数据分析好学吗？很好学！然而很多同学学着学着就钻进误区，结果空耗力气不说，还不解决问题。今天陈老师就来盘点下，常见的八大误区。同学们有则改之，无则加勉哦。

一、目标不明，贪大求多

学数据分析到底是为什么？常见的回答：

1、我想换个数据分析的工作

2、我想提高工资收入

3、我对数据很感兴趣

4、我需要解决一个具体问题

5、我看“大数据”“人工智能”很时髦

单独看的话，每一种想法都没错。每一个想法，能坚持到底，也都能达到目标。但怕就怕：把这几个玩意混到一起，毕其功于一役。想学一个技能，且能解决眼前的问题，且以后能找个大厂工作，且工作很符合自己兴趣，且工资收入能涨好几倍，且快速地实现以上所有目标……

历史一再教育我们：且字越多，失败概率越高。目标太多，会直接导致学习失败。我们经常能看到，一个雄心勃勃的同学一口气买了20本书，从《统计学》到《西瓜书》，从《21天0基础学习python》到《谁说菜鸟不会数据分析》……摊在桌子上满满当当，结果几个月下来啥都没学会。

本质上看，数据分析是典型的交叉领域知识，涉及的科目非常多（如下图）。如果目标不明确，很有可能在某个分支里深陷泥潭无法自拔。

图片

二、限于一隅，钻牛角尖

与上一种情况相反，有些同学走的是牛角尖路线。

• “我就是那个要成为excel王的男人”
• “我就是那个要成为sql王的男人”
• “我就是那个要成为python王的男人”
• ……

钻研一门技术本身没啥问题。怕的是，钻研技术不是出于对技术的热爱，而是觉得：“我成为excel/sql/python王以后就能升职加薪了吧……”

额，明确回答：不能

一来，想达成“王的男人”难度太高，短时间根本不可能

二来，公司不是按软件/工具/技能给薪资，而是按岗位给薪资

一个岗位要解决具体问题，往往是结合实际的、多种技能组合。沉迷一隅，经常是苦学半年，还是啥问题都解决不了，更谈不上升职加薪了。

三、求职提升，混为一谈

在设定学习目标的时候，到底是想提升目前岗位/行业的适应能力，还是提高自己在人才市场的竞争能力，是两个根本方向性问题。

提高人才市场竞争力：满足的是未来意向企业的需求

提高目前岗位适应力：满足的是当下企业的需求

除非未来求职企业和当下企业的行业地位、业务场景差不多，否则满足当下需求的，和满足未来需求的一定不是一回事。更不要说跨行的了。常见的情况整理如下，同学们自行对号入座，做好学习路线的设计。

四、跨行跳槽，训练不足

这是跨行同学常见问题，特别是跨度很大，过往经验很少帮助的时候。很多同学问：“老师，我学会excel，sql，python了，能找啥工作？”这时候经常被我一句反问：“啥叫学会？！”

相当多的同学只是对着网上案例、书本练习题敲了一遍键盘，运行一下发现能跑出结果，就算自己学会了。训练度太低，导致笔试的时候丢三落四，面试的时候丢东忘西，结果肯定不行。

所有技术类操作，需要充足的训练度保障。最好的方法是“四个同一”（如下图）

图片

五、逃避技术，碰碰业务

这也是跨行的同学常见问题。很多同学想跨行选择业务方向，不是因为自己很擅长业务分析，而是“觉得我技术不行，就先干干业务吧……”然后真到面试的时候，连对方是做啥业务的都不知道，最后折戟沉沙也是理所当然的呀。

注意：市面上所谓业务分析，大部分不是孤身一人在业务部门的“野生分析师”，就是给业务整理excel表的表哥表妹，工作初级、简单不说，以后再换行也没啥帮助，还是得老老实实补回技术能力。

真正做业务分析且高级的岗位，往往是用户运营、增长黑客、渠道推广等强力业务部门的业务人员自己干了，本质上拼的是业务能力，不是excel里拉个透视表。

真的想往业务方向发展。在学习的时候，需要的是扩充见识，是对一个具体行业具体流程的深入了解，对数据采集方法与数据形式的细致研究。这些知识可以看诸如《增长黑客》《精益数据分析》这种理论书补一点，但是更大程度需要个人对行业的深入了解。不然一落地到具体的操作层面，100%会抓抓瞎（如下图）

图片

六、同行跳槽，缺少深度

很多在同行间跳槽的同学会遇到这个问题。明明面试的岗位就是普通的分析岗，却在面试时候被各种高难度问题怼得晕头转向，然后怀疑人生地问道：

“做这种分析还需要建模？”

“做这种分析还需要理论？”

“做这种分析还需要方法论？”

这种情况，其实就是招聘内卷造成的。大家明知道丫不需要用，但是面试官还是会问，不然咋淘汰掉其他人呢？可如果真去学，平时又用不上，又不知道哪里是个头，咋办呢。

这时候的学习，记得：宽度大于深度。先记住诸如统计学、机器学习、推荐算法的目录。把每一类问题常用方法，基本思路记下来，之后有空余的情况下再练案例，之后再有空余情况下再联系实际做尝试。

这样至少面试时候不会直接被打哑火，能应付过场面。同时和自己经验结合时候也容易说“方法就是这几种了”。

七、死钻技术，忽略场景

在职，想解决实际问题的同学，经常遇到这个问题。最典型的，就是一张嘴：

“用户画像的标准做法是什么”

“预测模型的常见做法是什么”

“原因分析的科学做法是什么”

你问他为啥要强调“标准”“常见”“科学”，答案都是：

• 领导不认可
• 同事不买单
• 客户不接受

这个已经跟“标准”“常见”“科学”没关系了呀，这是怎么搞掂人的问题。这种问题其实没啥书可以参考，要看，也是看《沟通学》或者《管理学》而不是《高级预测建模》……

类似的场景非常多，比如

• 需要沟通解决的：口径统一、考核目标、评价标准
• 需要管理解决的：缺少管理规范、有规范不执行
• 需要技术解决的：工作流程没有数字化、缺少数据采集
• 需要业务解决的：缺少策划思路、业务能力不足、缺少经验积累

这些都会导致实际工作中数据分析做不动。而且这些因素和数据分析没半毛钱关系。因此要想通过学习解决这些问题，就不能只盯着数据分析，而是从多个角度思考：到底怎么办。这里教大家一个简单的判断准则（如下图）：

图片

八、总想系统，忽略实际

有些同学在日常学习的时候，总想着：系统练练。想法没有错，但是指望着在一个数据集里，甚至一张大宽表里，就腾挪跌宕地把各种操作都练习完毕，就很容易出问题。

一来，实际工作中数据表结构复杂，不可能一张宽表走天下

二来，实际工作中问题发生很分散，不可能一张表内涵所有问题

如果执着于：找一张宽表把技能全练了。不但会发现很难找到100%满意的数据集，而且即使找到一个看似很适合练手的，练完了实战时候还是掉链子。因为实战时候，分解问题才是第一步工作。

真想系统性学习，第一步要做的是分解清楚，哪些是业务问题，哪些是技术问题，哪些是数据采集问题，哪些是数据提取问题，提升自身分辨能力，之后每个科目通过专著提升能力，这样遇到问题才能游刃有余。

小结

八个问题，其实都是源自最初的：目标不清。在各个工作里，数据分析是有最多理论支持的，其中每一个科目深入下去都深不见底。因此给人一种错觉：只要我看书看得多，就能包打天下了。

但实际上：

• 数据分析的工作场景非常复杂，混杂了：理论、业务、技术、目标、人情世故种种问题。
• 数据分析的求职信息非常胡乱，各种名词满天飞，挂羊头卖狗肉情况非常多。

这些复杂情况还因人而异，水平不同的人难度根本不一致。因此遇到问题，先别急着买20本书，先梳理清楚到底自己想要啥。突出重点，把自己目标里的“且”字多干掉几个，后边就自然轻松了。