數據分析好學嗎？很好學！然而很多同學學著學著就鉆進誤區，結果空耗力氣不說，還不解決問題。今天陳老師就來盤點下，常見的八大誤區。同學們有則改之，無則加勉哦。

一、目標不明，貪大求多

學數據分析到底是為什么？常見的回答：

1、我想換個數據分析的工作

2、我想提高工資收入

3、我對數據很感興趣

4、我需要解決一個具體問題

5、我看“大數據”“人工智能”很時髦

單獨看的話，每一種想法都沒錯。每一個想法，能堅持到底，也都能達到目標。但怕就怕：把這幾個玩意混到一起，畢其功于一役。想學一個技能，且能解決眼前的問題，且以后能找個大廠工作，且工作很符合自己興趣，且工資收入能漲好幾倍，且快速地實現以上所有目標……

歷史一再教育我們：且字越多，失敗概率越高。目標太多，會直接導致學習失敗。我們經常能看到，一個雄心勃勃的同學一口氣買了20本書，從《統計學》到《西瓜書》，從《21天0基礎學習python》到《誰說菜鳥不會數據分析》……攤在桌子上滿滿當當，結果幾個月下來啥都沒學會。

本質上看，數據分析是典型的交叉領域知識，涉及的科目非常多（如下圖）。如果目標不明確，很有可能在某個分支里深陷泥潭無法自拔。

圖片

二、限于一隅，鉆牛角尖

與上一種情況相反，有些同學走的是牛角尖路線。

• “我就是那個要成為excel王的男人”
• “我就是那個要成為sql王的男人”
• “我就是那個要成為python王的男人”
• ……

鉆研一門技術本身沒啥問題。怕的是，鉆研技術不是出于對技術的熱愛，而是覺得：“我成為excel/sql/python王以后就能升職加薪了吧……”

額，明確回答：不能

一來，想達成“王的男人”難度太高，短時間根本不可能

二來，公司不是按軟件/工具/技能給薪資，而是按崗位給薪資

一個崗位要解決具體問題，往往是結合實際的、多種技能組合。沉迷一隅，經常是苦學半年，還是啥問題都解決不了，更談不上升職加薪了。

三、求職提升，混為一談

在設定學習目標的時候，到底是想提升目前崗位/行業的適應能力，還是提高自己在人才市場的競爭能力，是兩個根本方向性問題。

提高人才市場競爭力：滿足的是未來意向企業的需求

提高目前崗位適應力：滿足的是當下企業的需求

除非未來求職企業和當下企業的行業地位、業務場景差不多，否則滿足當下需求的，和滿足未來需求的一定不是一回事。更不要說跨行的了。常見的情況整理如下，同學們自行對號入座，做好學習路線的設計。

四、跨行跳槽，訓練不足

這是跨行同學常見問題，特別是跨度很大，過往經驗很少幫助的時候。很多同學問：“老師，我學會excel，sql，python了，能找啥工作？”這時候經常被我一句反問：“啥叫學會？！”

相當多的同學只是對著網上案例、書本練習題敲了一遍鍵盤，運行一下發現能跑出結果，就算自己學會了。訓練度太低，導致筆試的時候丟三落四，面試的時候丟東忘西，結果肯定不行。

所有技術類操作，需要充足的訓練度保障。最好的方法是“四個同一”（如下圖）

圖片

五、逃避技術，碰碰業務

這也是跨行的同學常見問題。很多同學想跨行選擇業務方向，不是因為自己很擅長業務分析，而是“覺得我技術不行，就先干干業務吧……”然后真到面試的時候，連對方是做啥業務的都不知道，最后折戟沉沙也是理所當然的呀。

注意：市面上所謂業務分析，大部分不是孤身一人在業務部門的“野生分析師”，就是給業務整理excel表的表哥表妹，工作初級、簡單不說，以后再換行也沒啥幫助，還是得老老實實補回技術能力。

真正做業務分析且高級的崗位，往往是用戶運營、增長黑客、渠道推廣等強力業務部門的業務人員自己干了，本質上拼的是業務能力，不是excel里拉個透視表。

真的想往業務方向發展。在學習的時候，需要的是擴充見識，是對一個具體行業具體流程的深入了解，對數據采集方法與數據形式的細致研究。這些知識可以看諸如《增長黑客》《精益數據分析》這種理論書補一點，但是更大程度需要個人對行業的深入了解。不然一落地到具體的操作層面，100%會抓抓瞎（如下圖）

圖片

六、同行跳槽，缺少深度

很多在同行間跳槽的同學會遇到這個問題。明明面試的崗位就是普通的分析崗，卻在面試時候被各種高難度問題懟得暈頭轉向，然后懷疑人生地問道：

“做這種分析還需要建模？”

“做這種分析還需要理論？”

“做這種分析還需要方法論？”

這種情況，其實就是招聘內卷造成的。大家明知道丫不需要用，但是面試官還是會問，不然咋淘汰掉其他人呢？可如果真去學，平時又用不上，又不知道哪里是個頭，咋辦呢。

這時候的學習，記得：寬度大于深度。先記住諸如統計學、機器學習、推薦算法的目錄。把每一類問題常用方法，基本思路記下來，之后有空余的情況下再練案例，之后再有空余情況下再聯系實際做嘗試。

這樣至少面試時候不會直接被打啞火，能應付過場面。同時和自己經驗結合時候也容易說“方法就是這幾種了”。

七、死鉆技術，忽略場景

在職，想解決實際問題的同學，經常遇到這個問題。最典型的，就是一張嘴：

“用戶畫像的標準做法是什么”

“預測模型的常見做法是什么”

“原因分析的科學做法是什么”

你問他為啥要強調“標準”“常見”“科學”，答案都是：

• 領導不認可
• 同事不買單
• 客戶不接受

這個已經跟“標準”“常見”“科學”沒關系了呀，這是怎么搞掂人的問題。這種問題其實沒啥書可以參考，要看，也是看《溝通學》或者《管理學》而不是《高級預測建?！贰?/p>

類似的場景非常多，比如

• 需要溝通解決的：口徑統一、考核目標、評價標準
• 需要管理解決的：缺少管理規范、有規范不執行
• 需要技術解決的：工作流程沒有數字化、缺少數據采集
• 需要業務解決的：缺少策劃思路、業務能力不足、缺少經驗積累

這些都會導致實際工作中數據分析做不動。而且這些因素和數據分析沒半毛錢關系。因此要想通過學習解決這些問題，就不能只盯著數據分析，而是從多個角度思考：到底怎么辦。這里教大家一個簡單的判斷準則（如下圖）：

圖片

八、總想系統，忽略實際

有些同學在日常學習的時候，總想著：系統練練。想法沒有錯，但是指望著在一個數據集里，甚至一張大寬表里，就騰挪跌宕地把各種操作都練習完畢，就很容易出問題。

一來，實際工作中數據表結構復雜，不可能一張寬表走天下

二來，實際工作中問題發生很分散，不可能一張表內涵所有問題

如果執著于：找一張寬表把技能全練了。不但會發現很難找到100%滿意的數據集，而且即使找到一個看似很適合練手的，練完了實戰時候還是掉鏈子。因為實戰時候，分解問題才是第一步工作。

真想系統性學習，第一步要做的是分解清楚，哪些是業務問題，哪些是技術問題，哪些是數據采集問題，哪些是數據提取問題，提升自身分辨能力，之后每個科目通過專著提升能力，這樣遇到問題才能游刃有余。

小結

八個問題，其實都是源自最初的：目標不清。在各個工作里，數據分析是有最多理論支持的，其中每一個科目深入下去都深不見底。因此給人一種錯覺：只要我看書看得多，就能包打天下了。

但實際上：

• 數據分析的工作場景非常復雜，混雜了：理論、業務、技術、目標、人情世故種種問題。
• 數據分析的求職信息非常胡亂，各種名詞滿天飛，掛羊頭賣狗肉情況非常多。

這些復雜情況還因人而異，水平不同的人難度根本不一致。因此遇到問題，先別急著買20本書，先梳理清楚到底自己想要啥。突出重點，把自己目標里的“且”字多干掉幾個，后邊就自然輕松了。