Вы можете стать майнером данных, даже если вы знаете только анализ Excel

Всякий раз, когда я вижу, как майнеры данных говорят о крупномасштабной обработке данных и алгоритмах машинного обучения, я думаю, что именно так должен выглядеть аналитик данных, это мастер.

Например, поскольку бюро управляет командой интеллектуального анализа данных партнера, всякий раз, когда необходимо оценить производительность каждого интеллектуального анализа данных, обнаруживается, что самые сильные технические способности часто отстают, а самую высокую оценку часто получает человек, который имеет идею и готов сотрудничать, этот человек даже не будет писать R или Python, а будет только анализировать в EXCEL.

Почему?

Можно сказать, что первое место в рейтинге случайно, но каждый раз, когда оно первое, должен быть неотъемлемый фактор, неужели мы действительно не уважаем технологии, не можем ли технологии эффективно создавать производительность?

Очевидно, нет, автор считает, что наше представление о майнере данных отклонилось, будут алгоритмы, будут инструменты, будет обработка, конечно, эффективное средство, но, очевидно, не единственное средство для поддержки окончательного решения или даже самое важное средство , это то, что многие люди не могут видеть, причина, почему не может видеть, может иметь какое-то отношение к метафизике, например, к интеллектуальному анализу данных. как ограничение данных, ограничение майнинга. Пусть все думают, что чем более продвинутые профессиональные методы майнинга используются в области данных, тем больше вероятность получения дохода, но реальность намного сложнее.

Итак, что делает хорошего майнера данных?

Прежде всего, давайте разберемся, что называется настоящими профессиональными знаниями, автор сначала рассказывает историю, такой пример Ченг Цзя приводил в книге «Учись хорошо»:

«Сяо Ин — главный редактор «Elite Daily Class» Луо Цзи Мышления в приложении, эта девушка свирепа, часто в три или четыре часа утра, если у вас нет сотрудничества с Луо. Джи Думал, ты не узнаешь, как безумно работают люди в этой команде. ”

«Меньше людей, больше работы и больше требований — кажется, что это не только боль индустрии дизайна, но и настоящее изображение «получения» работы команды. Однако, на мой взгляд, многие незавершенные дела Сяоин выполнила хорошо, по ее словам: здесь мы должны жить в одиночку, как команда. ”

«Какой командой стал Сяо Ин как человек?» Она одна отвечает за планирование тем, аудиозапись, редактирование аудио, просмотр контента, просмотр сообщений, поиск новых авторов, обслуживание старых авторов, разработку нового контента, планирование рекламных копий… Когда она бросилась в команду, которая могла дополнить способности « разведка», «засада», «снайпер», «точка окружения» в любое время, она стала рубящей молодежью. ”

Поэтому, чтобы хорошо работать, достаточно не только овладеть знаниями определенной профессии, но и не просто освоить это, то есть тоже научиться, а овладеть всеми основными способностями, связанными с решением задачи. определенного типа проблемы, которая должна преодолеть профессиональные ограничения.

То, что мы называем профессиями, такими как маркетинг, юриспруденция, политика, история, литература, информационные технологии или сборщики данных, — это всего лишь искусственные классификационные ярлыки, но мир не работает отдельно внутри каждой профессии в соответствии с ярлыками, которые вы разделяете. За маркетинговой проблемой часто стоят юридические, политические, исторические и культурные факторы, но наши так называемые профессии не заботятся об этом: вы изучаете 4P (продукт, цена, канал, продвижение), сегментацию рынка и другие понятия, вы может закончиться, это понимание будет сильно мешать нам усвоить знания, которые мы действительно должны усвоить.

Майнеры данных поддерживают принятие решений, так что же это за знания о принятии решений?

Если вы хотите внешне монетизировать на основе данных, вам нужно понимать различные вертикальные отрасли, что является самым важным в интеллектуальном анализе данных, если не ясны основные понятия финансовой сферы, не говорите, что вы занимаетесь контролем рисков моделей для других, одна из самых больших проблем для операторов при внешней реализации заключается в том, что они не понимают отрасль.

Если вы хотите поместить данные для точного маркетинга, вам необходимо изучить некоторые маркетинговые знания, чтобы знать 4P, основную концепцию сегментации рынка, бизнес-процесс рынка не ясен, так называемый бизнес, управляемый данными, также вытащил, эффект интеллектуального анализа данных связан с политиками, продуктами, каналами, где дело только в данных?

Вы должны понимать потребности добычи полезных ископаемых, вы должны общаться с людьми, на этот раз вам нужно изучить некоторую психологию, базовый эмоциональный интеллект или упрямство - это проблема майнера данных, хороший майнер - это, прежде всего, хороший слушатель, занимайся добычей данных, не занимайся каким-то одиноким волком и героизмом.

Если вы хотите показать свои результаты, вам необходимо понимать принцип точечной пирамиды, знать, как ясно и точно выразить результаты вашего анализа, дать людям понять с первого взгляда, возможно, вы использовали алгоритм дерева решений бесчисленное количество раз, но вы может не знать метод анализа иерархии.

Вы должны предоставить данные внешнему миру, но также должны понимать некоторые юридические знания, знать политику государства в отношении защиты личной жизни и правила информационной безопасности компании, иначе сдуру вытащите список, поднимите шумиху, но будете приговорены .

Майнеры данных часто подставляются светскими ярлыками, чтобы создать свои собственные возможности, поэтому обучение состоит в том, чтобы узнать, что находится внутри этого ярлыка, прочитать кучу книг по алгоритмам, выучить кучу языков и понять многие навыки EXCEL и PPT, но эти в одиночку не может на самом деле делать вещи.

Автор хочет сказать, что в этом мире, если вы хотите достичь конечного, вы должны научиться «бесполезному использованию», бесполезному использованию, чтобы быть полезным.

Если мы понимаем способности с этой точки зрения, мы должны выпрыгнуть из ограничений, и нам нужно изучить три уровня курсов в течение нашей жизни: (1) общедоступные базовые курсы: исполнительные способности; (2) профессиональные обязательные курсы: профессиональные способности; (3) Общий обязательный курс: структурные способности.

Для датамайнеров общедоступный базовый курс — это исполнительские способности, которые каждый из нас использует каждый день, такие как управление временем, деловой этикет, общение, EXCEL, PPT, интеллект-карты и т. д. На рынке имеется большое количество книг по внедрять эти знания, и нам удобнее учиться и осваивать.

Как упоминалось ранее, эта специальность не относится к слову «майнинг», а относится к сумме всех способностей, которые могут решить проблему принятия решений с данными от начала до конца, вы должны думать и решать проблемы в разных дисциплинах, и один человек живет командой. Знание такого рода систематического решения проблем часто является неявным, и нам необходимо понимать тонкости конвергенции междисциплинарных знаний в процессе непрерывной практики и размышлений, чтобы в любое время гибко вызывать знания между несколькими дисциплинами и выигрывать. битва, в дополнение к традиционным данным, знанию платформы и алгоритма, но также включает математические знания, маркетинговые знания, отраслевые знания, психологические знания, знания о безопасности, методы анализа и так далее.

Общие обязательные курсы — это то, что я увидел в «Хорошем обучении» Чэнцзя, и я думаю, что это некоторые знания, которые продвигаются к более высокому когнитивному уровню, такие как второй закон Ньютона F = ma, который может направлять наши действия более широко и более широко. , также называемое «критическим знанием», Чарли Мангер назвал «универсальной мудростью», такой как эффект сложных процентов, теория вероятностей, золотой круг разума, эволюция, систематическое мышление, два восьми правила и так далее.

Например, системное мышление делает упор на «отношения», а не на «людей и вещи», хотя моделирование данных очень важно, но важнее отношения, то есть необходимость открытия данных эффекта и исходной модели этой обратной связи. процесс оптимизации, ChengJia также через анализ отношений инцидента Wei Zexi пришел к выводу, что основной причиной «зла» Baidu является отсутствие нормализованного механизма обратной связи для эффекта поиска, Taobao вряд ли столкнется с такой серьезной проблемой из-за покупателя отзывы.

Например, принцип двух-восьми, интеллектуальный анализ данных потратил слишком много денег на обработку данных, подготовку переменных и выпуск модели, эта часть занимает много времени, значение невелико, очевидно, не соответствует принципу двух-восьми, это необходимо максимально сократить длину этой части, поэтому автор надеется совершить прорыв в гибком анализе данных.

Для майнеров данных способность работать в одиночку является воплощением всестороннего качества, и его уровень определенно не представлен освоением нескольких алгоритмов и нескольких инструментов, что может объяснить, почему некоторые люди, которые не очень хорошо разбираются в инструментах алгоритмов, все еще имеют такие надежные данные. анализируя возможности, мы часто видим только «видимые» профессиональные способности и часто игнорируем развитие «невидимых» профессиональных способностей.

Оставь первый комментарий

Оставьте комментарий

Ваш электронный адрес не будет опубликован.


*