Zielgruppe und Inhalt des Artikels

Die Zielgruppe dieses Artikels sind diejenigen, die Daten zum Benutzerverhalten und zum Umsatz von Unternehmen analysieren, sowie Forscher, die im Zusammenhang mit Excel eine etwas mühsame Datenanalyse durchführen müssen.

Hintergrund für die Notwendigkeit "tiefer" Datenanalysten

In den letzten Jahren ist es für IT-Unternehmen äußerst wichtig geworden, Daten zu analysieren und zu verwenden, um UI und UX im Detail zu verbessern und Wachstums-Hack-Maßnahmen zu implementieren. Selbst in der universitären Forschung wird es unmöglich, sich von anderen Forschern zu unterscheiden, ohne die fortschrittliche Datenanalyse voll auszunutzen.

Daher möchte ich in diesem Artikel über die Datenanalysefähigkeit und die Lernmethode schreiben, die in Zukunft für Anfänger in der Datenanalyse / -programmierung erforderlich sind, die in Zukunft Datenanalysen durchführen möchten.

Welche Fähigkeiten benötigt ein Datenanalyst?

Logisches Denken, um Daten richtig zu sehen
Fortgeschrittene Analysemethoden wie Statistik und maschinelles Lernen
Programmierfähigkeit zum Formatieren und Aggregieren von Daten
Entwurfsfähigkeit zur Planung der Produktentwicklung und der Experimente im Vorgriff auf die Datenanalyse

Hinweis: Da es problematisch ist, werde ich über SQL als Programmiersache sprechen.

Um ein erstklassiger Wertanalytiker zu sein, benötigen Sie alle oben genannten Fähigkeiten: Das wichtigste der oben genannten ist der Zweck dieses Artikels, nämlich 4 "Entwurfsfähigkeit zur Planung der Produktentwicklung und der Experimente im Vorgriff auf die Datenanalyse".

1. Logisches Denken Fähigkeit, Daten richtig zu sehen und wie man sie studiert

Was ist die logische Denkfähigkeit, um Daten richtig zu sehen?

Das ist ziemlich schwierig. Und ich habe den Eindruck, dass es viele Menschen gibt, die glauben, dass sie es selbst schaffen können, aber nicht unerwartet.

Wenn Sie beispielsweise analysieren, ob die Aktion A in der App ausgeführt werden soll oder nicht, trägt dies zur Fortführungsrate bei.

Prozentsatz der "Personen, die die Aktion A ergriffen und fortgesetzt haben" und "Personen, die dies nicht getan haben"
Prozentsatz der "Personen, die die Aktion von A ergriffen haben" und der "Personen, die sie nicht ergriffen haben"
Prozentsatz der "Personen, die die Maßnahmen von A nicht ergriffen haben" und "Personen, die dies nicht getan haben"

Diese Bedeutungen sind natürlich unterschiedlich, aber welche Indikatoren sind für Ihre Analyse wichtig? Welche Art von Analyse sollte durchgeführt werden, wenn diese Werte vorliegen, und welche Maßnahmen sollten als nächstes ergriffen werden?

In dem unten gezeigten Beispiel Der "Prozentsatz derjenigen, die die Aktion von A ergriffen und fortgesetzt haben" in 1 war so groß wie ** ausreichend **. Trotz der Tatsache, dass das Verhältnis von "Personen, die die Aktion von A ergriffen haben" und "Personen, die es nicht ergriffen haben" in 2 fast gleich war. Weil der "Prozentsatz der Personen, die die Aktion von A nicht ausgeführt haben" in 3 groß ist, Es kann besser sein, die Maßnahmen von A nicht zu ergreifen.

Es ist immer noch einfach, wenn es nur eine Aktion namens A gibt, aber es wird plötzlich kompliziert, zu analysieren, ob die Aktion B gleichzeitig ausgeführt wurde oder nicht. Können Sie die Situation richtig verstehen und über Verbesserungsmaßnahmen nachdenken, ohne verwirrt zu werden?

Wie man logisches Denken erlangt, um Daten richtig zu sehen

Dies kann nur gelernt werden, indem man verschiedene Muster betrachtet, denkt und mit jemandem diskutiert. Wenn Sie täglich Nachrichten und verschiedene Zahlen betrachten, ist es wichtig, selbst zu denken: "Ist es wahr?"

kuerzlich, "Zahlen lügen nicht, aber Lügner verwenden Zahlen" Über das Wort wurde auch gesprochen ...

Die Fähigkeit, die Wahrheit aus Daten und Logik zu lesen, kann für moderne Menschen als unverzichtbare Fähigkeit bezeichnet werden.

["Factfulness" -Hans Rothling (Autor)](https://www.amazon.co.jp/FACTFULNESS-%E3%83%95%E3%82%A1%E3%82%AF% E3% 83% 88% E3% 83% 95% E3% 83% AB% E3% 83% 8D% E3% 82% B9-10% E3% 81% AE% E6% 80% 9D% E3% 81% 84% E8% BE% BC% E3% 81% BF% E3% 82% 92% E4% B9% 97% E3% 82% 8A% E8% B6% 8A% E3% 81% 88% E3% 80% 81% E3% 83% 87% E3% 83% BC% E3% 82% BF% E3% 82% 92% E5% 9F% BA% E3% 81% AB% E4% B8% 96% E7% 95% 8C% E3% 82% 92% E6% AD% A3% E3% 81% 97% E3% 81% 8F% E8% A6% 8B% E3% 82% 8B% E7% BF% 92% E6% 85% A3-% E3% 83% 8F % E3% 83% B3% E3% 82% B9% E3% 83% BB% E3% 83% AD% E3% 82% B9% E3% 83% AA% E3% 83% B3% E3% 82% B0 / dp / 4822289605 / ref = sr_1_1? __ mk_ja_JP =% E3% 82% AB% E3% 82% BF% E3% 82% AB% E3% 83% 8A & Schlüsselwörter =% E3% 83% 95% E3% 82% A1% E3% 82 % AF% E3% 83% 88% E3% 83% 95% E3% 83% AB% E3% 83% 8D% E3% 82% B9 & qid = 1575342993 & s = Bücher & sr = 1-1)
[Macht der Datenanalyse Denkmethode, die sich dem Kausalzusammenhang nähert - Koichiro Ito (Autor)](https://www.amazon.co.jp/%E3%83%87%E3%83%BC%E3%82%BF % E5% 88% 86% E6% 9E% 90% E3% 81% AE% E5% 8A% 9B-% E5% 9B% A0% E6% 9E% 9C% E9% 96% A2% E4% BF% 82% E3% 81% AB% E8% BF% AB% E3% 82% 8B% E6% 80% 9D% E8% 80% 83% E6% B3% 95-% E5% 85% 89% E6% 96% 87% E7 % A4% BE% E6% 96% B0% E6% 9B% B8-% E4% BC% 8A% E8% 97% A4-% E5% 85% AC% E4% B8% 80% E6% 9C% 97 / dp / 4334039863 / ref = pd_sbs_14_15? _encoding = UTF8 & pd_rd_i = 4334039863 & pd_rd_r = e970ae50-e889-451d-9e40-6d3264a293f1 & pd_rd_w = d5ZGU & pd_rd_wg = wN7Ko & pf_rd_p = 1585d594-d9d0-474b-8a4e-69eca1566911 & pf_rd_r = YBB8DATVRJFQSWGYW3K3 & PSC = 1 & refRID = YBB8DATVRJFQSWGYW3K3)
["Logical Training 101" -Shigeki Noya (Autor)](https://www.amazon.co.jp/%E8%AB%96%E7%90%86%E3%83%88%E3%83 % AC% E3% 83% BC% E3% 83% 8B% E3% 83% B3% E3% 82% B0101% E9% A1% 8C-% E9% 87% 8E% E7% 9F% A2-% E8% 8C % 82% E6% A8% B9 / dp / 478280136X / ref = asc_df_478280136X /? Tag = jpo-22 & linkCode = df0 & hvadid = 296142501839 & hvpos = 1o3 & hvnetw = g & hvrand = 125831026647661185 525692522150 & psc = 1 & th = 1 & psc = 1)

Es ist auch wichtig, ein Buch wie das dritte zu lesen und Ihre Japanischkenntnisse zu verbessern. Menschen manipulieren Zahlen mit Worten und täuschen Menschen. Lassen Sie uns gründlich lernen, wie man mit Zahlen und logischen Wörtern umgeht und das kommende Big-Data-Zeitalter überlebt.

2. Fortgeschrittene Analysemethoden wie Statistik und maschinelles Lernen sowie deren Lernmethoden

Was ist die mathematische Fähigkeit, Statistik und maschinelles Lernen zu beherrschen?

Wie viel von diesen mathematischen Fähigkeiten und Kenntnissen Sie benötigen, hängt davon ab, wo Sie sich befinden.

Ich denke, es ist nicht notwendig, wenn Sie nur einen einfachen AB-Test, eine Kohortenanalyse oder eine Trichteranalyse durchführen. Wenn Sie diese Analysemethoden vollständig nutzen, können Sie die folgenden Wachstums-Hack-Maßnahmen in Betracht ziehen.

Aber ist es möglich, mit der vorhandenen Anzahl von Daten ein ausreichendes Urteil zu fällen? Gibt es eine geeignete Möglichkeit, Daten zu sammeln, damit Sie eine ausreichend korrekte Entscheidung treffen können? Nur über eine etwas tiefere Frage nachzudenken, erfordert statistische Kenntnisse und ein Verständnis der Zahlen.

Herr Takeshi Morioka, ein Vermarkter, der für die V-förmige Gewinnung von USJ- und Marugame-Nudeln bekannt ist, Buch ["Strategische Theorie des stochastischen Denkens, die Kraft des mathematischen Marketings von USJ demonstriert"](https://www.amazon.co.jp/%E7%A2%BA%E7%8E%87%E6%80%9D % E8% 80% 83% E3% 81% AE% E6% 88% A6% E7% 95% A5% E8% AB% 96-USJ% E3% 81% A7% E3% 82% 82% E5% AE% 9F % E8% A8% BC% E3% 81% 95% E3% 82% 8C% E3% 81% 9F% E6% 95% B0% E5% AD% A6% E3% 83% 9E% E3% 83% BC% E3 % 82% B1% E3% 83% 86% E3% 82% A3% E3% 83% B3% E3% 82% B0% E3% 81% AE% E5% 8A% 9B-% E6% A3% AE% E5% B2% A1-% E6% AF% 85 / dp / 4041041422 / ref = sr_1_2_sspa? __Mk_ja_JP =% E3% 82% AB% E3% 82% BF% E3% 82% AB% E3% 83% 8A & Schlüsselwörter =% E3% 83 % 9E% E3% 83% BC% E3% 82% B1% E3% 83% 86% E3% 82% A3% E3% 83% B3% E3% 82% B0 +% E7% B5% B1% E8% A8% 88 +% E6% A3% AE% E5% B2% A1 & qid = 1575357645 & s = Bücher & sr = 1-2-spons & PSC = 1 & sPLA = ZW5jcnlwdGVkUXVhbGlmaWVyPUFTSEpVMTNFMlVLNzgmZW5jcnlwdGVkSWQ9QTA4MDI2NjMyMlZZRVVQSTQ2V1VXJmVuY3J5cHRlZEFkSWQ9QTJQRFpHV0FPMkw3TVQmd2lkZ2V0TmFtZT1zcF9tdGYmYWN0aW9uPWNsaWNrUmVkaXJlY3QmZG9Ob3RMb2dDbGljaz10cnVl) in, "Mathematisches Denken" soll einen tieferen Einblick in das Verbraucherverhalten geben.

Da wir in der heutigen Zeit Geschäfte machen, ist ein tiefes Verständnis für Dinge wie KI und Deep Learning von entscheidender Bedeutung. Leider haben viele Menschen eine vage Sicht auf KI, und das meiste, was sie sagen, ist falsch.

Können Sie sich vorstellen, was Sie tun, wenn Ihre Konkurrenten sagen: "Verwenden Sie KI, um Kundendaten abzurufen?" Können Sie sagen "Ich kann das" und "Ich kann die Daten für wertvollere Dinge verwenden"?

Tatsächlich benötigen Sie nicht so viele mathematische Fähigkeiten, um die KI zu verstehen. Jeder, der sich irgendwie an die Mathematik der High School erinnert, kann es verstehen.

Ich möchte "Einführung in die KI" in einem anderen Artikel schreiben.

Wie man fortgeschrittene Analysemethoden wie Statistik und maschinelles Lernen studiert

Sie haben keine andere Wahl, als Ihre Hände zu bewegen, um dies zu studieren. Um Ihre Hände zu bewegen und Statistiken und maschinelles Lernen zu studieren, ist es meiner Meinung nach effizienter, wenn Sie einfach programmieren können. Ich trage alle drei, aber dies ist ein Grund, warum Analysten meiner Meinung nach auch das Programmieren lernen sollten. Schließlich ist es einfacher zu verstehen, wenn Sie mit den Daten spielen und sie erleben.

Auch hier ist es möglicherweise nicht erforderlich, wenn Sie nur das tun möchten, was Excel mit BI-Tools tun kann. (Lassen Sie uns zunächst in der Lage sein, so etwas Natürliches zu tun.)

Aber wenn jemand trainiert, kann er das. Wenn Sie eine etwas fortgeschrittene Analysemethode studieren möchten, die diesen Analysten einen Schritt voraus ist, ist es meiner Meinung nach besser, zu studieren, während Sie Ihre Hände mithilfe der Programmierung bewegen.

[Grundlagen der statistischen Analyse mit Python verstanden](https://www.amazon.co.jp/Python%E3%81%A7%E7%90%86%E8%A7%A3%E3%81%99% E3% 82% 8B% E7% B5% B1% E8% A8% 88% E8% A7% A3% E6% 9E% 90% E3% 81% AE% E5% 9F% BA% E7% A4% 8E-PYTHON% C3% 97MATH-% E8% B0% B7% E5% 90% 88-% E5% BB% A3% E7% B4% 80 / dp / 4297100495 / ref = sr_1_1? __Mk_ja_JP =% E3% 82% AB% E3% 82 % BF% E3% 82% AB% E3% 83% 8A & Schlüsselwörter = Python +% E7% B5% B1% E8% A8% 88 & qid = 1575350007 & s = Bücher & sr = 1-1)
[Maschinelles Lernen beginnend mit Python-Funktionen, die mit scikit-learn Grundlagen des Ingenieurwesens und maschinellen Lernens erlernt wurden](https://www.amazon.co.jp/Python%E3%81%A7%E3%81%AF%E3%] 81% 98% E3% 82% 81% E3% 82% 8B% E6% A9% 9F% E6% A2% B0% E5% AD% A6% E7% BF% 92-% E2% 80% 95scikit-learn% E3 % 81% A7% E5% AD% A6% E3% 81% B6% E7% 89% B9% E5% BE% B4% E9% 87% 8F% E3% 82% A8% E3% 83% B3% E3% 82 % B8% E3% 83% 8B% E3% 82% A2% E3% 83% AA% E3% 83% B3% E3% 82% B0% E3% 81% A8% E6% A9% 9F% E6% A2% B0 % E5% AD% A6% E7% BF% 92% E3% 81% AE% E5% 9F% BA% E7% A4% 8E-Andreas-C-Müller / dp / 4873117984 / ref = sr_1_1? __Mk_ja_JP =% E3% 82% AB% E3% 82% BF% E3% 82% AB% E3% 83% 8A & Schlüsselwörter = Python +% E6% A9% 9F% E6% A2% B0% E5% AD% A6% E7% BF% 92 & qid = 1575349939 & s = Bücher & sr = 1-1)
[Deep Learning von Grund auf neu und Theorie des mit Python erlernten Deep Learning](https://www.amazon.co.jp/%E3%82%BC%E3%83%AD%E3%81%8B%] E3% 82% 89% E4% BD% 9C% E3% 82% 8BDeep-Learning-% E2% 80% 95Python% E3% 81% A7% E5% AD% A6% E3% 81% B6% E3% 83% 87 % E3% 82% A3% E3% 83% BC% E3% 83% 97% E3% 83% A9% E3% 83% BC% E3% 83% 8B% E3% 83% B3% E3% 82% B0% E3 % 81% AE% E7% 90% 86% E8% AB% 96% E3% 81% A8% E5% AE% 9F% E8% A3% 85-% E6% 96% 8E% E8% 97% A4-% E5 % BA% B7% E6% AF% 85 / dp / 4873117585 / ref = sr_1_1? __Mk_ja_JP =% E3% 82% AB% E3% 82% BF% E3% 82% AB% E3% 83% 8A & crid = 3NA8L21Q3EA9K & keywords = python + deep + learning & qid = 1575352348 & s = books & sprefix = python + deepl% 2Cstripbooks% 2C262 & sr = 1-1)

3. Programmierfähigkeit zum Formatieren und Aggregieren von Daten

Benötigen Sie Programmierkenntnisse, um Daten zu formatieren und zu aggregieren?

Ich denke, der umstrittenste Punkt ist, ob ein Analyst Programmierkenntnisse erwerben sollte, und tatsächlich gibt es viele Leute, die verschiedene Dinge sagen. (Um genau zu sein, SQL ist keine Programmiersprache, aber ignorieren Sie die feineren Unterscheidungen lol)

Notwendige Gruppe
SQL (Einführung) und Tableau für Datenanalyse erforderlich, die jeder verstehen kann
Unnötige Gruppe
- [Spalte] Ist für die Datenanalyse eine Programmierung erforderlich?

Beides ist richtig und verständlich. (Die Annahmen sind auch für jeden Artikel unterschiedlich.)

Wie ich eingangs erwähnt habe, bin ich eine notwendige Person. Ich werde in 4 ausführlich erklären, aber um genauer zu sein, denke ich, dass es notwendig ist, ein "Analyst zu werden, der anderen einen Schritt voraus sein und wirklich wertvolle Produkte und Experimente erstellen kann".

Einfach ausgedrückt gibt es mehrere Gründe:

BI-Tools sind keineswegs universell einsetzbar

Es gibt viele nützliche BI-Tools auf der Welt. Diese Produkte sind großartig und von großem Wert, da sie zur Demokratisierung der Daten beitragen. Wenn alle japanischen Unternehmen BI-Tools beherrschen und PDCA umdrehen, wird die japanische Wirtschaft explosionsartig wachsen.

Derzeit ist jedoch begrenzt, was ohne Programmierung oder SQL möglich ist. Bei vielen BI-Tools müssen Sie Ihre eigenen SQL-Abfragen für die Datenaggregation und -integration schreiben. In der Tat sagen BI-Tools, die behaupten, fortgeschrittene Dinge tun zu können, tatsächlich: "Sie können Python-Code intern schreiben und ausführen."

Die Geschichte des Data Science-Teams und des analytischen Ökosystems von Mercari Nach diesem Artikel

Bei Mercari gibt es viele Leute, die SQL auch für Jobs ohne Analysten schreiben und selbst einfache Analysen durchführen können. In letzter Zeit gibt es Gerüchte, dass sogar die Finanzabteilung, die Buchhaltungsabteilung, die Rechtsabteilung und die Designer studieren. (Es ist eine Tatsache)

Und das. Jeder lernt hart, weil er SQL ausführen muss, um es zu analysieren.

Und noch wichtiger

Daten kommen nicht runter, selbst wenn ich meinen Mund öffne und warte

darüber.

Um Daten zu analysieren, müssen Sie sie natürlich sammeln. Es ist nicht erforderlich, dass ein Analyst in einem Hyper-Tsuyotsuyo-Unternehmen arbeitet, das super datengesteuert ist und über eine perfekte Analysebasis verfügt. Starter, die noch keine analytische Basis haben, oder kleine und mittlere Unternehmensanalysten, die nicht einmal das Konzept der Analyse haben, haben keine andere Wahl, als die Daten selbst zu sammeln.

Planen wir die Analyse der von Ihnen gesammelten Daten, den Smart Measure Plan, die Prüfmethode nach der Implementierung der Maßnahme und die nächste Aktion. Und das Ergebnis erhalten. Dies ist der einfachste Weg, um die Wichtigkeit des "Sprechens mit Daten" zu zeigen.

Darüber hinaus ist die Rolle des Analysten bei der Erstellung der Datenanalyse-Infrastruktur sehr wichtig. Es gibt nicht immer interne Infrastrukturingenieure und Datenbankingenieure, die sich mit Datenanalyse auskennen.

Können Sie die Daten, die Sie wirklich wollen, mit einer Datenanalyseplattform sammeln, die anderen überlassen und selbst erstellt wird? Was tun Sie, wenn Sie Ihre Datenanalyse-Infrastruktur auslagern und nicht das tun können, was Sie wirklich wollen?

Und wie ich in den nächsten 4 ausführlich erläutern werde, denke ich, dass "zukünftige" Analysten in der Lage sein müssen, vorgelagertes Design wie Produktentwicklung und experimentelle Planung mit Management und Ingenieuren zu diskutieren.

Einfache Analysen werden immer automatisierter, nützliche Tools werden herausgebracht und Menschen werden nicht mehr benötigt.

Wie man Programmierung studiert, die Daten formatieren und aggregieren kann

Lassen Sie uns auch hier unsere Hände bewegen.

[Einführung in die Datenanalyse mit Python 2nd Edition-Datenverarbeitung mit NumPy und Pandas](https://www.amazon.co.jp/Python%E3%81%AB%E3%82%88%E3%82] % 8B% E3% 83% 87% E3% 83% BC% E3% 82% BF% E5% 88% 86% E6% 9E% 90% E5% 85% A5% E9% 96% 80-% E7% AC% AC2% E7% 89% 88-% E2% 80% 95NumPy% E3% 80% 81pandas% E3% 82% 92% E4% BD% BF% E3% 81% A3% E3% 81% 9F% E3% 83% 87 % E3% 83% BC% E3% 82% BF% E5% 87% A6% E7% 90% 86-Wes-McKinney / dp / 487311845X / ref = sr_1_6? __Mk_ja_JP =% E3% 82% AB% E3% 82% BF% E3% 82% AB% E3% 83% 8A & Schlüsselwörter = Python +% E7% B5% B1% E8% A8% 88 & qid = 1575350007 & s = Bücher & sr = 1-6)
[Einführung in die SQL-Datenanalyse- und -nutzungstechnologie zum Öffnen der Tür der Data Science MySQL / PostgreSQL-kompatibel](https://www.amazon.co.jp/SQL%E3%83%87%E3%83%BC%] E3% 82% BF% E5% 88% 86% E6% 9E% 90% E3% 83% BB% E6% B4% BB% E7% 94% A8% E5% 85% A5% E9% 96% 80-% E3 % 83% 87% E3% 83% BC% E3% 82% BF% E3% 82% B5% E3% 82% A4% E3% 82% A8% E3% 83% B3% E3% 82% B9% E3% 81 % AE% E6% 89% 89% E3% 82% 92% E9% 96% 8B% E3% 81% 8F% E3% 81% 9F% E3% 82% 81% E3% 81% AE% E6% 8A% 80 % E8% A1% 93-MySQL-PostgreSQL-% E4% B8% A1% E5% AF% BE% E5% BF% 9C / dp / 4802612265 / ref = sr_1_1? __Mk_ja_JP =% E3% 82% AB% E3% 82 % BF% E3% 82% AB% E3% 83% 8A & keywords = sql +% E3% 83% 87% E3% 83% BC% E3% 82% BF% E5% 88% 86% E6% 9E% 90 & qid = 1575352511 & s = books & sr = 1-1)
[Das einfachste Wachstums-Hack-Lehrbuch, eine schnell wachsende Marketingstrategie, die von einem beliebten Ausbilder gelehrt wird](https://www.amazon.co.jp/%E3%81%84%E3%81%A1%E3%81%B0%E3 % 82% 93% E3% 82% 84% E3% 81% 95% E3% 81% 97% E3% 81% 84% E3% 82% B0% E3% 83% AD% E3% 83% BC% E3% 82 % B9% E3% 83% 8F% E3% 83% 83% E3% 82% AF% E3% 81% AE% E6% 95% 99% E6% 9C% AC-% E4% BA% BA% E6% B0% 97% E8% AC% 9B% E5% B8% AB% E3% 81% 8C% E6% 95% 99% E3% 81% 88% E3% 82% 8B% E6% 80% A5% E6% 88% 90% E9% 95% B7% E3% 83% 9E% E3% 83% BC% E3% 82% B1% E3% 83% 86% E3% 82% A3% E3% 83% B3% E3% 82% B0% E6% 88% A6% E7% 95% A5-% E3% 80% 8C% E3% 81% 84% E3% 81% A1% E3% 81% B0% E3% 82% 93% E3% 82% 84% E3% 81 % 95% E3% 81% 97% E3% 81% 84% E6% 95% 99% E6% 9C% AC% E3% 80% 8D% E3% 82% B7% E3% 83% AA% E3% 83% BC % E3% 82% BA-% E9% 87% 91% E5% B1% B1-% E8% A3% 95% E6% A8% B9 / dp / 4844339923 / ref = sr_1_4? __Mk_ja_JP =% E3% 82% AB% E3% 82% BF% E3% 82% AB% E3% 83% 8A & Keywords =% E3% 82% B0% E3% 83% AD% E3% 83% BC% E3% 82% B9% E3% 83% 8F% E3 % 83% 83% E3% 82% AF +% E6% 9C% AC & qid = 1575354607 & s = Bücher & sr = 1-4)

Der schnellste Weg zum Lernen besteht darin, Ihre Arbeit in Excel durch eine Programmiersprache wie Python zu ersetzen, während Sie ein Buch wie das oben beschriebene lesen. Schauen Sie sich dann das Buch an, bereiten Sie einige Textdaten vor und spielen Sie mit kostenlosen BI-Tools und SQL. Ich empfehle es. (Obwohl es sich um eine Methode zum Programmieren handelt, erfordert es schwierige Dinge für diejenigen, die keine IT-Kenntnisse haben ...

Und lassen Sie uns tatsächlich die Analyse durchführen, die in Büchern wie dem dritten in Python und SQL erscheint!

4. Entwurfsfähigkeit zur Planung der Produktentwicklung und der Experimente im Vorgriff auf die Datenanalyse

** Was wirklich wichtig ist, ist die Entwicklung von Produkten und die Planung von Experimenten im Vorgriff auf die Datenanalyse. ** **.

Dies ist die "Schlussfolgerung" dieses Artikels.

Bedeutung der Produktentwicklung und experimentellen Planung im Vorgriff auf die Datenanalyse

In Zukunft werden BI-Tools immer komfortabler und es gibt fast nichts, was Sie nicht tun können. Tatsächlich kann jeder fortgeschrittene Analysen wie maschinelles Lernen durchführen.

Darüber hinaus wird die Basisdatenanalyse automatisiert und die Tools finden wichtige Indikatoren.

Was jedoch wirklich "wichtig" und schwierig ist, ist, welche Art von Hypothese in Zukunft analysiert werden sollte, welche Art von Vorschlägen daraus erhalten werden sollte und welche Art von Maßnahmen ergriffen werden sollten. ** Produktdesign und Experiment Es ist wichtig, in der Planungsphase von über ** nachzudenken.

Der Grund, warum wir beschlossen haben, das neue Dashboard "Looker" vor der Veröffentlichung des Produkts einzuführen In diesem Artikel wird angegeben, dass Melpay vor der Veröffentlichung des Produkts über eine Datenanalyse-Infrastruktur verfügte.

Wenn Sie in der Phase des Produktdesigns und der Versuchsplanung nicht an Datenanalyse denken, erhalten Sie möglicherweise nicht die gewünschten Daten, oder die Analyseergebnisse sind möglicherweise unzuverlässig. .. Welche Art von Protokoll wird beispielsweise benötigt, um die gewünschten Daten zu analysieren? Selbst wenn Sie einen AB-Test durchführen, müssen Sie darüber nachdenken, wie lange es für wie viele Personen angemessen ist, dies zu tun.

Die Automatisierung dauert etwas länger.

Aus diesem Grund glauben wir in der heutigen Zeit, in der Daten demokratisiert werden, dass wir wirklich einen "Analysten" und "Designer" brauchen, der nicht nur die grundlegende physische Stärke der Datenanalyse und des Geschäfts, sondern auch die Datenerfassung und Produktentwicklung kennt. ..

Untersuchung der Produktentwicklung und der experimentellen Planung im Vorgriff auf die Datenanalyse

Immerhin wird dies auch lol geübt Es gibt viele Startups, die ihre Datenanalyse-Infrastruktur schrittweise einrichten, aber keine Datenanalysten der oberen Ebene haben.

Um es anders herum auszudrücken: Die meisten Startups, die Ergebnisse erzielt haben und von nun an eine rasche Expansion planen, können "eine Person anhand der Datenformung und -erfassung analysieren, auf der Grundlage der Analyseergebnisse Maßnahmen ergreifen und einen PDCA-Plan formulieren". Ich suche.

In einem solchen Unternehmen bekomme ich die Ergebnisse selbst. Beziehen Sie verschiedene Personen ein und führen Sie den PDCA-Zyklus aus. Wenn Sie ein solcher Analyst werden können, können Sie überall einen Mehrwert schaffen.

Wenn Sie eine einfache Marketing- oder Wachstums-Hack-ähnliche Datenanalyse durchgeführt haben, ist es eine gute Idee, Ihre technischen Fähigkeiten auf die in diesem Artikel beschriebene Weise zu verbessern. Es wäre schön, wenn die Person, die derzeit als PM arbeitet, die Datenanalyse durchläuft.

Werden Sie ein Datenanalysemann, helfen Sie Ihrem Debüt bei der Datenanalyse in der Umgebung und machen Sie ein Parlinai mit Daten! !!

[PYTHON] Kenntnisse und Studienmethoden für zukünftige Datenanalysten erforderlich