成为数据分析师经典读后感有感

　　《成为数据分析师》是一本由托马斯·达文波特 / 金镇浩著作，浙江人民出版社出版的平装图书，本书定价：62.90元，页数：190，特精心从网络上整理的一些读者的读后感，希望对大家能有帮助。

　　《成为数据分析师》精选点评：

　　●呼呼欲睡！（反而是了解到了5种couples的离婚率哈哈哈哈哈哈。

　　●开启一系列的第一本。

　　●内容很浅显。翻译略尴尬，还是得找了解相关内容的人翻译啊！

　　●泛泛而谈，唯一用处是让我重视了数据分析。继续在得到上搜寻更好的数据分析书吧！

　　●作為入門書籍不錯，提供了一個好的分析框架（套路）。但是後面就這框架的大量使用的案例，多少有點高不成低不就的尷尬。翻譯明顯不熟數據需要改善。但總過閱讀流暢不會太難消化。

　　●提供了一个分析的思路，思路不一定完全套用，但总有一两点有点启发价值，但篇幅太大了，写了博客简要说一下和这本书的内容也不会有太大的区别。

　　●这本书稍微有点尴尬，对于想学得专业点的人来说，这书内容太浅了；对于想学皮毛的人来说，很多例子又太深了.....不过还是对分析思维能够有一个初步的了解

　　●给了形成分析思维的方法，适合入门

　　●没什么正经有用的干货和案例，而且对于文中一些专有名词也不做解释，除了知道开篇的三个阶段六个步骤，其他一无所获。

　　●工作中最重要的事情，就是充分理解问题是什么，以及这个问题为什么重要。首先，好问题应该把范围界定清楚。其次是聚焦。

　　《成为数据分析师》读后感(一)：可能是书中最有价值的一点

　　

这本书的侧重点感觉更偏向于数据分析师与决策者的合作。所以在对数据分析的思路挖掘与方法挖掘上，并没有特别的让人眼前一亮的内容，但是如果你是一个希望数据工作有所落地的人，那这本书的前半部分还是很值得一看的。例如书中说到的，“分析师通常有这种习惯，即完全不考虑利益相关者就直接一头扎进分析工作当中。对自己所掌握的分析技能越是自信，分析师就越不会考虑分析结果最终呈现给谁看以及决定根据分析结果采取行动的“决策者”是谁。”

“而如果你不能针对下面的大部分问题给出肯定的回答，那你的项目可能从一开始就会陷入困境： ·哪些高管和定量分析项目的成功息息相关？·他们是否对存在的问题和问题的解决方案有一个大概的了解？·他们是否有能力提供必要的资源？是否有能力推进定量分析项目成功所必须的业务变革？·他们是否都支持在决策制定过程中使用分析和数据？·你所推荐的分析案例和交流方式是否与他们常用的思维与决策方式相一致？·你是否计划向他们提供定期反馈和阶段性成果报告？”

感觉看这本书能看到这段话就非常值得了，于是给了四颗星，棒棒的。

　　《成为数据分析师》读后感(二)：以终为始的“7个好习惯”之一，同样适用于数据分析实例

　　

梗概：

本书分两部分。第一部分是分步骤介绍达文波特提出来的6步数据分析方法论；第二部分是6步方法论的延展，比如说与创造性思维的结合，如何培养自己的数据分析能力，如何与商业相结合。第二部分的三块内容太过分散。我感觉着力看完第一部分与第二部分中的“如何培养数据分析能力”就足够了。其他的内容尽可忽略。

适用人群：

　　适用于希望开启数据分析之路的人。在实际职场中，很多人为了分析而去分析，接到了来自甲方或上级的任务之后，还没有弄清楚到底需要分析什么就盲目地开展数据收集和分析，结果事倍功半。这本书介绍了整个分析的思路，start from a business case，以终为始，才能清楚你需要什么方向的数据，以及最终产出会大概长什么样子。但是如果你想学习数据分析的具体方法，或者统计名词，再或者如何用可视化工具来呈现分析结果，那么这本书不会是一个好的选择。

关于本书我喜欢的：

　　当然是6步方法论，整个思维过程提高了我做数据分析的效率。在看本书的过程中，我同时也在阅读《用数据讲故事》，《统计思维》等其他相关的书，这些书可以被认为服务于6步方法论中的某一个步骤。比如《用数据讲故事》就是6步方法论的第6步；《统计思维》是6步方法论中的第5步。这本书更多的价值是提供了一个总体的思路，帮助我把其他与数据分析相关的书用一条线连接了起来。

关于本书我不喜欢的：

　　1, 错误，我不喜欢的是这本书里的错误，不知道是翻译的原因，还是原著本来就是这样。比如P68和P69页作为两个不同词条而重复出现的同样的概念 - “独立变量”；再比如P128至133页的实例中晦涩难懂的句子......

　　2, 我不喜欢第二部分中除了“如何培养数据分析能力”以外的所有其他部分，感觉就是临时拼凑上去的。

　　写于2019年5月

　　《成为数据分析师》读后感(三)：职场必备技能：用数据说话

　　如果这个世界上有通用的逻辑，那便是数据

　　成功的沟通应该是“我说了，你懂了”。但是因为文化背景的差异或者个人阅历的不同，即使我们讲得是同样的语言，仍然可能出现“我说了，你却不懂”或者“我说了A，你却理解成了B”的情况，这时候没有比用数据来讲话更直接且有效的方法了。举个简单的例子，医生常常告诫我们要保持充足睡眠，因为睡眠不足对身体伤害很大。对于这样的告诫绝大多数人都会左耳进右耳出，因为对医生所说的“伤害很大”并没有什么概念。但是如果医生说得是，研究指出：每晚睡眠不足4小时的成年人，其死亡率比每晚能睡七八个小时的人要高180%，而且睡不够的人衰老速度是正常人的2.5-3倍。你是不是瞬间就能明白睡眠不足的伤害有多惨烈了？！

　　相较于语言，数据的存在更客观且可视，所以往往会更有说服力，但是我们学会用数据说话的意义绝不仅限于如何更有说服力地去和我们客户或者上司沟通。随着网络的发展，数据开始变得泛滥，也变得如此唾手可及。如何将这些数据分类，找出其中含义和内在关联，从而更好地做出决策或者为客户提供更有价值的产品和服务才是我们职场力的重中之重。托马斯.达文波特和金镇浩共著的这本《成为数据分析师》，虽然书名看起来很专业高深的样子，其实是一本非常入门的书。书中内容的重点不是教你如何去分析某些具体的数据，而是教你怎样像分析师一样思考和利用数据解决问题。

　　书中提到，根据分析采用的方法以及收集和分析的数据类型可以将分析分为定性分析和定量分析。定性分析主要是深度了解某种特殊现象出现的根本原因和诱因，而定量分析则是通过统计、数学或计算的方法对现象进行系统的实证研究。简单点来说，定性分析是从特殊案例中收集数据，然后分析这个特殊案例产生的原因；定量分析是从大量案例中收集数据，去进行统计分析，发现某些数据之间的关联，然后再基于这些关联去预测另一种现象出现的可能性（更简单点说，定量分析就是基于过去的数据去预测未来）。

　　不管是定性分析还是定量分析，都可以分为3个阶段，6个步骤。

　　阶段一：构建问题

　　医生治病，讲得是对症下药。其实职场人的工作也是一样，想要解决一个问题，首先要做的就是弄清楚这个问题到底是什么（也就是识别问题），之后你才能去对的地方收集数据，才有可能做出正确分析和提出正确解决方案。在识别问题的这个步骤中，作者提到一个很重要的点---注意利益相关者。俗话说，一千个读者，一千个哈姆雷特。同一个问题，站在不同的角度去看，很可能也会看出不一样的结果。所以从一开始你就应该和这个问题的利益相关者站在同样的角度去识别问题，这样才能确保你最终得出的结果能够被他们所接受。

　　另外，在确定了问题是什么之后，不要马上着手去解决问题，而是应该先回顾一下之前的发现。因为那些我们认为很特殊的问题，也有可能早有人已经遇到过并且解决过，那么我们也就没有必要再去做重复的工作了。

　　阶段二：解决问题

　　这个阶段要做的工作主要分为三步：1.构建模型或确定变量（是定性分析还是定量分析？定量分析的话要去分析的变量又是什么？）2.收集数据 3.分析数据

　　很多数学不好的人到了这个阶段可能就会开始发怂，然而正如作者所言，“数据并不是定量性思维的关键，将信息分类的方法才是”。当然，如果你真得觉得你拿不下这个阶段，不如就直接找专业的数据分析师一起合作吧。术业有专攻，没有必要把时间和精力过多地耗在自己不擅长的事情。但是你仍然需要清楚这个阶段的操作流程，这样你才能检验你的数据分析师给出的数据是否符合逻辑，才能在必要的时刻针对他们给出的数据提出进一步的问题。

　　阶段三：传达结果并采取行动

　　曾有人说，不被使用的技能，都不算你真得拥有的技能，就像你会读书而不读书一样，会不会读其实没有区别。你千辛万苦地得出了一个正确的结果，如果不能成功地传达给对方，那这个结果正不正确其实也没有什么意义了。所以，在这一阶段也切莫掉以轻心，而是要和前两个阶段一样的努力去完成哦。就像文章开头说的一样，我说了，你也真的懂了。

　　《成为数据分析师》读后感(四)：《成为数据分析师-6步练就分析思维》

第一阶段：构建问题

一、识别问题

　　1、自我反思

　　问题是什么

　　问题为什么重要

　　解决问题最终期望达成目的

　　2、关键人物

　　受众是谁？

　　项目成果受众及他们行为模型，是否适用？

　　让一线业务人员受众了解分析安排，评估对于分析认可度，利于分析调整及结果执行？

　　支持高管

　　高管行为模式，能如何协助你推动事件发展？

　　高管能否推动业务变革？

　　你是否计划向他们提供定期反馈和阶段性成果报告？

　　3、常用方法

　　预测分析结果，预估决策模型，让利益相关者有预期

　　问题构建是指定问题并解决问题过程

　　创造性构建问题，做出假设

二、回顾之前发现

　　回顾之前项目经验看是否有能借用，迁移的部分

第二阶段：解决问题

三、构画建模或选择变量

　　假设独立变量

　　建立模型，预测与解决问题

四、收集数据

　　数据类型：原始数据、二手数据，结构化数据，非结构化数据等

　　创造性收集支持数据，数据来源，数据类型都可以发挥创造力去全面获取数据。

五、分析数据

　　1、数据分析理解：

　　原本散乱的数据之间存在意义及暗含的关系。

　　数据分析就是找到其中存在的恒定的模式。找到蕴含在数据中变量之间的关系。

　　2、数据的特征及复杂性决定了，具体采用哪种方法？

　　可视化报告:ppt，excel

　　交互可视化:powerbi

　　定量或统计建模软件:IBMSPSS、R、SAS

　　3、实施建模

　　创造性指定变量建模。模型是需要不断优化与迭代的，不停的推翻与重建，让模型更准确，优化并简化模型，便于使用。

　　4、三个重要问题

　　a、需要分析多少变量:单变量模型、双变量模型、多变量模型

　　、需要得到描述性或推论性问题吗？

　　描述统计学（均值，中位数，标准差）

　　推论性问题：取样、调查、分析

　　c、什么样的测量水平（测量方式）是可行的

　　aa、数据分析水平两种数值型数据变量：相关分析

　　、两个以上的数值型数字变量：回归分析：回归是对过去收集数据进行拟合的一种方法。分为：线性回归分析、多元回归分析。在实际的分析业务中，总是依赖现有业务情形猜测逻辑，然后表格处理搭建模型。参数的主观性太强。正确的流程是让数据说话，让分析软件跑出来彼此之间的关系，我们依靠实际业务流程忽略一些原始值，调整模型参数）

　　cc、两个或几个类别变量：拟合优度分析、存在关系、在0.05或者0.01显著性水平上是显著的5、关键的统计概念及方法ANOVA、方差分析、因果关系、聚类或聚类分析、相关分析、独立变量、因子分析、假设检验、回归、p值、决定系数R平方、显著性水平、t检验或者学生T检验

第三阶段：传达结果并行动

六：传达结果并行动，用数据讲个好故事

　　1、 关键点：

　　逻辑性清晰

　　专业数据分析思维

　　故事结尾：准备采取什么行动，并能预测这些行动的后果

　　2、如何讲出好故事

　　好故事重点在结尾，所以把结尾提前讲述

　　分析结果是讲故事的唯一原因

　　你希望听众知道什么，重要的是希望他们做些什么？ 洲际酒店分析师说：没有人关心你的R平方

　　3、想明白

　　我要讲什么，重点是什么，如何突出

　　听众是谁，目的是啥

　　我要让我得听众get到什么

　　我想让我的听众听后做出什么

　　4、实施步骤

　　明确故事的宗旨

　　尝试用3~5句概括出你的故事

　　填充故事细节

总结：

收获与应用

　　项目前期，全面项目规划

　　数据分析前对问题结果都有一个假设，基于假设，去验证，寻找问题，解决问题。

　　考虑全面，受众，高管及其关注点

　　设置计划的时候不仅包括项目日常进展

　　更要有严密的项目跟踪机制

　　项目进程向受众及高管汇报机制

好句子

　　分析思维是由假设驱动的更精准的决策方式 即便是相当琐碎，高度主观性的决策也能通过定量和建模的方式进行分析 数据分析就是找到蕴含在数据中变量之间的关系 灵感并非突然的闪烁，而是从长期的努力与专注中涌现出来。

　　亚里士多德：是习惯或者说是我们反复做的事情，塑造了我们