请问如何判断自己是否适合数据分析？(怎么判断一个人是否适合做数据分析？)
怎么判断一个人是否适合做数据分析？
相信每位数据分析初学者、面试官心里都有这样一个问题，来看看资深数据分析师@joegh（网站数据分析webdataanalysis博主）和曹政是怎么回答的。问题的提出：@小蚊子乐园 在微博上和大家讨论，部门招聘，现几个人原来是在不同的岗位上的,以前没有做过数据分析,怎么样才能看看出他们是不是适合做数据分析呢,在进行竞聘时使用什么样的题目会比较合适有效呢？ 大家有何妙招没？问题1：@小蚊子乐园 在微博上和大家讨论，部门招聘，现几个人原来是在不同的岗位上的,以前没有做过数据分析,怎么样才能看看出他们是不是适合做数据分析呢,在进行竞聘时使用什么样的题目会比较合适有效呢？ 大家有何妙招没？@joegh：我觉得无论什么工作兴趣最重要，要做数据分析师最基本的就是不讨厌数字，如果你跟他讲那个指标是通过怎么样的乘除加减得到的，他会觉得不耐烦，那么显然他不适合做数据分析；如果对数据较敏感，能够一眼发现异常值，数据分布情况，当然是最好的。再则就是逻辑性，可以让他试试爱因斯坦的那道经典的逻辑题，看看能否解出来，需要多久；逻辑思维对数据分析尤其重要，不然会被各种指标的定义规则、与业务的联系纠结死，逻辑思维好的人写SQL等数据处理脚本也会更加高效。接着是业务理解能力，最简单的就是让他定义下网站的目标是什么，哪些指标可以作为KPI，用户从进入网站到达成网站目标的整个过程是怎么实现转化的，能否画出业务流程图。（宏观层面，不要深入细节）如果偏技术则需要懂一些数据库结构和SQL，如果偏展现需要考验下对图表的掌控能力，什么时候用什么图表合适，甚至如何配色。最后就是细心、耐心和交流能力，做数据分析有时会很纠结，细心和耐心是必需的，好的交流能力可以让数据分析师更好地阐述清楚各类问题。这些都是比较基础的东西，也是短期难以培养起来的技能。至于另外业务相关的一些知识，可以通过培训获取，问一个未接触过你的网站业务的人一些业务知识其实有些不公平，其实如果具备上面几点，一旦熟悉网站和业务之后，一定会成为优秀的数据分析师。问题2：用什么题目测试更有效？
曹政：1、问问他喜欢什么，平时对什么事情有兴趣，然后挖掘这些事情中他关注什么数据，比如买彩票？炒股？看nba？其实里面都有很多数据，他在他喜欢的领域，如果能对数据如数家珍，对数据的解读能到位，（比如对某个nba 球星的数据和所对应的表现状态做评论）至少说明他有很强的数据感。数据感是做数据分析的第一要务。2、问问他对数据分析的理解和目标，看看他是怎么认识这份工作的。3、常见数据分析误区有非常多经典范例，给出几个测试题（容易产生误判的数据案例）让他分析解读一下。4、典型场景分析，在某些业务场合中，最需要关注什么数据，如何解读其中的一些数据特征。当然，3和4需要面试官或者说主考官有非常资深的场景把握和丰富健全的范例库，如果主考官自己都把握不住，那就没辙了。
如何判断数据是否合适因子分析
一般根据KMO值和巴特莱特球形检验判断，前者一般要大于0.6，后者则要达到显著性水平。
怎样的人才适合做数据分析师
对数据分析有兴趣，对数字敏感，具备excel、sql、统计学等知识，可以去大讲台去体验他们的数据分析课程，如果能学会就是适合，学不会就可能不太适合。
如何选择数据分析方法
数据其实是非常的客观的，但是数据本身并不会告诉你多少有价值的东西，其中蕴涵的内容才是我们应该去发掘的。我们通过数据分析将现实中的问题简化成数字问题，从而得到解决问题的建议。
需要注意的是，数据分析只是工具，不是目的。我们进行数据分析是为了让分析结果能反映现阶段的情况，并对下一步计划产生指导意义，所以千万不要为了分析而分析。
1、明确目标
一切分析的基础都是需要明确目标，在此之前，不要开始任何分析，因为那很可能是无用功。
一般来说，目的主要有以下三种。
分析现状，反映目前的状况，并且帮助我们制定下一步计划。
分析问题，针对出现的问题，分析其中的原因并找到解决办法。
分析变化，当产品的情况出现变化时反映变化的情况，并找出原因，有针对性的进行下一步行动。
2、明确分析范围
因为数据的量和维度都非常的多，我们在明确目标后，就必须选定我们分析的范围，明确的分析范围能避免分析报告内容太多，而且不深入。
需要注意的是，确定范围后我们就需要进行数据采集了，但是具体要采集什么样的数据，不是我们平常的“自然语言”描述就可以实现的，需要抽象成“数学语言”表达出来。
3、数据采集
确定了范围后，我们就可以采集数据了，需要采集哪些数据也是有讲究的，它也是需要我们用“数学语言”来表达的。一般来说，需要采集的数据分为以下3类，这是最基础的：名称、数量和转化率。
名称：某些数据的结果不是以数字形式展现的，比如某某功能
数量：这个比较简单，比如：某某功能的点击次数
转化率：有些数据单独的看，是不能说明问题的，例如：光看一个功能的点击次数，我们不能得出这个功能是否吸引人，是否需要改进，我们还需要看完成这个功能的人数。然后将两个数据相除后得到这个功能的转化率。
以上都是一个分析中最基础的指标，在实际数据分析中，还会有更多更细致的维度。比如：用户点击这个功能后，停留时间，退出的数量，在中途放弃的数量等等。
4、数据清洗
采集数据后，这些数据并不是直接就可以用的。因为可能会有一部分“脏数据”会污染我们的数据，进而影响我们的分析结果。这就需要进行数据清洗，将不符合要的“脏数据”清洗掉。
比如，某个用户一直在点击某个功能，每秒固定点击1次，然后退出，那么这个“用户”很可能是个机器，而不是人。这些数据是不能用的。
一般“脏数据”有以下几个类型。
频率异常：正常用户的使用一个功能的频率一般会保持在一定范围内，不会太频繁。
总数异常：比如某一个用户一个人就拉高了整个数据的水平，让某个功能点击率陡然上升。
行为异常：这个就比较复杂了，对应不同的业务有不同的理解。比如：比如一个购物APP，一个用户的多次的下单，然后退货，这类数据就是应该排除的。
5、数据整理
收集完成后，我们需要对收集到的原始数据进行整理。因为收集出来的数据必然是比较乱的，不能直接拿来分析。整理分析分为汇总和拆分两种。
（1）汇总
有些数据比较杂乱无章，我们要按照某个维度汇总才能进行效果的观察。比如：我们需要观察某个功能上线后用户行为的变化，就可以按照上线前和上线后的用户行为数据进行分类汇总，然后通过两份数据的对比来得到结论。
（2）拆分
有些原始数据并不足够细致，需要我们依据数据的关系进行数据拆分。例如，一个功能的入口可能有多个，我们就需要确认每个入口的量，甚至完成整个功能的量，这些数据会让我们更加了解我们的用户行为。
6、数据对比
整理完数据后，我们要进行数据对比。这也是数据分析中非常重要的步骤，因为数据分析的结果绝大多数都来自于对数据的对比。比如：一个功能改进前和改进后的转化率，肯定要经过对比才能知道我们的改进是不是有效的，有效多少。通常对比方法有以下几种。
时间对比。通过时间节点前后进行对比数据。例如：某个营销活动，促进注册、活跃等，我们就可以得出这个营销活动能够带动日活的结论。
空间对比。在我们生活的世界中，因为人们所存在的空间不同，会有不同的行为。比如：通过数据分析，我们会发现，东北的羽绒服效率比海南高，于是我们就可以判断羽绒服在东北更加畅销。
人群属性对比。在用户画像中也提高过。不同的年龄层对于不同事物的看法不同，会导致某个功能在不同人群中的差异性。
依据分析目的灵活地选定对比范围，能让我们从数据中挖掘到我们想要的东西。
7、原因探寻
数据，通过对比呈现出来，能够反映一定的现象，但是造成这些现象的原因还需要我们来寻找。
原因的分析方法有很多，可以正推导、反推导。我们可以结果，那假设原因，再去求证。或者通过某个功能的整个流程进行梳理和复盘，结合数据来分析每一步发生这种情况的原因。
或者通过数据来复盘某一个活动，来分析活动输出的这种数据或好的或坏的原因是什么。
8、展现结果
完成上面的7步，我们的数据分析报告也就差不多了，当然我们必须形成一个比较完整的文档来反馈给相关人员。
我们可以把报告分成以下3部分。
数据分析背景：向大家交代分析的背景与原因。
主要结论：给出主要结论，方便不需要了解细节的人阅读，或领导。
具体分析过程：向大家说明分析的步骤并展示具体数据。
这样就完成了一篇还比较靠谱的数据分析报告。