警告！データ分析に関する8つのよくある誤解

データ分析は人気のスキルとして、多くの学習者を惹きつけています。しかし、学習の過程には多くの誤解が潜んでおり、注意しないとそれに陥って時間とエネルギーを無駄にしてしまう可能性があります。この記事は、経験豊富なデータディレクターのチェン氏が丁寧に執筆したもので、データ分析を学ぶ際によくある 8 つの誤解について詳しく説明しています。

データ分析は簡単に習得できますか?とても簡単に学べます！しかし、多くの学生は勉強するにつれて誤解に陥り、エネルギーを無駄にするだけでなく、問題を解決できなくなります。今日は、陳先生がよくある誤解を8つ確認します。生徒の皆さん、間違いがあれば訂正し、間違いがなければもっと頑張ってください。

1. 不明確な目標とさらなる欲望

なぜデータ分析を学ぶのでしょうか?よくある回答:

1. データ分析の仕事に転職したい

2. 給料を上げたい

3. データに興味がある

4. 特定の問題を解決したい

5. 「ビッグデータ」と「人工知能」はとても流行っていると思う

個別に見ると、それぞれの考えは正しいです。最後までやり遂げることができるあらゆるアイデアは目標を達成することができます。しかし、恐れるべきは、これらのことを混ぜ合わせて、一度にすべて行うことです。現在の問題を解決できるスキルを習得し、将来は大企業に就職し、その仕事が自分の興味に沿ったものになり、給与収入が数倍に増え、上記の目標をすべて早く達成したいです...

歴史は繰り返し私たちに教えてくれました。言葉が多ければ多いほど、失敗する可能性が高くなるということです。目標が多すぎると、学習の失敗に直結します。意欲的な学生が「統計学」から「Xigua Book」、「ゼロから21日間でPythonを学ぶ」から「初心者はデータ分析ができないと誰が言ったのか」まで、一度に20冊の本を購入し、テーブルがそれらの本でいっぱいになっているのをよく見かけますが、数か月後には何も学んでいません。

本質的に、データ分析は多くの主題に関係する典型的な学際的な知識です (下の図を参照)。ゴールが明確でないと、ある分岐にはまり込んで抜け出せなくなる可能性が高くなります。

2. 片隅にとどまり、角にこだわる

以前の状況とは対照的に、行き止まりのアプローチを取る学生もいます。

「私はエクセルキングになりたい男だ」

「私はSQLの王になる男だ」

「私はパイソンの王になる男だ」

…

技術を学ぶことは何も悪いことではありません。私が恐れているのは、人々がテクノロジーへの愛からではなく、「Excel/SQL/Python の王様になれば昇進して昇給できるだろう」と考えることでテクノロジーにのめり込んでしまうことです。

うーん、明確な答えは「いいえ」

まず、「The King's Man」を達成するのは非常に困難であり、短期間で達成するのはまったく不可能です。

第二に、会社はソフトウェア/ツール/スキルに応じてではなく、役職に応じて支払います。

この職務では特定の問題を解決する必要があり、多くの場合、実践的かつ複数のスキルの組み合わせが必要になります。一つのことに夢中になっていると、半年も一生懸命勉強しても、昇進や昇給どころか、何の問題も解決できないことがよくあります。

3. 就職活動と昇進の両立

学習目標を設定する場合、現在の職種/業界への適応力を高めたいのか、それとも就職市場での競争力を高めたいのかという 2 つの基本的な方向性の問題があります。

人材市場の競争力の向上：将来の企業のニーズを満たす

現在のポジションの適応性を向上させる：現在の企業のニーズを満たす

将来就職する会社の業界状況や事業シナリオが現在の会社と似ていない場合、現在のニーズを満たすことと将来のニーズを満たすことは決して同じではありません。業界横断的なものは言うまでもありません。一般的な状況を以下にまとめます。生徒は自分の状況を見つけ、独自の学習ルートを設計できます。

4. 業界をまたいだ転職と不十分な研修

これは、特にギャップが大きく、過去の経験がほとんど役に立たない場合に、転職する学生によくある問題です。多くの学生が「先生、私は Excel、SQL、Python を学びましたが、どのような仕事に就くことができますか?」と尋ねました。この時、私はよく「学んだってどういう意味ですか？」と聞き返しました。

かなり多くの学生が、オンラインの事例や本の練習問題に従ってキーボードで入力し、実行して結果を出せることを確認して、それを習得したと考えていました。研修レベルが低すぎるため、筆記試験中に忘れたり、面接中に忘れたりして、結果は決して良くありません。

すべての技術的な操作には十分なトレーニングが必要です。最良の方法は「4つの同一」です（下図参照）

5. テクノロジーから抜け出してビジネスに飛び込む

これは、業界を超えて転職する学生によくある問題でもあります。多くの学生は、ビジネス分析が得意だからという理由ではなく、「テクニカルなスキルがないので、まずはビジネスをやろう」と思ってビジネスに転向します。そして、面接になると、相手がどんなビジネスをしているのかさえわからないので、結局は不合格になるのも当然です。

注: 市場に存在するいわゆるビジネス アナリストのほとんどは、ビジネス部門で単独で働いている「ワイルド アナリスト」か、ビジネス用の Excel スプレッドシートを整理している同僚です。彼らの仕事は初歩的で単純なものであるだけでなく、将来転職する場合には役に立たないでしょう。彼らは依然として、正直に言って技術的なスキルを補わなければなりません。

実際にビジネス分析を行う上級職は、ユーザー オペレーション、グロース ハッキング、チャネル プロモーションなどの強力なビジネス部門のビジネス担当者が担当することがよくあります。本質的には、これは Excel のピボット テーブルではなく、ビジネス機能の競争です。

私は本当にビジネス方向で発展したいと思っています。学習する際に必要なのは、知識を広げ、特定の業界の特定のプロセスを深く理解し、データ収集方法やデータ形式について詳細な調査を行うことです。この知識は、「Growth Hacker」や「Lean Data Analysis」などの理論的な本を読むことで補うことができますが、業界に対するより深い理解が必要になります。そうしないと、特定の操作レベルになると、100％損失になります（以下に示すように）

6. 同僚間での転職、深みの欠如

同世代の学生の間で転職する学生の多くはこの問題に遭遇するでしょう。私が面接を受けたポジションは一般的なアナリストポジションでしたが、面接中はさまざまな難しい質問が出てきて困惑してしまいました。そこで私は疑問に思い、こう尋ねました。

「このような分析にはモデリングが必要ですか？」

「このような分析には理論が必要ですか？」

「このような分析には方法論が必要ですか？」

この状況は、実は採用における社内競争によって引き起こされています。誰もがそれを使用する必要がないことを知っていますが、それでも面接官は尋ねます、そうでなければどうやって他の人を排除できますか？でも、実際に学んだところで日常生活で使えるわけもなく、何から始めたらいいのか分からない。どうすればいいですか？

この時期に勉強するときは、幅は深さよりも大きいということを覚えておいてください。まず、統計、機械学習、推奨アルゴリズムなどのカタログを覚えておいてください。それぞれの問題の種類ごとによく使われる方法と基本的な考え方を書き留めておき、空き時間があるときにケースを練習してみましょう。そして、また自由な時間ができたときに、実際の状況に当てはめてみましょう。

少なくとも、面接中に直接沈黙させられることはなく、状況に対処できるようになります。同時に、自分の経験と組み合わせると、「これが方法だ」と言うのは簡単です。 7. 現場を無視したデッドドリルテクニック

仕事をしながら実用的な問題を解決したい学生は、この問題によく遭遇します。最も典型的なのは口です。

「ユーザーペルソナの標準的な方法は何ですか？」

「予測モデルの一般的な実践方法は何ですか？」

「原因分析に対する科学的アプローチとは何ですか？」

「標準的」、「一般的」、「科学的」を重視する理由を尋ねると、答えは次のようになります。

リーダーシップは承認しない

同僚は買わない

顧客が受け入れない

これは「標準」「共通」「科学」とは何の関係もありません。それはいかに人々を喜ばせるかという問題です。実際のところ、この種の質問について参照できる本はありません。読みたいなら、「高度な予測モデリング」ではなく、「コミュニケーション」や「マネジメント」を読むべきです...

同様のシナリオは数多くある。例えば、

コミュニケーションを通じて解決すべき問題：統一された能力、評価目標、評価基準

経営陣が解決すべき問題：管理基準の欠如、基準の実施の失敗

技術的な解決策が必要: ワークフローのデジタル化が不十分で、データ収集が不足している

ビジネスソリューションが必要：企画アイデアの不足、ビジネス能力の不足、経験の蓄積不足

これらにより、実際の作業ではデータ分析が不可能になります。そして、これらの要因はデータ分析とは何の関係もありません。したがって、学習を通じてこれらの問題を解決したい場合、データ分析だけに焦点を当てるのではなく、何をすべきかという多角的な視点から考える必要があります。判断の簡単な基準は次のとおりです（以下を参照）。

8. 常にシステムについて考え、現実を無視する

学生の中には、日常生活で勉強するときに、常に体系的に練習することを考えている人もいます。この考え方は間違っていませんが、1 つのデータ セット、または大きな幅の広いテーブルであらゆる種類の操作を実行しようとすると、問題が発生する可能性が高くなります。

まず、実際の作業ではデータテーブルの構造が複雑であり、幅広いテーブルをあらゆる用途に使用することは不可能です。

第二に、実際の作業では、問題は非常に散発的に発生するため、すべての問題を 1 つの表に含めることは不可能です。

どうしてもという場合は、広いテーブルを見つけて、すべてのスキルを練習してください。 100%満足できるデータセットを見つけるのは難しいだけでなく、練習に非常に適していると思われるデータセットを見つけたとしても、実際の戦闘になると失敗します。実際の戦闘では、問題を分解することが最初のステップだからです。

本当に体系的に学びたいのであれば、まずは、どれがビジネス上の問題で、どれが技術的な問題で、どれがデータ収集の問題で、どれがデータ抽出の問題なのかを明確に分類し、自分の区別する能力を高めることが第一歩です。その後はモノグラフを通して各科目の実力を高め、問題に容易に対処できるようになります。

まとめ

実際、これら 8 つの問題はすべて、最初の問題である「目標が不明確」ということから生じています。あらゆる仕事の中でも、データ分析は最も理論的裏付けがあり、それぞれのテーマは深く掘り下げていけば底なしのものです。これにより、本をもっと読めば世界を征服できるという幻想が人々に与えられます。

しかし現実には:

データ分析の作業シナリオは非常に複雑で、理論、ビジネス、テクノロジー、目標、人間関係が混在しています。

データ分析の仕事情報は、さまざまな用語が飛び交い非常にわかりにくく、羊肉を装って犬肉を販売するケースも多々あります。

これらの複雑な状況は人によっても異なり、レベルによって難易度も全く異なります。したがって、問題に遭遇したときに、急いで 20 冊の本を購入しないでください。まず、自分が本当に望んでいるものを整理しましょう。重要なポイントに焦点を当て、目標からいくつかの「and」を削除すれば、残りは自然に簡単になります。