京公网安备 11010802034615号
经营许可证编号:京B2-20210330
数据分析,无处不在
作为一个比较活跃的年轻人,在大学期间除了读书外,我还参与过很多活动。大三时,我当过半年的境外黄金期权交易代理,自己有时也交易过几笔,有赔有赚。临毕业,组织过二手书回收,由于旧书价格和需求估计错误,最后亏得血本无归,事后总结,是没有好好分析市场和竞争对手(二手书店)。从那时候起,我就留心寻找有关市场分析方面实用知识的课程,
真正让我下决心参加数据分析师培训的,是回家时无意听到的一件事。20073年上半年,东昌府区某县开始投资建设铝厂,不久就出现资金短缺、无法周转的情况,当时合伙人四处融资,也曾经找上我父母。但由于厌恶风险和不了解行情等原因,父母并没有投钱。2014年春节期间,亲戚来串门,闲聊时讲起了某铝厂效益非常好,投资人全都得到了丰厚的红利。这时我才意识到这个铝厂就是当年那家资金链断裂、面临倒闭的铝厂。这件事告诉我,机遇在人人面前都是平等的,关键是你看自己能不能把握了,如果当时我能帮父母分析建设铝厂这个项目的话,说不定就抓住了这个机会。
带着对知识的渴求,我参加了2011年北京数据分析师培训,培训结束后,感触良多。我深深的体会到,数据分析是一门科学,同时也是一门艺术。现在使用学到的知识回头来分析当年的旧书交易,我总结了犯的错误:
第一,高估了市场需求。当时我只是觉得新生中购买旧书的人应该不少,就开始回收旧书。如果简单统计一下我所住的楼层中,有多少人购买了旧书的话,就会发现,大约9个人中才有一人购买旧书。而且,随着人们生活水平的提高,新生大都直接购买全新课本。
第二,收购旧书没有针对性。大学的课程多种多样,有一些课程是必修的,另外一些是选修的,参加必修课的人数肯定比参加选修课人数多,所以收购必修课旧书就更容易出手。当时我没有仔细分析,结果买断了大批无用书籍。
第三,忽略了竞争对手。学校的二手书店和我提供同样的业务,学生要买书时第一反应常常是去二手书店,我应该在同学中间多做宣传,吸引他们到我这来买书,比二手书店方便也便宜。
第四,没有计算现金流。学生毕业后新生入学前这两个月中,我必须屯放收购来的书,租用了学校外面的一间房。后来发现两个月的租金构成了我总成本的一半以上。
通过数据分析课程的学习,我已经掌握了市场调研、数据采集、分析预测和编制现金流量表这一基本项目分析流程,旧书变废纸的惨剧再也不会发生了。
此外,数据分析的科学性来自于其实用性,它来源于人类实践活动,也能回归到日常生活中。我母亲在银行工作,经常购买一些理财产品和基金项目,但从来没有计算过收益率。我按照课程习题中所学方法,帮母亲算了一笔账,发现活期存款加短期高利率理财产品的组合的收益率仅仅是定期存款的一半。做生意的人偶尔出现闲置资金,买一些短期理财产品很适合,但平常老百姓对于资金的流动性要求不是很高,购买短期理财产品就不如定期存款。
数据分析知识的用处不仅仅体现在日常生活之中,也体现在人们的工作当中。在我研究生期间,曾经接触过一个帮某电影网站建设数字版权管理系统(主要用处是让看电影的用户付费)的项目。使用数据分析,我计算了一下这个项目的成本和收益:由于是网络项目,其建设期只有半年,建设期资金在期初一次性投入,这笔资金主要分为网站给学校的劳务费用和使用数字版权管理系统时,向Adobe公司购买许可证的费用,以及购买服务器的费用。假设半年后系统成功运行,付费用户的数量来源于已经注册的非付费用户和每月新增用户两部分,那么付费用户数量对应于时间的函数应为一个修正指数函数和一个直线函数的相加。
通过引用优酷网收费用户增长数据,我得出了最终结论:在用户每次观看电影收费两块钱和折现率取7%的情况下,资金回收完成需要大约两年的时间。后来和网站经理的交流中,他们靠经验也得出了需要两年多才能回本这一结论。当时我感慨,通过数据分析,我作为一个技术人员竟然能站在资深网站经理的高度上来看问题。
数据分析在我们工作生活中无处不在,作为一门专业技术,它能帮助我们打理细节,算清楚账;作为一种思想,它教导我们以分析的眼光来看待问题,透过表面看清本质,独立思考。随着我国经济发展,市场化程度逐步提高,无论是国家政府部门、企事业单位还是个人,数据分析工作都是进行决策和做出工作决定之前的重要环,数据分析师的市场无疑是巨大的,即使在别的专业领域,项目数据分析也能使人如虎添翼。
希望在2016年,CDA数据分析师的队伍会像雨后春笋般不断壮大,数据分析思想会成为人们生活的一部分。作为新一代的年轻人,我会用自身实践,把项目数据分析行业发扬光大,为社会做出自己的贡献。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 MySQL 实际应用中,“频繁写入同一表” 是常见场景 —— 如实时日志存储(用户操作日志、系统运行日志)、高频交易记录(支付 ...
2025-10-30为帮助教育工作者、研究者科学分析 “班级规模” 与 “平均成绩” 的关联关系,我将从相关系数的核心定义与类型切入,详解 “数 ...
2025-10-30对 CDA(Certified Data Analyst)数据分析师而言,“相关系数” 不是简单的数字计算,而是 “从业务问题出发,量化变量间关联强 ...
2025-10-30在构建前向神经网络(Feedforward Neural Network,简称 FNN)时,“隐藏层数目设多少?每个隐藏层该放多少个神经元?” 是每个 ...
2025-10-29这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是:Excel 透 ...
2025-10-29在 CDA(Certified Data Analyst)数据分析师的工作中,“多组数据差异验证” 是高频需求 —— 例如 “3 家门店的销售额是否有显 ...
2025-10-29在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22