【www.gbppp.com--活动资讯】
几点想法，分享给刚入门的数据分析师，也跟经验丰富的数据分析师做下探讨。
1.数据是有立场的，立场决定解读
数据对于业务来讲，是KPI的衡量标杆，也是行动指南。但一旦涉及到立场和方向性的东西，必然有利益触发点的问题。比如同样的一次活动的网站转化率是1.2%，是好还是坏？这是做数据分析第一步要进行的定位，也就是我们所说的下结论。好坏的区分在于比较，如何比较呢？我们知道比较分析方法有环比、占比、定基比、横向比、纵向比等，其中如环比可以比较昨日、上周今日、上月今日等，不同的时间对比出的结果一定有差异，甚至是迥然不同的结果。那面对这种情况，除了分析师的经验以外，在都符合统计学规律的前提下该如何判断活动效果好坏？
第一步结果总算出来了。
那么假设结果是好的（先不管对比的是什么时间），那确实是好的吗？我们知道做活动效果肯定会好啊。尤其在中国，只要价格低，无论多么差的用户体验，无论网站UI多么垃圾，无论送货多么慢，订单转化率一定会起来。这就意味着，无论你的营销、运营做的怎样（只要不是特别特别差），各个渠道、各个节点转化率都会上来。这时候，你会怎样分析？其中有多少是归于渠道或运营本身的优化因素，而有多少是归于活动影响？
假设我们能找出其中归于活动本身或渠道、运营本身的影响因素，结果出来后可能是——刨去活动影响，渠道、运营做的转化率其实变化不大（事实上通常是这样的，但我们不能否认他们的功劳，毕竟没有流量、没有运营，网站无法正常运行），工作效果不明显啊？你会怎样？直接告诉你的同事他们的工作没效果？可能你不会那样做，那此时你该如何取舍？尽职尽责做好一个数据的本职工作还是考虑下其他因素？怎么做才能既让数据价值最大化又能不打击同事的工作积极性？
2.数据质量永远是数据分析立项后首先要考虑的
做过大型数据分析的同学刚开始或多或少有这样的经历，拿到数据后经过分析发现了一个异常分析点，做了N多预处理、N多牛叉的模型，N多分析和多维钻取，最后把报告呈现出来，跟业务沟通的时候，业务只说了一句话“哦，那个异常数据啊，那是我们的测试数据”，然后我们会不会疯掉？
为什么会出现这种问题，因为拿到数据后没有进行一步必要的步骤——数据质量验证。什么是数据质量验证？我理解的是首先要理解数据来源、数据统计和收集逻辑、数据入库处理逻辑；其次是理解数据在数据仓库中是如何存放的，字段类型、小数点位数、取值范围，规则约束如何定义的；第三是明确数据的取数逻辑，尤其是从数据仓库中如何用SQL取数的，其中特别是对数据有没有经过转换和重新定义；第四是拿到数据后必须要有数据审查的过程，包括数据有效性验证、取值范围、空值和异常值处理等。
当这些工作都做充足之后才是数据分析。但可惜的是大多数数据分析师都不关注数据质量问题，甚至对数据的理解仅限于表现定义。当然做足了底层的工作，你会发现做起数据来事半功倍，并且你的结论和推到是经得起验证和考究的。
3.缺乏落地的数据没价值，除非是市场分析
数据的价格在于对业务的驱动，不管你的业务对象是你的BOSS还是同事。很多情况下，我们的数据分析师是这样工作的：一天到晚闷头做事，出数据写报告。结果出来的数据结论和建议会有这么几种情况：
1. 分析过程明显不符合业务操作实际；
2. 结论明显是错的；
3. 建议方向性很对，但是空洞，具体执行缺乏落地点；
4. 建议方向性很明确，也有具体执行建议，但是业务不能执行； 上面的问题中，第一二条会偶尔发生，第三四条会经常发生。为什么？从数据的角度来讲没问题，但是落实到业务实际上有问题。问题出现哪？主要是这几方面：
数据分析师根本不懂业务操作流程，凭自己的理解去猜测业务流程； 数据分析师根本不知道现在业务的困难点在哪，哪些是目前最紧急的，凭自己的感觉认为“我觉得这些对他们最最有用”； 数据分析师根本不知道业务能控制哪些，不能控制哪些，即使能控制又是否业务有必要去做，导致建议不
是该业务部门能执行的。 4.数据解读能力和业务应用能力永远大于工具应用能力，不要迷信算法和模型
受至于数据的普遍理论影响，很多数据分析师会认为会多少个模型，多少种算法是一件多么牛叉的事情，诚然，数据尤其在面对海量数据时，普通的数据分析方法常常感觉无能为力，但这并不意味着工具和方法就决定了数据分析师的层次。举例来说，通常我们用的数据挖掘模型，业务都很难理解，假如你花很长时间作出一个关联模型，如果你这样告诉你的业务受众：A商品和B商品关联程度较高，从支持度，置信度和提升度来讲效果显著。那我们可以预想到这个挖掘的结果很难落地，并且意义不大。从业务受众实际应用层面来讲，两个商品关联度高意味着什么，意味着用户通常会一起购买这两件商品（也有可能是复购，具体看数据选取规则），那一起购买又怎样？我们是否可以把这两件商品做打包促销？是否可以做关联推荐？是否可以做个性化营销？是否可以引导用户消费倾向？甚至在活动页面设计上，是否可以将相关度高的品类，品牌摆放在一起来促进销售？又或者这是否可以做流失挽回的参照指标，重新审视之前每次的广告＂通发＂？这才是数据价值，无法跟业务结合的数据模型毫无价值。
5.业务需求是数据分析的起点，但之前你需要培养业务的数据意识
很多时候我们希望等待我们的业务自己上门提需求，并且以需求为数据分析的起点，似乎很多教材也是这么说的，基于业务需求的数据分析目的更明确，分析结论和效果落地也会阻力更小，但实际情况是业务通常是数据不敏感的，主要表现在：
业务没有数据决策的意识。大多数业务的第一行动引导因素还是业务经验，无论是基于事实的经验还是拍脑袋决策，数据绝对不是行动前必须参考的因素； 业务不知道数据在哪些方面能帮到他。业务很多时候只是有个想法，想让数据证明点什么，但说不清楚。
通常业务的措辞是“我们想知道这次活动的效果怎么样”、“我们想了解广告效果为什么不好”。至于具体效果指的是什么业务自己也说不清楚，甚至是业务自己也不知道到底想要什么。
业务不相信数据。如果数据结果出来时和业务设想的不同，那业务的第一反应是怀疑数据，无论是数据的
出处、分析过程还是结论，业务总想找到能证明自己观点对的东西。所以我们会感觉，业务用数据的目的只是为了证明自己当初设想的正确性。
作为数据分析师，我们不能要求业务必须要懂数据、理解数据，但是我们需要把数据能解决什么问题，怎么解决的，解决之后会给业务带来哪些改进以及效果上的优化，如果能预测出一个具体数值或最起码有一个范围，业务会更加相信数据的真实性、准确性。如果培养业务的数据意识？
数据意识是一个不断积累的过程，需要每周至少2~3次专项沟通，每次沟通至少持续半个小时，大概半年之后业务会形成一定的数据意识，最起码意识到在某些时候，数据会解决一些问题； 每次沟通时，明确告诉业务数据能给他们带来哪些好处，能实现什么，在哪些主要业务点上能发挥作用，这样业务会认为数据会是一个能帮到自己的东西； 数据不只是在业务执行之后才会发生作用的，在业务执行前的预测与计划，在业务执行过程中及时预警与
恶意数据监控都是数据能发挥作用的场合，并且这些都能在“坏数据”、“坏结果”出来之前通过数据区去改善，这些将比结果出来后再去分析要更有意义。
作为数据分析师，需要不断提高自身能力。能力包括业务理解能力和数据分析能力，既能把业务“粗糙的要
求”转换成数据需求，又能将数据结果转化成业务可理解、可执行、有时间限制、能验证结果的数据输出。 我相信数据是一门艺术，良好的数据能力可以处处在业务中展现能力，并且确实可以提高业务价值，这是数据存在根本，也是数据分析师立足的根本。
限于篇幅，暂时只能抛砖引玉，待与大家讨论。期待大家的沟通。
数据分析新手入门资料（系列一）
来源：西线学院
什么是数据分
析？ ........................................... 2 如何用数
据？ ............................................... 5 在数据分析、挖掘方面，有哪些好书值得推荐（43本
全）？ ....... 6
一、 到底什么是数据分析
之前在微博上发起一个话题，大家一句话向外行说说什么是数据分析?有100多位同学参与讨论和转发，其中一些有意思的、不错的说法，大家一起来看看。 最专业的数据分析：
@沈浩老师: 有针对性的收集、加工、整理数据，并采用统计和挖掘技术分析和解释数据的科学与艺术!
最简洁的数据分析：
@小蚊子乐园：简单的很，就是分析数据。
@Terensu：描述数据特征，预测数据趋势，展示分析结果。
@wangman02：从一大堆数据中提取到你想要的信息，就是数据分析。 最IT的数据分析：
@穆浩然：所以我一般都说我是做IT的。
@YicoLeung:复制粘贴。
@仓鼠_茄子把：你应该对男的低调说自己是码农，对女的高调说自己是分析师!现在甭管是什么职业，加个师字就显得特牛B，比如策划师,揉奶师,面包师,搬砖师等等。
最浪漫的数据分析：
@数据化管理：数据分析就是：茫茫人海中，你通过观察、跟踪、记录等手段找到你生命中最想爱的那个人，进而根据对方的喜好，成功的展示了自己的优点，改进了自己的缺点，并且说服了对方的父母，承诺终身与ta为伴的一项工作。 @刘万祥ExcelPro: 你喜欢上一个姑娘，你会搜集她的兴趣、爱好、星座、闺密、乃至三围。。。等等各种信息吧，然后想自己怎么能搭讪上、约出来，碰壁了会继续找原因、想办法，这里面你都有在做数据分析呀。
@CIVN可视化社区：从你每天发的微博研究你喜欢哪个明星、是哪个星座的、喜欢吃什么买什么、大概几岁会嫁出去。【数据分析师有没有用】
最神化的数据分析：
@张启仁：数据分析是算命的。
最实用的数据分析：
@ETwise:我告诉别人：你买了牙膏我还会推荐你买牙刷，我就是做这样的工作
的。
@老仲琢磨：可以知道刚当爹的男人买尿布时最可能顺便买点啥。
@张勇往前行：每个月月底，老婆问你，这个月的钱你是怎么花的?你的回答就是数据分析。
最恐怖的数据分析：
@游走的背包：数据分析就是文革时的查人祖上三代，最后定义你这代什么成份! @宝泥马冷死了：从你爸的日常行为统计中推测你下次考试不及格他会用什么东西揍你。
那到底什么是数据分析呢?
说说数据哥的理解：数据分析是基于商业目的，有目的的进行收集、整理、加工和分析数据，提炼有价信息的一个过程。
其过程概括起来主要包括：明确分析目的与框架、数据收集、数据处理、数据分析、数据展现和撰写报告等6个阶段。【数据分析师有没有用】
1、明确分析目的与框架
一个分析项目，你的数据对象是谁?商业目的是什么?要解决什么业务问题?数据分析师对这些都要了然于心。
基于商业的理解，整理分析框架和分析思路。例如，减少新客户的流失、优化活动效果、提高客户响应率等等。不同的项目对数据的要求，使用的分析手段也是不一样的。
2、数据收集
数据收集是按照确定的数据分析和框架内容，有目的的收集、整合相关数据的一个过程，它是数据分析的一个基础。
3、数据处理
数据处理是指对收集到的数据进行加工、整理，以便开展数据分析，它是数据分析前必不可少的阶段。这个过程是数据分析整个过程中最占据时间的，也在一定程度上取决于数据仓库的搭建和数据质量的保证。
数据处理主要包括数据清洗、数据转化等处理方法。
4、数据分析
数据分析是指通过分析手段、方法和技巧对准备好的数据进行探索、分析，从中发现因果关系、内部联系和业务规律，为商业目提供决策参考。
到了这个阶段，要能驾驭数据、开展数据分析，就要涉及到工具和方法的使用。其一要熟悉常规数据分析方法，最基本的要了解例如方差、回归、因子、聚类、分类、时间序列等多元和数据分析方法的原理、使用范围、优缺点和结果的解释;其二是熟悉1+1种数据分析工具，Excel是最常见，一般的数据分析我们可以通过Excel完成，后而要熟悉一个专业的分析软件，如数据分析工具
SPSS/SAS/R/Matlab等，便于进行一些专业的统计分析、数据建模等。
5、数据展现
一般情况下，数据分析的结果都是通过图、表的方式来呈现，俗话说：字不如表，表不如图。。借助数据展现手段，能更直观的让数据分析师表述想要呈现的信息、观点和建议。。
常用的图表包括饼图、折线图、柱形图/条形图、散点图、雷达图等、金字塔图、矩阵图、漏斗图、帕雷托图等。
数据分析师面试常见的77个问题
2013-09-28 数据挖掘与数据分析
随着大数据概念的火热，数据科学家这一职位应时而出，那么成为数据科学家要满足什么条件？或许我们可以从国外的数据科学家面试问题中得到一些参考，下面是77个关于数据分析或者数据科学家招聘的时候会常会的几个问题，供各位同行参考。
1、你处理过的最大的数据量？你是如何处理他们的？处理的结果。
2、告诉我二个分析或者计算机科学相关项目？你是如何对其结果进行衡量的？
3、什么是：提升值、关键绩效指标、强壮性、模型按合度、实验设计、2/8原则？
4、什么是：协同过滤、n-grams, map reduce、余弦距离？
5、如何让一个网络爬虫速度更快、抽取更好的信息以及更好总结数据从而得到一干净的数据库？
6、如何设计一个解决抄袭的方案？
7、如何检验一个个人支付账户都多个人使用？
8、点击流数据应该是实时处理？为什么？哪部分应该实时处理？
9、你认为哪个更好：是好的数据还是好模型？同时你是如何定义“好”？存在
所有情况下通用的模型吗？有你没有知道一些模型的定义并不是那么好？
10、什么是概率合并（AKA模糊融合）？使用SQL处理还是其它语言方便？对于处理半结构化的数据你会选择使用哪种语言？
11、你是如何处理缺少数据的？你推荐使用什么样的处理技术？
12、你最喜欢的编程语言是什么？为什么？
13、对于你喜欢的统计软件告诉你喜欢的与不喜欢的3个理由。
14、SAS, R, Python, Perl语言的区别是？
15、什么是大数据的诅咒？
16、你参与过数据库与数据模型的设计吗？
17、你是否参与过仪表盘的设计及指标选择？你对于商业智能和报表工具有什么想法？
18、你喜欢TD数据库的什么特征？
19、如何你打算发100万的营销活动邮件。你怎么去优化发送？你怎么优化反应率？能把这二个优化份开吗？
20、如果有几个客户查询ORACLE数据库的效率很低。为什么？你做什么可以提高速度10倍以上，同时可以更好处理大数量输出？
21、如何把非结构化的数据转换成结构化的数据？这是否真的有必要做这样的转换？把数据存成平面文本文件是否比存成关系数据库更好？
22、什么是哈希表碰撞攻击？怎么避免？发生的频率是多少？
23、如何判别mapreduce过程有好的负载均衡？什么是负载均衡？
24、请举例说明mapreduce是如何工作的？在什么应用场景下工作的很好？云的安全问题有哪些？
25、（在内存满足的情况下）你认为是100个小的哈希表好还是一个大的哈希表，对于内在或者运行速度来说？对于数据库分析的评价？
26、为什么朴素贝叶斯差？你如何使用朴素贝叶斯来改进爬虫检验算法？
27、你处理过白名单吗？主要的规则？（在欺诈或者爬行检验的情况下）
28、什么是星型模型？什么是查询表？
29、你可以使用excel建立逻辑回归模型吗？如何可以，说明一下建立过程？
30、在SQL, Perl, C++, Python等编程过程上，待为了提升速度优化过相关代码或者算法吗？如何及提升多少？
31、使用5天完成90%的精度的解决方案还是花10天完成100%的精度的解决方案？取决于什么内容？
32、定义：QA（质量保障）、六西格玛、实验设计。好的与坏的实验设计能否举个案例？
33、普通线性回归模型的缺陷是什么？你知道的其它回归模型吗？
34、你认为叶数小于50的决策树是否比大的好？为什么？
35、保险精算是否是统计学的一个分支？如果不是，为何如何？
36、给出一个不符合高斯分布与不符合对数正态分布的数据案例。给出一个分布非常混乱的数案例。
37、为什么说均方误差不是一个衡量模型的好指标？你建议用哪个指标替代？
38、你如何证明你带来的算法改进是真的有效的与不做任何改变相比？你对A/B测试熟吗？
39、什么是敏感性分析？拥有更低的敏感性（也就是说更好的强壮性）和低的预测能力还是正好相反好？你如何使用交叉验证？你对于在数据集中插入噪声数据从而来检验模型的敏感性的想法如何看？
40、对于一下逻辑回归、决策树、神经网络。在过去15年中这些技术做了哪些大的改进？
41、除了主成分分析外你还使用其它数据降维技术吗？你怎么想逐步回归？你熟悉的逐步回归技术有哪些？什么时候完整的数据要比降维的数据或者样本好？
42、你如何建议一个非参数置信区间？
43、你熟悉极值理论、蒙特卡罗逻辑或者其它数理统计方法以正确的评估一个稀疏事件的发生概率？
44、什么是归因分析？如何识别归因与相关系数？举例。
45、如何定义与衡量一个指标的预测能力？
46、如何为欺诈检验得分技术发现最好的规则集？你如何处理规则冗余、规则发现和二者的本质问题？一个规则集的近似解决方案是否可行？如何寻找一个
可行的近似方案？你如何决定这个解决方案足够好从而可以停止寻找另一个更好的？
47、如何创建一个关键字分类？
48、什么是僵尸网络？如何进行检测？
49、你有使用过API接口的经验吗？什么样的API？是谷歌还是亚马逊还是软件即时服务？
50、什么时候自己编号代码比使用数据科学者开发好的软件包更好？
51、可视化使用什么工具？在作图方面，你如何评价Tableau?R?SAS?在一个图中有效展现五个维度？
52、什么是概念验证？
53、你主要与什么样的客户共事：内部、外部、销售部门/财务部门/市场部门/IT部门的人？有咨询经验吗？与供应商打过交道，包括供应商选择与测试。
54、你熟悉软件生命周期吗？及IT项目的生命周期，从收入需求到项目维护？
55、什么是cron任务？
56、你是一个独身的编码人员？还是一个开发人员？或者是一个设计人员？
57、是假阳性好还是假阴性好？
58、你熟悉价格优化、价格弹性、存货管理、竞争智能吗？分别给案例。
59、Zillow’s算法是如何工作的？
60、如何检验为了不好的目的还进行的虚假评论或者虚假的FB帐户？
61、你如何创建一个新的匿名数字帐户？
62、你有没有想过自己创业？是什么样的想法？
63、你认为帐号与密码输入的登录框会消失吗？它将会被什么替代？
64、你用过时间序列模型吗？时滞的相关性？相关图？光谱分析？信号处理与过滤技术？在什么样的场景下？
65、哪位数据科学有你最佩服？从哪开始？
66、你是怎么开始对数据科学感兴趣的？
67、什么是效率曲线？他们的缺陷是什么，你如何克服这些缺陷？
68、什么是推荐引擎？它是如何工作的？
69、什么是精密测试？如何及什么时候模拟可以帮忙我们不使用精密测试？
70、你认为怎么才能成为一个好的数据科学家？
71、你认为数据科学家是一个艺术家还是科学家？
72、什么是一个好的、快速的聚类算法的的计算复杂度？什么好的聚类算法？你怎么决定一个聚类的聚数？
73、给出一些在数据科学中“最佳实践的案例”。
74、什么让一个图形使人产生误解、很难去读懂或者解释？一个有用的图形的特征？
75、你知道使用在统计或者计算科学中的“经验法则”吗？或者在商业分析中。
76、你觉得下一个20年最好的5个预测方法是？
77、你怎么马上就知道在一篇文章中（比如报纸）发表的统计数字是错误，或者是用作支撑作者的论点，而不是仅仅在罗列某个事物的信息？例如，对于每月官方定期在媒体公开发布的失业统计数据，你有什么感想？怎样可以让这些数据更加准确？
数据分析师面试的77个常见问题，你准备好了吗？
随着我国经济决策逐渐由拍脑袋的“经验决策”转向“数据决策”，项目数据分析成为战略决策、经营决策、投资决策必备的科学方法论。数据分析岗位已经成为企业重要的岗位，数据分析师也越来越多的受到重视。数据分析师面试时面试官喜欢问那些问题，我们可以从国外的数据科学家面试问题中得到一些参考，下面是77个关于数据分析师应聘的时候常会被问到的几个问题，供各位数据分析师们参考。
1、你处理过的最大的数据量？你是如何处理他们的？处理的结果。
2、告诉我二个分析或者计算机科学相关项目？你是如何对其结果进行衡量的？
3、什么是：提升值、关键绩效指标、强壮性、模型按合度、实验设计、2/8原则？
4、什么是：协同过滤、n-grams, map reduce、余弦距离？
5、如何让一个网络爬虫速度更快、抽取更好的信息以及更好总结数据从而得到一干净的数据库？
6、如何设计一个解决抄袭的方案？
7、如何检验一个个人支付账户都多个人使用？
8、点击流数据应该是实时处理？为什么？哪部分应该实时处理？
9、你认为哪个更好：是好的数据还是好模型？同时你是如何定义“好”？存在所有情况下通用的模型吗？有你没有知道一些模型的定义并不是那么好？
10、什么是概率合并（AKA模糊融合）？使用SQL处理还是其它语言方便？对于处理半结构化的数据你会选择使用哪种语言？
11、你是如何处理缺少数据的？你推荐使用什么样的处理技术？
12、你最喜欢的编程语言是什么？为什么？
13、对于你喜欢的统计软件告诉你喜欢的与不喜欢的3个理由。
14、SAS, R, Python, Perl语言的区别是？
15、什么是大数据的诅咒？
16、你参与过数据库与数据模型的设计吗？
17、你是否参与过仪表盘的设计及指标选择？你对于商业智能和报表工具有什么想法？
18、你喜欢TD数据库的什么特征？
19、如何你打算发100万的营销活动邮件。你怎么去优化发送？你怎么优化反应率？能把这二个优化份开吗？
20、如果有几个客户查询ORACLE数据库的效率很低。为什么？你做什么可以提高速度10倍以上，同时可以更好处理大数量输出？
21、如何把非结构化的数据转换成结构化的数据？这是否真的有必要做这样的转换？把数据存成平面文本文件是否比存成关系数据库更好？
22、什么是哈希表碰撞攻击？怎么避免？发生的频率是多少？
23、如何判别mapreduce过程有好的负载均衡？什么是负载均衡？
24、请举例说明mapreduce是如何工作的？在什么应用场景下工作的很好？云的安全问题有哪些？
25、（在内存满足的情况下）你认为是100个小的哈希表好还是一个大的哈希表，对于内在或者运行速度来说？对于数据库分析的评价？
26、为什么朴素贝叶斯差？你如何使用朴素贝叶斯来改进爬虫检验算法？
27、你处理过白名单吗？主要的规则？（在欺诈或者爬行检验的情况下）
28、什么是星型模型？什么是查询表？
29、你可以使用excel建立逻辑回归模型吗？如何可以，说明一下建立过程？
30、在SQL, Perl, C++, Python等编程过程上，待为了提升速度优化过相关代码或者算法吗？如何及提升多少？
31、使用5天完成90%的精度的解决方案还是花10天完成100%的精度的解决方案？取决于什么内容？
32、定义：QA（质量保障）、六西格玛、实验设计。好的与坏的实验设计能否举个案例？
33、普通线性回归模型的缺陷是什么？你知道的其它回归模型吗？
34、你认为叶数小于50的决策树是否比大的好？为什么？
35、保险精算是否是统计学的一个分支？如果不是，为何如何？
36、给出一个不符合高斯分布与不符合对数正态分布的数据案例。给出一个分布非常混乱的数案例。
37、为什么说均方误差不是一个衡量模型的好指标？你建议用哪个指标替代？
38、你如何证明你带来的算法改进是真的有效的与不做任何改变相比？你对A/B测试熟吗？
39、什么是敏感性分析？拥有更低的敏感性（也就是说更好的强壮性）和低的预测能力还是正好相反好？你如何使用交叉验证？你对于在数据集中插入噪声数据从而来检验模型的敏感性的想法如何看？
40、对于一下逻辑回归、决策树、神经网络。在过去15年中这些技术做了哪些大的改进？
41、除了主成分分析外你还使用其它数据降维技术吗？你怎么想逐步回归？你熟悉的逐步回归技术有哪些？什么时候完整的数据要比降维的数据或者样本好？
42、你如何建议一个非参数置信区间？
43、你熟悉极值理论、蒙特卡罗逻辑或者其它数理统计方法以正确的评估一个稀疏事件的发生概率？
44、什么是归因分析？如何识别归因与相关系数？举例。
45、如何定义与衡量一个指标的预测能力？
46、如何为欺诈检验得分技术发现最好的规则集？你如何处理规则冗余、规则发现和二者的本质问题？一个规则集的近似解决方案是否可行？如何寻找一个可行的近似方案？你如何决定这个解决方案足够好从而可以停止寻找另一个更好的？
47、如何创建一个关键字分类？
48、什么是僵尸网络？如何进行检测？
49、你有使用过API接口的经验吗？什么样的API？是谷歌还是亚马逊还是软件即时服务？
50、什么时候自己编号代码比使用数据科学者开发好的软件包更好？
51、可视化使用什么工具？在作图方面，你如何评价Tableau?R?SAS?在一个图中有效展现五个维度？
52、什么是概念验证？
53、你主要与什么样的客户共事：内部、外部、销售部门/财务部门/市场部门/IT部门的人？有咨询经验吗？与供应商打过交道，包括供应商选择与测试。
54、你熟悉软件生命周期吗？及IT项目的生命周期，从收入需求到项目维护？
55、什么是cron任务？
56、你是一个独身的编码人员？还是一个开发人员？或者是一个设计人员？
57、是假阳性好还是假阴性好？
58、你熟悉价格优化、价格弹性、存货管理、竞争智能吗？分别给案例。
59、Zillow’s算法是如何工作的？
60、如何检验为了不好的目的还进行的虚假评论或者虚假的FB帐户？
61、你如何创建一个新的匿名数字帐户？
62、你有没有想过自己创业？是什么样的想法？
63、你认为帐号与密码输入的登录框会消失吗？它将会被什么替代？
64、你用过时间序列模型吗？时滞的相关性？相关图？光谱分析？信号处理与过滤技术？在什么样的场景下？
65、哪位数据科学有你最佩服？从哪开始？
66、你是怎么开始对数据科学感兴趣的？
67、什么是效率曲线？他们的缺陷是什么，你如何克服这些缺陷？
68、什么是推荐引擎？它是如何工作的？
69、什么是精密测试？如何及什么时候模拟可以帮忙我们不使用精密测试？
70、你认为怎么才能成为一个好的数据科学家？
71、你认为数据科学家是一个艺术家还是科学家？
72、什么是一个好的、快速的聚类算法的的计算复杂度？什么好的聚类算法？你怎么决定一个聚类的聚数？
73、给出一些在数据科学中“最佳实践的案例”。
74、什么让一个图形使人产生误解、很难去读懂或者解释？一个有用的图形的特征？
75、你知道使用在统计或者计算科学中的“经验法则”吗？或者在商业分析中。【数据分析师有没有用】
76、你觉得下一个20年最好的5个预测方法是？
77、你怎么马上就知道在一篇文章中（比如报纸）发表的统计数字是错误，或者是用作支撑作者的论点，而不是仅仅在罗列某个事物的信息？例如，对于每月官方定期在媒体公开发布的失业统计数据，你有什么感想？怎样可以让这些数据更加准确？
什么是数据分析师 数据分析师 是数据师的一种，指的是不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。
数据分析师的作用：
越来越多的政府机关、企事业单位将选择拥有数据分析师资质的专业人士为他们的项目做出科学、合理的分析、以便正确决策；越来越多的风险投资机构把数据分析师所出具的数据分析报告作为其判断项目是否可行及是否值得投资的重要依据；越来越多的高等院校和教育机构把数据分析师课程作为其中高管理层及决策层培训计划的重要内容；越来越多的有志之士把数据分析师培训内容作为其职业生涯发展中必备的知识体系。
数据分析师的工作职责：
1、负责项目的需求调研、数据分析、商业分析和数据挖掘模型等，通过对用户的行为进行分析了解用户的需求；
2、参与业务部门临时数据分析需求的调研、分析及实现；
3、参与数据挖掘模型的构建、维护、部署和评估；
4、整理编写商业数据分析报告，及时发现和分析其中隐含的变化和问题，为业务发展提供决策支持；
5、对产品部门下的运营，产品，研发，市场销售等各方面的数据分析，处理和研究的工作需求。
数据分析师技能要求：
1、懂业务。从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。
2、懂管理。一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导，如果不熟悉管理理论，就很难搭建数据分析的框架，后续的数据分析也很难进行。另一方面的作用是针对数据分析结论提出有指导意义的分析建议。
3、懂工具。指掌握数据分析相关的常用工具。数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作。
4、懂分析。指掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效的开展数据分析。基本的分析方法有：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高级的分析方法有：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。
5、懂设计。懂设计是指运用图表有效表达数据分析师的分析观点，使分析结果一目了然。图表的设计是门大学问，如图形的选择、版式的设计、颜色的搭配等等，都需要掌握一定的设计原则。
西线学院是一家专门为企业培养输送数据分析师人才的大型的培训机构，雄厚的师资力量，项目式实训教学，独创N+N授课模式即全日制授课加上工作实战辅导，得到了很多学员的一致好评。
数据分析师前景分析
现在项目数据分析师特别抢手,我给你提供一组数据你自已看一下就知道 了。
据统计数据表明，在今后的五年内，我国将需要 6 万名持有 项目数据分析师 证书的项目分析专业人才。政府经济部门、金融机构、投资公司以及企业对项目数据分析师的需求正在与日俱增。注册项目数据分析师（CPDA）职业的年薪会迅速提升到20万以上。
注册项目数据分析师就业方向:
1.发起成立注册项目数据分析师协会，占据社团法人的管理平台
2.登记成立注册项目数据分析师事务所，对社会开展投资服务咨询，收取相关服务费用
3.经授权负责某省市注册项目数据分析师（CPDA）授权考试管理/培训中心工作，获取丰厚的培训费收入，凝聚人脉
4.登记成立注册项目数据分析师（CPDA）应用数据服务中心
5.成立企业投资评估咨询管理公司
6.成立宏观经济、区域经济分析研究中心
7.承担项目管理外包业务
8.政府项目投资管理部门和招商管理部门；
9.国际投资管理评估咨询公司；
10.金融、证券、房地产、资本运营等公司决策部、项目部、策划部；
11.注册项目数据分析师协会；
12.注册项目数据分析师事务所；
13.经授权的某省市注册项目数据分析师（CPDA）授权考试管理/培训中心；
14.注册项目数据分析师（CPDA）应用数据服务中心；
15.企业投资评估咨询管理公司；
数据分析师的作用 越来越多的企业将选择拥有项目数据分析师资质的专业人士为他们的项目做出科学、合理的分析，以便正确决策项目；越来越多的风险投资机构把项目数据分析师所出具的项目数据分析报告作为其判断项目是否可行及是否值得投资的重要依据；越来越多的企业把项目数据分析师课程作为其中高管理层及决策层培训计划的重要内容；越来越多的有志之士把项目数据分析师培训内容作为其职业生涯发展中必备的知识体系。
数据分析师的工作职责
数据分析师指的是不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。
互联网本身具有数字化和互动性的特征，这种属性特征给数据搜集、整理、研究带来了革命性的突破。以往“原子世界”中数据分析师要花较高的成本（资金、资源和时间）获取支撑研究、分析的数据，数据的丰富性、全面性、连续性和及时性都比互联网时代差很多。在“原子世界”中，抽样调查是最经常采用的数据获
本文来源：http://www.gbppp.com/hd/434267/
推荐访问:数据分析师有哪些证书 数据分析师有哪些级别