一、分析岗专业技能？

分析岗的专业技能如下:

1，要成为数据分析师，基础的Excel处理数据，必须要掌握。

2，基础的sql，数据分析师一般都是用sql取数的，常用的mysql，SQL也是必须要掌握的。

3，可视化的报表，一般是tableau和BI的报表也是要会配置的。

二、数据分析师的电脑需要怎样的配置才能提高工作效？

电脑配置不重要了，中端以上，效率提升主要需要外设了！ 可宏编辑的键盘及鼠标，常用公式自定义到专门的键位 比如我经常用Excel，表格多，我的鼠标侧面有4个可编辑按键，a键复制，b键粘贴，c键回到桌面，d键关闭当前界面 你如果用的多，可以选择更多自定义按键的键鼠

三、EXCEL ZTEST 使用方法

ZTEST 全部显示全部隐藏 返回 z 检验的单尾概率值。对于给定的假设总体平均值 μ0，ZTEST 返回样本平均值大于数据集（数组）中观察平均值的概率，即观察样本平均值。 若要了解如何在公式中使用 ZTEST 计算双尾概率值的有关信息，请参阅下面的“说明”部分。 语法 ZTEST(array,μ0,sigma) Array 为用来检验 μ0 的数组或数据区域。 μ0 为被检验的值。 Sigma 为样本总体（已知）的标准偏差，如果省略，则使用样本标准偏差。 说明 如果 array 为空，函数 ZTEST 返回错误值 #N/A。 不省略 sigma 时，函数 ZTEST 的计算公式如下： 省略 sigma 时，函数 ZTEST 的计算公式如下： 其中，x 为样本平均值 AVERAGE(array)；s 为样本标准偏差 STDEV(array)；n 为样本中的观察值个数 COUNT(array)。 ZTEST 表示当基础总体平均值为 μ0 时，样本平均值大于观察值 AVERAGE(array) 的概率。由于正态分布是对称的，如果 AVERAGE(array) < μ0，则 ZTEST 的返回值将大于 0.5。 当基础总体平均值为 μ0，样本平均值从 μ0（沿任一方向）变化到 AVERAGE(array) 时，下面的 Excel 公式可用于计算双尾概率： =2 * MIN(ZTEST(array,μ0,sigma), 1 - ZTEST(array,μ0,sigma))。 示例 如果您将示例复制到空白工作表中，可能会更易于理解该示例。 操作方法 创建空白工作簿或工作表。 请在“帮助”主题中选取示例。不要选取行或列标题。 从“帮助”中选取示例 按 Ctrl+C。 在工作表中，选中单元格 A1，再按 Ctrl+V。 若要在查看结果和查看返回结果的公式之间切换，请按 Ctrl+`（重音符），或在“工具”菜单上，指向“公式审核”，再单击“公式审核模式”。 1 2 3 4 5 6 7 8 9 10 11 A 数据 3 6 7 8 6 5 4 2 1 9 公式 说明（结果） =ZTEST(A2:A11,4) 假设总体平均值为 4，以上数据集的 z 检验单尾概率值 (0.090574) =2 * MIN(ZTEST(A2:A11,4), 1 - ZTEST(A2:A11,4)) 假设总体平均值为 4，以上数据集的 z 检验双尾概率值 (0.181148) =ZTEST(A2:A11,6) 假设总体平均值为 6，以上数据集的 z 检验单尾概率值 (0.863043) =2 * MIN(ZTEST(A2:A11,6), 1 - ZTEST(A2:A11,6)) 假设总体平均值为 6，以上数据集的 z 检验双尾概率值 (0.273913)

四、CPDA数据分析师证书到底有没有用呢？

没问题，如果你说是项目数据分析师的话。我也在考，经管，计算机，数学等都可以。大三以上。储备知识就是它的教材吧，数据分析基础，量化投资，量化经营，还有个战略管理，全是excel。报名的话发教材技能要求：

五、【数据分析】Excel数据分析全流程

作为数据分析师， 清晰了解数据分析的步骤是非常重要的，有助于清楚把控整个数据分析的流程。

作为想要学习数据分析的人员，了解整个数据分析的流程， 这样在面对一个数据分析问题的时候，知道如何去开展。

那么数据分析流程包含哪些环节呢？

我将一次完整的数据分析流程主要分为六个环节，包括明确 分析目的、数据获取、数据处理、数据分析、数据可视化、总结与建议 。

做任何事情都有其对应的目的，数据分析也是如此。每一次分析前，都必须要先明确做这次分析的目的是什么，只有先明确了目的，后面的分析才能围绕其展开, 常见的数据分析目标包括以下三种类型：

指标波动型 : 主要是针对某个指标下降了，上涨或者异常所做的分析， 比如DAU(日活跃用户数)降低了， 留存率降低了， 电商平台的订单数量减少了， 收入降低了，质量指标如卡顿率上涨的，分析的主要目的是挖掘指标波动的原因， 及时发现业务的问题。

评估决策型 ：主要是针对某个活动上线， 某个功能上线， 某个策略上线的效果评估以及下一步迭代方向的建议，这些建议是指导产品经理或者其他业务方决策的依据。

专题探索型 : 主要是针对业务发起的一些专题的分析， 比如增长类的专题分析， 怎么提高用户新增，活跃，留存，付费， 比如体验类的专题分析， 如何提高用户查找表情的效率， 比如方向性的探索， 微信引入视频号的功能的用户需求分析以及潜在机会分析。

明确了数据分析目的之后， 第二步就是根据我们的分析目的，提取相对应的数据，通常这一个环节是利用 hive sql 从数据仓库中提取数据。

提取的数据通常要注意提取的维度和对应的指标个数，以电商app 的付费流失严重分析案例,我们需要提取的维度和指标可以根据具体的业务流程来(如图):

首先从维度上，我们需要确定好，比如时间维度我们提取的时间跨度是多长，比如今天的数据和昨天的对比，那就是取2天的数据，如果是这周和上周那就是十四天的数据。

设备维度的值是否需要提取ios和安卓的用户进行不同的平台的对比，分析付费流失严重是否主要发生在某个平台。

年龄、性别、地域维度，就是提取用户这些维度的信息， 主要是为了在哪一个年龄层， 哪一个性别，哪一个地域流失最严重。

新老用户的维度， 主要是从新旧维度上分析流失严重是否是集中在新用户还是老用户(如图所示)

确定好了维度以后， 接下来就是指标信息， 维度+ 指标才是一个完整的数据 。

因为需要分析每一个环节的流失情况，所以需要提取下单的每一个环节对应的指标的人数和次数。

基于这些人数和次数，我们可以计算每一个环节之间的转化率。

活跃浏览比 = 浏览的人数/活跃的人数

浏览添加比 = 添加的人数/浏览的人数

添加下单比 = 点击下单人数/添加购物车人数

成功下单率 = 成功下单的人数/点击下单的人数

当我们知道我们应该从哪里获取数据， 以及获取哪些指标数据后，为了保证我们提取的数据的质量，我们通常要对数据进行处理。

常见的数据处理有异常值处理，空值处理。举个例子， 比如我们在提取用户的年龄数据之前，我们需要去除掉年龄中的空的数据以及异常的数据， 异常的数据指得是比如年龄超过120岁这种。

数据处理好了之后，就可以开始分析，根据我们的分析目标，我们要选择合适的分析方法和分析思路去做拆解和挖掘。

常见的分析方法包括：漏斗分析， 相关性分析， 5w2h 分析， aha 时刻分析， 麦肯锡逻辑树分析法，用户画像分析，RFM用户分群，对比分析等方法，这些方法详细的介绍会在第三章展开， 在这里不做赘述

针对我们的订单流失的问题，典型的分析思路和方法是利用漏斗分析和用户画像分析。

漏斗分析主要是可以挖掘付费流失严重的主要流失环节是在哪里。我们发现付费流失严重主要是因为用户活跃到浏览商品的转化率从50%跌倒30%， 减少了20%，那就可以把问题定位到为什么用户浏览变少的问题上。

用户画像分析，可以帮助我们分析流失严重的用户是什么特征，比如什么样的年龄， 性别， 地域等， 那就可以知道这种流失是集中在哪一个年龄群体，哪一个地域群体以及其他的行为特征。

通过数据分析得出结论后，还需要用图表展示出来，俗话说得好，“文不如表，表不如图，用图表可以更清晰展现你的结论，通常的可视化我们可以利用excel 自带的可视化的功能， 也可以通过python或者R脚本进行可视化。

常见的图表有: 柱形图，折线图，饼图，条形图，面积图， 散点图，组合图，箱线图

当我们利用图表把我们的数据分析结论展示出来以后，最后就是数据分析的总结的部分，主要分成我们得出了什么具体的结论以及给业务具体的建议，告诉他们改进的方向。

这就是一次完整的数据分析的流程，从分析目的到提取数据，到分析数据给出结论的完整的过程。