進(jìn)行拉新，通過更精準(zhǔn)的營銷獲取客戶 。粘客:個性化推薦，搜索排序，場景運(yùn)營等 。留客:流失率預(yù)測，分析關(guān)鍵節(jié)點降低流失率 ●用戶的基本屬性:性別、年齡、受教育程度、地域分布等 ●用戶的行為屬性:下單時間、促銷敏感度、評論敏感度 ●用戶的偏好屬性:用戶的加購數(shù)據(jù) ●用戶畫像涉及到的Python知識點講解(文件讀取，地圖可視化，數(shù)據(jù)可視化技術(shù)，爬蟲抓取技術(shù)) ●如何搭建亞馬遜美國市場用戶畫像體系(數(shù)據(jù)可視化) ●用戶地區(qū)分布分析(帕累托圖，找到二八分布的頭部市場) ●用戶購買習(xí)慣分析(折線圖， 找到不同地區(qū)用戶的購物高峰時間幫助品牌商進(jìn)行價格實時調(diào)整實現(xiàn)利潤最大化，電商價格歧視相關(guān)概念及技術(shù)介紹) ●價格地區(qū)分布分析(地圖可視化，與用戶地區(qū)分布分析結(jié)合進(jìn)行交叉分析，找到長尾市場中的高客單價潛在市場) ●用戶畫像對于多品牌矩陣運(yùn)營的幫助(多電商入駐商店鋪定位分析+市場分析) ●用戶畫像對于用戶搜索習(xí)慣的分析(review數(shù)據(jù)進(jìn)行詞頻分析，同時將review數(shù)據(jù)的詞頻分析與產(chǎn)品鏈接標(biāo)題的詞頻分析相匹配，最終找到潛力市場) ●用戶畫像對于電商團(tuán)隊管理的幫助(量化運(yùn)營人員運(yùn)營成果，避免純KP|考慮的弊端) ●結(jié)合該章節(jié)內(nèi)容介紹相關(guān)就職崗位(電商 平臺用戶運(yùn)營、電商入駐商數(shù)據(jù)分析師、垂直電商平臺數(shù)據(jù)分析師、渠道商數(shù)據(jù)分析師、互聯(lián)網(wǎng)公司用戶研究員、廣告投放師) Part2、全鏈路的自動化匯報 ●海量數(shù)據(jù)處理 。多層文件夾與文件的識別 。遞歸與深層遞歸 ”什么是棧與棧溢出 ●郵件與協(xié)議 。網(wǎng)絡(luò)協(xié)議劃分與企業(yè)開發(fā)的應(yīng)用場景 。網(wǎng)絡(luò)分層中的7層與5層 。郵件協(xié)議的組成 SMTP與端口 ●郵件自動發(fā)送 。郵件的組成 。郵件中各組件的添加 。附件與圖 ●漂亮的郵件格式 。使用HTML進(jìn)行郵件格式書寫 。HTML的標(biāo)簽書寫 。郵件方法的結(jié)構(gòu)化封裝 第六周 Part1、數(shù)據(jù)分析項目實戰(zhàn)(三):以數(shù)據(jù)分析為導(dǎo)向的運(yùn)營體系搭建 ●流量運(yùn)營案例:如何用數(shù)據(jù)分析的思路解決廣告優(yōu)化問題 ●電商廣告業(yè)務(wù)簡介及傳統(tǒng)分析鏈路數(shù)據(jù)分析 ●什么是漏斗模型及何建立漏斗模型 ●怎么運(yùn)用漏斗模型優(yōu)化廣告投放 ●多廣告組分析時如何進(jìn)行優(yōu)化決策 ●電商運(yùn)營案例:如何利用數(shù)據(jù)分析的思路解決市場分析與倉儲備貨問題 ●倉儲體系數(shù)據(jù)化(簡易計算法、計量計算法、數(shù)學(xué)仿真法) ●市場體系數(shù)據(jù)化(微觀:銷量同比/環(huán)比，銷量權(quán)重對比，日/周/月銷量對比;宏觀:市場占有率計算，宏觀市場分析，平臺數(shù)據(jù)抓取與分析) ●運(yùn)營體系數(shù)據(jù)化(從需求角度/競爭角度優(yōu)化關(guān)鍵詞，如何量化關(guān)鍵詞評分，轉(zhuǎn)化率分析+用戶訪問深度分析，PV/UV的概念介紹及計算) ●產(chǎn)品運(yùn)營案例:如何利用數(shù)據(jù)分析的思路使產(chǎn)品快速迭代 ●用戶生命周期與使用習(xí)慣的精細(xì)化運(yùn)營(不同生命周期的用戶予以不同的展示頁，A/B test,價格歧視策略) ●合用戶使用習(xí)慣的增長黑客法則(如何找到magic數(shù)字， 如何通過埋點使產(chǎn)品使用用戶快速增長) 結(jié)合該章節(jié)內(nèi)容介紹相關(guān)就職崗位(頭部互聯(lián)網(wǎng)公司產(chǎn)品運(yùn)營、廣告數(shù)據(jù)分析師、流量數(shù)據(jù)分析師、流量運(yùn)營、電商數(shù)據(jù)產(chǎn)品經(jīng)理) Part2、深入數(shù)據(jù)分析與人工智能 ●什么是人工智能能及人工智能的知識體系 ●人工智能、機(jī)器學(xué)習(xí)、自然語言處理、深度學(xué)習(xí)、知識圖譜、大數(shù)據(jù)等多種知識的關(guān)系 ●深度剖析人工智能與數(shù)據(jù)分析的關(guān)系 ●成為數(shù)據(jù)挖掘工程師與大數(shù)據(jù)工程師的學(xué)習(xí)路線 ●數(shù)據(jù)挖掘的常用算法模型原理 �；貧w分析的常用分析模型 。線性回歸與邏輯回歸 。聚類分析的原理 。簇的選擇與聚簇 。數(shù)據(jù)集合的劃分 。模型訓(xùn)練與評分 第七周 Part1、數(shù)據(jù)分析項目實戰(zhàn)(四):亞馬遜Kindle電子書的數(shù)據(jù)化商業(yè)分析， 亞馬遜Kindle商業(yè)分析與騰訊行業(yè)研究相關(guān)經(jīng)驗分享 ●業(yè)務(wù)分析偏向于戰(zhàn)術(shù)指導(dǎo)，商業(yè)分析偏向于戰(zhàn)略指導(dǎo) ●馬遜Kindle電子書相關(guān)數(shù)據(jù)介紹(Hardcover + Paperback + Kindle三種渠道書籍排名數(shù)據(jù)、價格數(shù)據(jù)、review數(shù)據(jù)) ●0-1變量、時間序列變量的介紹，以及多變量線性回歸的概念介紹 ●據(jù)化商業(yè)分析涉及到的Python知識點講解 (多變量回歸、聚類分析、非線性回歸) ●亞馬遜Kindle書籍多渠道商業(yè)分析項目背景介紹(電子書發(fā)售時間對書籍整體銷量的影響、電子書發(fā)售時間對電子書的影響、電子書發(fā)售時間對實體書銷量的影響) ●亞馬遜Kindle書籍多渠道商業(yè)分析數(shù)據(jù)處理思路講解 ●Kindle書籍聚類分析方法講解 ●電子書對實體書銷量影響程度判斷與影響因素確定(價格、發(fā)售時間、review評分等) ●結(jié)合該章節(jié)內(nèi)容介紹相關(guān)就職崗位(垂直互聯(lián)網(wǎng)公司商業(yè)分析師、頭部電商入駐商商業(yè)分析師、零售/快消行業(yè)數(shù)據(jù)分析師) Part2、互聯(lián)網(wǎng)新貴: SQL與MySQL(-) 企業(yè)中數(shù)據(jù)的分類 與來源 ●數(shù)據(jù)庫的基本劃分 。關(guān)系型數(shù)據(jù)庫、非關(guān)系型數(shù)據(jù)庫的基本分類與應(yīng)用場景 ●數(shù)據(jù)與數(shù)據(jù)庫的本質(zhì)MySQL數(shù)據(jù)庫的組成 。字符編碼的多層次設(shè)置 。數(shù)據(jù)庫的層次結(jié)構(gòu) ●數(shù)據(jù)庫的崗位衍生與知識分布 ●DDL、DML、DCL、TCL與各崗位的工作重點 。數(shù)據(jù)庫的權(quán)限控制 。防火墻與遠(yuǎn)程訪問 。權(quán)限與角色 ●數(shù)據(jù)庫的基本操作 。CRUD程序員的日常 。寫入的性能:單條與批量 。數(shù)據(jù)存儲規(guī)范 。數(shù)據(jù)模型 ●條件控制下的更新與刪除，企業(yè)中數(shù)據(jù)刪除的原則與數(shù)據(jù)分析師追溯數(shù)據(jù)的痕跡 ●Python操作數(shù)據(jù)庫的技巧 。不定長多參傳入 。游標(biāo), SQL書寫的安全法則 。時間的運(yùn)算與處理 。commit與fetch 。結(jié)束后close的必要與原理 第八周 Part1、常見互聯(lián)網(wǎng)業(yè)務(wù)的數(shù)據(jù)分析報告的制作及用戶分層模型 ●實戰(zhàn)項目與業(yè)務(wù)邏輯回顧:數(shù)據(jù)報表(數(shù)據(jù)源)→用戶畫像(數(shù)據(jù)分析) →數(shù)據(jù)化運(yùn)營(決策指導(dǎo)) →商業(yè)分析(宏觀判斷)→分析報告(結(jié)論梳理) ●常用的數(shù)據(jù)統(tǒng)計指標(biāo) ●互聯(lián)網(wǎng)運(yùn)營/電子商務(wù)運(yùn)營中統(tǒng)計指標(biāo)拆解 ●電商網(wǎng)站的指標(biāo)體系 ●互聯(lián)網(wǎng)產(chǎn)品的指標(biāo)體系(以AARRR模型為例) ●用戶數(shù)據(jù)指標(biāo)及其可視化展示: D (DAU、 MAU、新增、留存、渠道來源等) ●行為數(shù)據(jù)指標(biāo)及其可視化展示: P (PV、UV、轉(zhuǎn)化率、訪問時長、訪問深度、彈出率等) ●業(yè)務(wù)數(shù)據(jù)指標(biāo)及其可視化展示: G (MV、ARPU、付費人數(shù)、付費率、付費頻次等) ●什么是RFM模型及何構(gòu)建RFM模型 ●RFM模型實戰(zhàn)結(jié)合該章節(jié)內(nèi)容介紹相關(guān)就職崗位(頭部互聯(lián)網(wǎng)公司數(shù)據(jù)分析師) Part2、互聯(lián)網(wǎng)新貴: SQL與MySQL(二) ●數(shù)據(jù)庫的基本操作 。SQL查詢數(shù)據(jù)的條件篩選 。子查詢與子查詢的誤區(qū) 。關(guān)聯(lián)查詢中的左、右、全 。多表的數(shù)據(jù)模型關(guān)系 。分組與排序的細(xì)節(jié) ●數(shù)據(jù)庫也能運(yùn)算 。那些常用且好用的函數(shù) 。數(shù)據(jù)加密與解密的原理 ●數(shù)據(jù)庫在企業(yè)技術(shù)架構(gòu)中的角色，Python操作MySQL 。引擎與安裝引擎 。連接數(shù)據(jù)庫的基本步驟 。連接與連接池 。Pandas的數(shù)據(jù)關(guān)聯(lián)合并 ●數(shù)據(jù)庫進(jìn)階知識講解 ●RFM的代碼處理 ●運(yùn)算與聚合 第九周 Part1、產(chǎn)品關(guān)聯(lián)分析與商品畫像體系實戰(zhàn) ●關(guān)聯(lián)度分析 ●商品畫像體系(電商平臺類目的劃分是怎樣的，以騰訊微店的案例講解子類目與母類目的從屬關(guān)系，如何通過電商類目劃分與商品數(shù) 據(jù)梳理出電商平臺商品畫像體系) ●搭建商品畫像體系(平臺定位，供應(yīng)商定位，KA商家與長尾商家的劃分) ●購物籃分析(什么是購物籃分析，啤酒與尿布的案例引導(dǎo)，關(guān)聯(lián)分析與購物籃分析的關(guān)系，關(guān)聯(lián)分析中的支持度、可信度、提升度分析, 購物籃分析對于電商平臺的運(yùn)營決策輔助) ●產(chǎn)品定位分析(波士頓矩陣概念介紹，金牛型/明星型/瘦狗型/問題型產(chǎn)品及類目的劃分) ●結(jié)合該章節(jié)內(nèi)容介紹相關(guān)就職崗位(頭部電商公司數(shù)據(jù)分析師) Part2、深入據(jù)可視化化更多圖形數(shù)據(jù)可視化介紹 ●PyEcharts與 PyEcharts基本介紹 ●PyEcharts的圖形結(jié)構(gòu)與研發(fā)理念 ●重構(gòu)常見的圖形 ●PyEcharts中的那些酷炫圖形以及應(yīng)用場景 。詞云圖 。雷達(dá)圖 。熱力圖 。漏斗圖 。地圖各類3D圖形 ●延展學(xué)習(xí)的方法 ●數(shù)據(jù)處理的核心技巧 ●聚類分析的雷達(dá)展現(xiàn) ●交互式動圖 第十周 數(shù)據(jù)分析師面試準(zhǔn)備 ●如何撰寫一份有吸引力的簡歷 ●數(shù)據(jù)分析師的職業(yè)發(fā)展規(guī)劃 數(shù)據(jù)分析師面試的三類問題:技術(shù)問題、邏輯問題、業(yè)務(wù)問題 。技術(shù)問題的準(zhǔn)備方法及應(yīng)對思路 。邏輯問題的準(zhǔn)備方法及應(yīng)對思路 。業(yè)務(wù)問題的準(zhǔn)備方法及應(yīng)對思路 ●自測:面試中那些常見的問題 ●面試中你應(yīng)該如何展現(xiàn)自己
購買主題
本主題需向作者支付 30 資源幣 才能瀏覽
| |
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
小黑屋|資源共享吧 ( 瓊ICP備2023000410號-1 )
GMT+8, 2024-12-22 01:44 , Processed in 0.074575 second(s), 16 queries , MemCached On.
發(fā)表于 2022-6-16 23:59:28
收藏