很多人在做数据分析的时候，不知道怎么去开展，或者怀疑自己做出的分析报告是否合理、是否全面，这是因为你对这一套标准化流程没有真正的理解。

如何通过科学的流程，来得出有价值的分析和建议？今天我们就来讲一下。

数据分析整体流程

来看一下标准化流程的九个步骤：

明确问题——先把问题定义清楚，因为很多人还没理清问题就直接去看数据了；

搭建框架——定义问题之后再把问题考虑全面、找到一条分析主线；

数据提取——用 MySQL、Hive 等工具提取相关数据；

数据处理——用 Excel、R、Python 处理数据；

数据分析——以数据分析方法论为主来分析数据；

数据展现——用 Tableau、Excel、R、Python 工具把你的数据展现出来；

撰写报告——考验你的文笔功底以及整体逻辑性；

报告演讲——考验你沟通能力，表达能力，被提问能力。所有的报告撰写完成之后不要直接去讲，还是要和业务方进行大量的沟通，如果不提前做好沟通，你在会议或公众场合上讲时很容易被别人挑战；

报告闭环——这是最难也是最大价值的地方。

这里面的数据提取、数据处理、数据展现是数据分析师前期的基本功，以工具为主，都是比较容易学到的，也比较容易完成。而明确问题、搭建框架、撰写报告、报告演讲、报告闭环更多是考验分析师的综合能力以及智商、情商，所以这块往往需要很多时间去沉淀。

基于数据分析这一套标准化流程，其中涉及一些行业常用的工具，这些工具都能做什么？如何匹配不同的场景去使用？下面我简单讲一下。

数据分析常用工具

1、MySQL、Hive：

基本上所有的数据获取方式都是通过 MySQL、Hive 这两种语言来实现，同时你要学习一些 linux 命令，因为在排查数据异常时会用到。你需要对这两门工具超级熟练，因为数据提取环节是不能出错的，这一步有问题，后面就都有问题。

2、Excel：

Excel 是最高频的数据处理工具。工作中你经常遇到的一种情况，你的 leader 直接让你现场画个图，这时你最有可能用 Excel 而不是 R、Python。

3、R：

R 是一门统计型语言，专门为数据分析而生，简单易学，但缺点是计算能力确实比较差，你导入两个 GB 数据就有可能导致死机。

4、Python：

一门脚本型语言，可扩展性极强，算法必备，但是计算能力确实比较差，你导入两个 GB 数据就有可能导致死机。

Python 和 R 的区别

作为数据分析中最常用的两种编程语言，一直有同学好奇 Python 和 R 有何异同。

Python 和 R 相比， R 的机器学习算法语言 Python 都能很快实现，而对于下面所说的几种情况，R 稍微来说就有一点难度了。

爬虫：爬虫在工作中价值很大，比如爬取一些竞品的数据，用 R 不方便。

比如资讯类 App 的很多文章是通过爬虫下发给大家，像今日头条的一些文章。

文本挖掘：对评论数据研究价值很大，比如对 App 评论数据的分析，从而知道如何去做评论运营闭环。

如京东网易 App 的评论运营，其他 App 的热点评论置前。

UDF 函数：Hive 自定义函数有时并不能满足需求，此时就需要自己定义函数来实现需求，这时就可以用 Python 写个 UDF。

如计算机尼系数，在 Hive 中直接调用 UDF 能够很快输出。

对于算法研发同学：个性化推荐、底层运维、Web 开发都是通过 Python 来实现。

总而言之，Python 是非常强大的第三方库。

不管什么样的工具，都是为实现目标所用的“术”，但若想完整的跑通业务，还需要数据思维、业务拆解、方法论这种“道”，希望同学们都能既掌握“术”，更掌握“道”，成长为优秀的数据分析人才！

本文转自公众号：勾勾谈数据分析

欢迎大家去找勾勾畅谈数据分析哦