本篇文章介绍的是来自贪心学院的10周成为数据分析师相关视频课程,该课程第一周是从数据分析导论入手,其次是项目初探:员工薪水探索性分析;第二周是讲解数据分析师思维方式和数据的科学运算与数据探索性分析;第三周便是从具体案例讲解和数据可视化的相关应用;第四周针对数据分析进行项目实战练习和使用正则进行数据的复杂筛选;第五周是数据分析项目实战第二阶段的相关视频;第六周则是数据分析项目实战第三阶段的相关视频课程;第七周是实战的第四阶段即电子书的数据化商业分析和互联网新贵;第八周讲解常见互联网业务的数据分析报告的制作及用户分层模型和互联网新贵二;第九周介绍的产品关联分析与商品画像体系实战和深入数据可视化更多图形数据可视化介绍;第十周是数据分析面试准备系列课程。
课程适用对象为:毕业求职,跨业转行,加薪提效,能力提升,留学定居这类人员。
Part1、数据分析导论
数据是什么?数据能做什么?
数据的变异性、规律性和客观性
优秀的数据分析师的三个特点
数据分析的四大步骤是什么
Part2、项目初探- .员工薪水探索性分析
企业级开发环境Jupyter的安装与基本使用
企业级数据处理流程的代码实现
Pandas的多类型文件处理与数据的函数运算
Python数据处理的原理与方法
Pandas的数据迭代逻辑与条件筛选
数据的行列以及区域访问
Part1、如何像数据分析师一样思考
互联网营销活动数据分析的基本模型
描述性统计指标的Excel处理(以用户 画像为例)
用Excel分析数据间的相关关系(以波土顿矩阵的四象限分析法为例)
用Excel进行预测性分析(以电商零售销量预测案例为例)
数据可视化的基5大本原则(图表类型、坐标轴、数据细节、颜色使用、维度展现)
Part2、数据的科学运算与数据探索性分析
NumPy数据运算的技巧
企业中脏数据的常见处理方法
Part1、不做只懂技术不懂业务的“工具人”
B站用户的用户分层案例讲解
蒙特卡罗模拟+亚马逊电子书案例进行讲解
项目讲解一bilili站内CPC广 告优化
CPC广告投放系统的要素介绍(关键词、单次点击竞价、单日预算等)
bilbii站内CPC广告业务场景与优化问题介绍(广告ROI较低,投放不精准)
bilbili站内CPC广告业务优化思路及数据分析过程(客单价、订单量、单个订单平均广告花费交叉分析)
CPC广告优化在复杂业务环境下需要考虑的要素(恶意点击、由图片加载失败导致的曝光失败、广告主品牌权重,广告主与流量主的品牌匹配度等)
Part2、数据分析与自动化办公必备利器:数据可视化
数据可视化常用图形及其应用场景
Part1、数据分析项目实战(一):电商平台订单报表分析
互联网电商平台数据分析的一般思路
bilbili会 员购平台业务背景及数据介绍
订单数据的数据分析基本思路一制作可 视化报表
可视化报表涉及到的Python知识点讲解
b站会员购订单数据的宏观分类与分析思路(待支付、已支付、已发货订单数据分类,不同分类的数据分析要点)
b站会员购订单数据的微观分类与分析思路(订单下单时间的小时、分钟分类,不同分类的数据分析要点)
b站会员购订单数据多表格数据的汇总与分析(周订单波动分析、一周不同时间用户购物习惯差异分析)
b站会员购订单数据针对用户属性判别的分析(下 单时间+客单价→用户活跃时间+购买能力- >用户身份(学生/社会人) )
b站会员购订单数据针对地区品牌渗透度判别的分析(送货地区+客单价→地区品牌渗透都+地区用户购买力-→头部市场/长尾市场地区划分)
订单可视化报表与用户画像的关系(引出下个章节的相关内容)
结合该章节内容介绍相关就职岗位(电商运营、零售商数据分析员、新零售运营)
Part2、使用正则进行数据的复杂筛选
企业中文本数据的产生及处理技巧
文本数据抽取与格式校验
文本数据抽取的必备技能:正则表达式到底是什么
正则表达式及其应用场景
正则表达式的知识点组成
Part1、数据分析项目实战(二):用户画像体系
互联网电商平台入驻商数据分析的一-般思路
亚马逊相关数据介绍(前台用户review数据+订单数据)
电商运营的杀手锏一 用户画像体系
什么是用户画像体系(用户属性数据+用户行为数据)
搭建用户画像体系(帮助电商平台入驻方获知自身的品牌定位和产品定位,同时梳理用户的搜索行为习惯)
用户画像在互联网业务中的应用场景和业务价值
用户的基本属性:性别、年龄、受教育程度、地域分布等
用户的行为属性:下单时间、促销敏感度、评论敏感度
用户的偏好属性:用户的加购数据
用户画像涉及到的Python知识点讲解(文件读取, 地图可视化,数据可视化技术,爬虫抓取技术)
如何搭建亚马逊美国市场用户画像体系(数据可视化)
用户地区分布分析(帕累托图,找到二八分布的头部市场)
用户购买习惯分析(折线图,找到不同地区用户的购物高峰时间帮助品牌商进行价格实时调整实现利润最大化,电商价格歧视相关概念及技术介绍)
价格地区分布分析(地图可视化,与用户地区分布分析结合进行交叉分析,找到长尾市场中的高客单价潜在市场)
用户画像对于多品牌矩阵运营的帮助(多电商入驻商店铺定位分析+市场分析)
用户画像对于用户搜索习惯的分析
Part2、全链路的自动化汇报
Part1、数据分析项目实战(三):以数据分析为导向的运营体系搭建
流量运营案例:如何用数据分析的思路解决广告优化问题
电商广告业务简介及传统分析链路数据分析
什么是漏斗模型及何建立漏斗模型
怎么运用漏斗模型优化广告投放
多广告组分析时如何进行优化决策
电商运营案例:如何利用数据分析的思路解决市场分析与仓储备货问题
仓储体系数据化(简易计算法、计量计算法、数学仿真法)
市场体系数据化(微观:销量同比/环比,销量权重对比,日/周/月
销量对比;宏观:市场占有率计算,宏观市场分析,平台数据抓取与分析)
运营体系数据化(从需求角度/竞争角度优化关键词,如何量化关键词评分,转化率分析+用户访问深度分析,PV/UV的概念介绍及计算)
产品运营案例:如何利用数据分析的思路使产品快速迭代
用户生命周期与使用习惯的精细化运营(不同生命周期的用户予以不同的展示页,A/B test,价格歧视策略)
合用户使用习惯的增长黑客法则(如何找到magic数字,如何通过埋点使产品使用用户快速增长)
结合该章节内容介绍相关就职岗位(头部互联网公司产品运营、广告数据分析师、流量数据分析师、流量运营、电商数据产品经理)
Part2、深入数据分析与人工智能
什么是人工智能能及人工智能的知识体系
人工智能、机器学习、自然语言处理、深度学习、知识图谱、大数
深度剖析人工智能与数据分析的关系
成为数据挖掘工程师与大数据工程师的学习路线
数据挖掘的常用算法模型原理
Part1、数据分析项目实战(四):亚马逊Kindle电子书的数据化商业分析
亚马逊Kindle商业分析与腾讯行业研究相关经验分享
业务分析偏向于战术指导,商业分析偏向于战略指导
0-1变量、时间序列变量的介绍,以及多变量线性回归的概念介绍
据化商业分析涉及到的Python知识点讲解 (多变量回归、聚类分析、非线性回归)
亚马逊Kindle书籍多渠道商业分析项目背景介绍(电子书发售时间对书籍整体销量的影响、电子书发售时间对电子书的影响、电子书发售时间对实体书销量的影响)
亚马逊Kindle书籍多渠道商业分析数据处理思路讲解
Kindle书籍聚类分析方法讲解
电子书对实体书销量影响程度判断与影响因素确定(价格、 发售时间、review评分等)
结合该章节内容介绍相关就职岗位(垂直互联网公司商业分析师、头部电商入驻商商业分析师、零售/快消行业数据分析师)
企业中数据的分类与来源
数据与数据库的本质MySQL数据库的组成
数据库的岗位衍生与知识分布
条件控制下的更新与删除,企业中数据删除的原则与数据分析师追
Python操作数据库的技巧
Part1、常见互联网业务的数据分析报告的制作及用户分层模型实战项目与业务逻辑回顾:数据报表(数据源) - >用户画像(数据分析) - →数据化运营(决策指导) -→商业分析(宏观判断) - >分析报告(结论梳理)
互联网运营/电子商务运营中统计指标拆解
互联网产品的指标体系(以AARRR模型为例)
用户数据指标及其可视化展示: D (DAU、MAU、新增、留存、渠道来源等)
, 行为数据指标及其可视化展示: P (PV、UV、转化率、访问时长、访问深度、弹出率等)
业务数据指标及其可视化展示: G (MV、ARPU、付费人数、付费率、付费频次等)
什么是RFM模型及何构建RFM模型
RFM模型实战结合该章节内容介绍相关就职岗位(头部互联网公司数据分析师)
数据库在企业技术架构中的角色,Python操作MySQL
Part1、产品关联分析与商品画像体系实战关联度分析
商品画像体系(电商平台类目的划分是怎样的,以腾讯微店的案例讲解子类目与母类目的从属关系,如何通过电商类目划分与商品数据梳理出电商平台商品画像体系)
搭建商品画像体系(平台定位,供应商定位,KA商家与长尾商家的划分)
购物篮分析(什么是购物篮分析,啤酒与尿布的案例引导,关联分析
与购物篮分析的关系,关联分析中的支持度、可信度、提升度分析,购物篮分析对于电商平台的运营决策辅助)
产品定位分析(波土顿矩阵概念介绍,金牛型/明星型/瘦狗型/问题型产品及类目的划分)
结合该章节内容介绍相关就职岗位(头部电商公司数据分析师)
Part2、深入据可视化化更多图形数据可视化介绍
PyEcharts的图形结构与研发理念
PyEcharts中的那些酷炫图形以及应用场景
如何撰写一份有吸引力的简历
数据分析师的职业发展规划
数据分析师面试的三类问题:技术问题、逻辑问题、业务问题
面试中你应该如何展现自己
看了下还挺好的。就是贵。
Coursera上杜克的类似课400多一个月,有中文字幕。