感谢推荐！数据记录和分析有很多工具，其中 SeaTable 是一款新型的在线协同表格和信息管理工具。同时，它也是一个很好用的轻型资料库，并自带了非常精美的 UI。用它对数据进行记录、管理和分析，非常简单易用。下面仅从数据记录和分析方面，来简单说明几点。

1.能在表格里记录各种类型的数据。

它支持数字、日期、文本、长文本、文件、图片、单选、多选、协作人、公式、自动编号、链接其他记录等丰富的数据类型。我们可以用它来方便的组织和管理各类信息。

2.可快速切换查看不同条件下的数据。

它支持对同一个表同时提供多个数据视图，为每个视图设置相应的分组、过滤等条件后，表格里符合视图条件的数据，就会自动进入到相应视图里。在视图间切换查看不同条件下的数据非常方便。非常方便查看和整理数据。

3.支持丰富的数据可视化功能。

除了可以在表格里查看和分析数据外，它还支持日历、时间线、地图、图库等越来越多的数据可视化功能，去满足更多的查看和数据分析需求。比如通过通过日历插件，就可以在日历上查看和分析数据。通过图库插件，就可以把表格里的图片，以图库形式展示出来，并还可以添加其他想展示的栏位等。

4.可快速创建出想要的统计图表、统计表格，完成对数据的统计和分析。

如果想对表里各个视图中的零散的数据，进行统计分析，那么还可以使用它的统计功能，不需要公式函数或任何复杂的设置，选择几个参数就可以快速创建出想要的统计图表、统计表格了。点击图表或表格上的数值，还能直接进入查看和编辑详情。

5.支持用脚本功能快速实现数据的自定义处理。满足个性化的数据处理和分析需求。

比如能不能自动从一列累计值中计算增量，能不能自动从一列数据中随机挑选出一些值等等，这些都可以通过它的「脚本」功能来实现。通过编写简单的脚本，就能快速实现数据的自定义处理。操作非常简单。（PS：关于脚本需求，还可以反馈给微信交流群里的客服）

脚本案例可查看以下文章：

SeaTable：快速实现数据处理小应用，用 SeaTable 脚本很方便?

zhuanlan.zhihu.com图标SeaTable：实现 IT 小应用，这个 SeaTable 很好用?

zhuanlan.zhihu.com图标

本回答就先回复这些，后续再根据需要补充，希望让你多一个好工具哦！

编辑于 2020-09-17继续浏览内容知乎发现更大的世界打开Chrome继续数据社数据社微信公众号:数据社，专注大数据知识分享~

如今，大多数公司都意识到数据驱动的商业策略的价值，因此需要有数据分析才能的人来洞察不断收集的信息。随著我们继续将现实世界数字化，对分析师的需求只会增加。 可以了解之前讲解的《数据分析为什么火了》。

如果你刚开始学习数据分析，那么怎么入门呢？其实各大招聘网站的数据分析职位就是一个很好的参考。那么数据分析师究竟需要哪些技能呢？

数据分析必备技能：

  • Excel
  • SQL
  • Python或者R
  • 数据可视化
  • 机器学习
  • PPT
  • 逻辑思维

下面我们一个个看下

一、Excel

说到Excel，首先想到的可能是电子表格，但是这个工具背后有更多的分析能力，如编写宏和使用VBA查找，这样的高级Excel方法在处理小数据量时更轻松、快速的分析。比如散点图可以很方便的帮助我们发现数据分布特征，Excel甚至可以做线性回归。因为Excel受数据量的影响，所以学习一门数据处理语言是非常有必要的。

二、SQL

SQL是普遍存在的行业标准资料库语言，是数据分析师需要掌握的最重要的技能。这种语言通常被认为是Excel的「终极」版本，它能够处理Excel无法处理的大型数据集。

几乎每个数据分析组织都至少需要一个了解sql的人，更需要一个数据仓库团队。以前很多行业的业务逻辑全写在资料库存储过程中，那时候，只会写SQL就可以拿高薪。现在很多大数据计算引擎也都支持了SQL操作，所以你想使用大数据，那么学习SQL是第一步。

三、Python或者R

任何Excel能做的事情，R或Python都能做得更好，甚至要快10倍。和SQL一样，R和Python可以处理Excel不能处理大数据量的事情。它们是强大的统计编程语言，用于对大数据集执行高级分析和预测分析。要成为一名真正的数据分析师，您需要超越SQL并至少掌握其中一种语言。

那么你应该学习哪一个呢?R和Python都是开源和免费的，公司招聘一般也是写明，会其中一个就可以。但是，由于Python现在有很多工具包，而且机器学习和深度学习也都和Python联系紧密，所以推荐大家优先学习Python。

四、数据可视化

为什么要掌握可视化，举个例子。

你在买水果的时候肯定关系水果是不是坏的，你一看就知道，数据也一样，你可以通过可视化很快的发现异常数据、脏数据。

同样，厨师们除了要保证菜好吃，还要把菜做的好看，这样客人们才会更加满意，原因买单。数据分析的内容再好，最后都要可视化出来，让老板能看懂，这样才能升值加薪啊！

可见，可视化能够用数据讲述一个引人注目的故事，让你的观点更易被人理解。分析师使用吸引眼球的、高质量的图表和图形，以清晰简洁的方式展示分析的发现。所以，去学习Python的Matplotlib和Seaborn吧，可以参考之前的文章讲解《数据挖掘从入门到放弃（五）seaborn 的数据可视化》。

五、机器学习

现在AI和预测分析是数据科学领域最热门的两个主题，数据分析师不只是单单对历史数据的统计操作了，对机器学习的理解已被确定为分析师的工作之一。虽然并不是每个分析师都使用机器学习，但是为了在这个领域要走的更远，学习机器学习是很重要的。然而机器学习需要一定的统计学知识，需要理解演算法的原理，然后才能更好的使用。可以参考文章结尾的历史文章精选。

六、PPT

数据可视化和PPT是相辅相成的。但是我们每个人基本都是程序员出身，不屑于写PPT。但是你不能拿著代码给老板汇报吧。PPT可以很好帮助你表达清楚自己的分析思路和分析结论，也帮让老板理解。但是PPT并不是直接把word粘贴过来，PPT最主要的是图，字不用太多，因为PPT是用来讲解的，不是需求文档！

关于PPT，还是要多谢，写的多了，被老板批评的多了，自然就会了…

七、逻辑思维能力

使用数据来找到问题的答案，意味著首先你要弄清楚要什么，也就是用户故事要想好。数据分析师的角色是发现并关联那些并不总是很清晰的联系。这个比以上6条都难，我遇到过有些分析师用机器学习或者深度学习跑出一些结果，最后告诉老板，结果是模型学习的，是不可解释的。我承认，比如神经网路跑出来的结果，很难解释。但是我们是数据分析师，不是演算法工程师，我们首先要考虑的就是分析结果和我们之前的用户故事有什么联系，我们要找到这部分联系，解释给老板。那么如何来培养这种能力呢？比如问自己最初的用户故事是什么，怎么来的，联系当前的业务知识，看看结果和分析需求的哪个节点能联系起来，是否能够使用起初的用户故事。经常这样思考，可以帮助你在寻找解决方案时保持清醒，而不是被一个很难解释搞蒙。

结尾

如果你想进入数据分析这个行业，那么就从上述7个技能开始吧。

如今，大多数公司都意识到数据驱动的商业策略的价值，因此需要有数据分析才能的人来洞察不断收集的信息。随著我们继续将现实世界数字化，对分析师的需求只会增加。 可以了解之前讲解的《数据分析为什么火了》。

如果你刚开始学习数据分析，那么怎么入门呢？其实各大招聘网站的数据分析职位就是一个很好的参考。那么数据分析师究竟需要哪些技能呢？

数据分析必备技能：

  • Excel
  • SQL
  • Python或者R
  • 数据可视化
  • 机器学习
  • PPT
  • 逻辑思维

下面我们一个个看下

一、Excel

说到Excel，首先想到的可能是电子表格，但是这个工具背后有更多的分析能力，如编写宏和使用VBA查找，这样的高级Excel方法在处理小数据量时更轻松、快速的分析。比如散点图可以很方便的帮助我们发现数据分布特征，Excel甚至可以做线性回归。因为Excel受数据量的影响，所以学习一门数据处理语言是非常有必要的。

二、SQL

SQL是普遍存在的行业标准资料库语言，是数据分析师需要掌握的最重要的技能。这种语言通常被认为是Excel的「终极」版本，它能够处理Excel无法处理的大型数据集。

几乎每个数据分析组织都至少需要一个了解sql的人，更需要一个数据仓库团队。以前很多行业的业务逻辑全写在资料库存储过程中，那时候，只会写SQL就可以拿高薪。现在很多大数据计算引擎也都支持了SQL操作，所以你想使用大数据，那么学习SQL是第一步。

三、Python或者R

任何Excel能做的事情，R或Python都能做得更好，甚至要快10倍。和SQL一样，R和Python可以处理Excel不能处理大数据量的事情。它们是强大的统计编程语言，用于对大数据集执行高级分析和预测分析。要成为一名真正的数据分析师，您需要超越SQL并至少掌握其中一种语言。

那么你应该学习哪一个呢?R和Python都是开源和免费的，公司招聘一般也是写明，会其中一个就可以。但是，由于Python现在有很多工具包，而且机器学习和深度学习也都和Python联系紧密，所以推荐大家优先学习Python。

四、数据可视化

为什么要掌握可视化，举个例子。

你在买水果的时候肯定关系水果是不是坏的，你一看就知道，数据也一样，你可以通过可视化很快的发现异常数据、脏数据。

同样，厨师们除了要保证菜好吃，还要把菜做的好看，这样客人们才会更加满意，原因买单。数据分析的内容再好，最后都要可视化出来，让老板能看懂，这样才能升值加薪啊！

可见，可视化能够用数据讲述一个引人注目的故事，让你的观点更易被人理解。分析师使用吸引眼球的、高质量的图表和图形，以清晰简洁的方式展示分析的发现。所以，去学习Python的Matplotlib和Seaborn吧，可以参考之前的文章讲解《数据挖掘从入门到放弃（五）seaborn 的数据可视化》。

五、机器学习

现在AI和预测分析是数据科学领域最热门的两个主题，数据分析师不只是单单对历史数据的统计操作了，对机器学习的理解已被确定为分析师的工作之一。虽然并不是每个分析师都使用机器学习，但是为了在这个领域要走的更远，学习机器学习是很重要的。然而机器学习需要一定的统计学知识，需要理解演算法的原理，然后才能更好的使用。可以参考文章结尾的历史文章精选。

六、PPT

数据可视化和PPT是相辅相成的。但是我们每个人基本都是程序员出身，不屑于写PPT。但是你不能拿著代码给老板汇报吧。PPT可以很好帮助你表达清楚自己的分析思路和分析结论，也帮让老板理解。但是PPT并不是直接把word粘贴过来，PPT最主要的是图，字不用太多，因为PPT是用来讲解的，不是需求文档！

关于PPT，还是要多谢，写的多了，被老板批评的多了，自然就会了…

七、逻辑思维能力

使用数据来找到问题的答案，意味著首先你要弄清楚要什么，也就是用户故事要想好。数据分析师的角色是发现并关联那些并不总是很清晰的联系。这个比以上6条都难，我遇到过有些分析师用机器学习或者深度学习跑出一些结果，最后告诉老板，结果是模型学习的，是不可解释的。我承认，比如神经网路跑出来的结果，很难解释。但是我们是数据分析师，不是演算法工程师，我们首先要考虑的就是分析结果和我们之前的用户故事有什么联系，我们要找到这部分联系，解释给老板。那么如何来培养这种能力呢？比如问自己最初的用户故事是什么，怎么来的，联系当前的业务知识，看看结果和分析需求的哪个节点能联系起来，是否能够使用起初的用户故事。经常这样思考，可以帮助你在寻找解决方案时保持清醒，而不是被一个很难解释搞蒙。

结尾

如果你想进入数据分析这个行业，那么就从上述7个技能开始吧。

可以了解一下Alteryx，数据分析领域的神器，一个工具就可以实现Excel、SQL、Python、R、数据可视化、机器学习等多种工具才能实现的功能，可以帮助数据分析师快速处理和分析数据，而且Alteryx独特的可视化、流程化的操作方式可以将重复的手工分析过程实现自动化处理，加快数据分析师的工作效率，将数据分析师从繁重枯燥的数据处理工作中解脱出来，将更多时间用于分析方面，真正发挥和体现分析师的价值。

有关Alteryx可以访问Alteryx中国了解，也可以搜索微信公众号「Alteryx」,加入Alteryx用户交流群。

数据分析工具有硬体和软体两个部分与君参考

硬体工具包括：EXCEL、SQL、Python、R等等；

软体工具包含：LTV模型、RFM模型、AARRR模型工具等；

数据分析工具图如下：

具体解释如下：

数据分析是一种统计方法，其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系，并绘制出统计信息图，以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据，以便弄清哪些是同质的，从而更好地了解数据。

数据分析可以处理大量数据，并确定这些数据最有用的部分。本学科近年来的成功，很大程度上是因为制图技术的提高。这些图可以通过直接分析数据，来突出难以捕捉的关系；更重要的是，这些表达方法与基于现象分布的「先验」观念无关，与经典统计方法正相反。

数据分析的数学基础在20世纪早期就已确立，但直到计算机的出现才使得实际操作成为可能，并使得数据分析得以推广。数据分析是数学与计算机科学相结合的产物。

若是以固定时间为数据分析的颗粒单位，则称为时间序列分析，是主要作为销售数据商业分析的方法之一。

数据分析的类型

a）探索 ML特征

b）描述 例如：看欠账的报表描述

c）验证 业务运营产品提需求

一是就数据产品经理工作而言，数据对于产品经理来说至关重要，从一个需求的提出，到上线后产品的表现，每一个环节都少不了客观数据的支撑，这就少不了数据处理和分析；二是就数据分析本身的意义来说，在这样一个大数据时代，数据的价值越来越大，数据分析能力也将会是今后许多产品经理需要的。

明确了数据分析对产品经理的意义，再来谈谈数据分析所需的5项要求：懂业务排在首位，不对业务产品有深入的了解，就根本无从谈起数据分析；懂管理其实就是能够利用经过千锤百炼的方法论来支持你的数据结论，更有说服性和指导性；懂分析这里并不要求产品经理像专业数据分析师一样，但应该掌握常见的一些数据分析方法；懂工具这里只提Excel这一款软体就足够了，先学会用Excel，它能解决80%甚至100%的问题；懂设计要求能清晰地把你的数据展现出来，让人能够看得简单明了，有句话说得好「能用图说明的问题就不用表格，能用表格说明的问题就不要用文字」。

数据分析的用户小结 ？思考题，数据分析还有哪些用处可以帮助到数据产品经理

RFM模型会把客户分为几个类型如下：

重要价值客户：最近消费近，消费频次和消费度都很高，KOL级别

重要保持客户：最近消费时间较远，但消费频次和金额都很高，说明这是个一段时间没来的忠诚客户，我们需要主动和他保持联系。

重要发展客户：最近消费时间近，消费金额高，但频次不高，忠诚度不高，很有潜力的用户，必须重点发展。

重要挽留客户：最近消费时间较远，消费频次不高，但消费金额高的用户，可能是将要流失或者已经流失的用户，应当基于挽留措施。

1）建议实操，建议同学自己拿自己公司的数据拆解

2）数据预处理

3）数据透视

4）数据分析

5）数据产品化

备注：常用函数

=IF(ROUNDUP((D2-$P$4)/$P$4,0)=0,1,ROUNDUP((D2-$P$4)/$P$4,0))

一般数据分析流程如下图：

其他的可以再下回交流#抱拳#

用完整的BI软体，有完整数据分析模型那种，你在前端简单做个设置，BI系统就能精准匹配数据并执行数据分析程序，比如奥威软体旗下的OurwayBI。

OurwayBI通过ETL构建数据中心，统一多数据源的数据分析口径和标准，当BI前端传来分析指令，BI系统就能立即精准匹配数据做分析了。

R和Python有奇效

Python吧，高效实用，简单

这个问题有点类似手里拿了个锤子，看啥都是钉子一样。快速找到想要的数据，在确定好你想要的后，再根据实际需要找工程。毕竟从资料库提数，与外站调研数据，并不是一回事。而且每个行业，每个方向都有属于自己的数据获取方法，并不难，多问问就能知道的。

推荐阅读：
相关文章