Gesponserte Inhalte

Lernen Sie Python, SQL, Energy BI, KI und mehr für 0 $.
Keine Kreditkarte erforderlich. Einfach grenzenloses Lernen.

DataCamp-Woche mit kostenlosem Zugang:

Hör auf, was du tust. DataCamp hat gerade eine ganze Woche freigeschaltet Datenanalyse und KI-Lernen – völlig kostenlos.

Es gibt keinen Haken. Keine Zahlung, keine Probezeit, keine Verpflichtung, keine Erfahrung erforderlich.

Egal, ob Sie bei Null anfangen oder Ihre technischen Fähigkeiten ausbauen möchten, dies ist Ihre Likelihood, darauf zuzugreifen komplette DataCamp-Erfahrungeeinschließlich interaktiver Kurse, Karrierewege, Zertifizierungenund reale Projekte.

Warum Python auf DataCamp lernen?

KI generiert möglicherweise Code, aber Python sorgt dafür, dass er funktioniert.

Da KI die Automatisierung beschleunigt und die Hürde bei der Codeerstellung senkt, verschafft die Beherrschung der weltweit führenden Programmiersprache Analysten, Technikern und Führungskräften gleichermaßen einen strategischen Vorteil.

Aber das Erlernen dieser Instruments sollte nicht auf diejenigen beschränkt sein, die sich teure Bootcamps oder Abschlüsse leisten können.

Aus diesem Grund gibt es die Free Entry Week: um jedem – vom Anfänger bis zum Profi – die Likelihood zu geben, berufstaugliche Fähigkeiten zu erwerben und erstklassige Qualifikationen zu erwerben, ohne die Hürde der Kosten.

Mit interaktiven Kursen, praktischen Projekten und branchenführenden Zertifizierungen ermöglicht DataCamp mehr als 17 Millionen Lernenden weltweit, schnell neue Fähigkeiten zu erwerben, sich selbstbewusst zu bewerben und ihre Karriere selbst in die Hand zu nehmen.

Noch einmal: Es ist völlig kostenlos.

Werden Sie in einer Woche zertifizierter Datenanalyst

Ja, wirklich. Du kannst Lassen Sie sich in einer einzigen Woche zum Datenanalysten zertifizierenvöllig kostenlos.

Unabhängig davon, ob Sie gerade erst anfangen oder Daten bereits in Ihrer täglichen Arbeit verwenden, beweist diese Zertifizierung Arbeitgebern, dass Sie mit realen Daten in Python oder SQL arbeiten und diese in geschäftliche Erkenntnisse umwandeln können.

Hier ein kurzer Überblick über den Karriereweg und die Zertifizierung:

Datenanalyst: Vom Anfänger zum zertifizierten

Einer der beliebtesten Lernpfade von DataCamp, der Datenanalyst in Python Der Monitor ist darauf ausgelegt, Anfänger zu berufsbereiten Experten zu machen.

Sie lernen zunächst, wie Sie Daten importieren, bereinigen und manipulieren und gehen dann zu Visualisierungen und statistischen Analysen über. Durch interaktive, browserbasierte Übungen lernen Sie die wichtigsten Python-Instruments wie kennen Pandas, NumPy und Seaborn.

Am Ende des Tracks wissen Sie, wie Sie:

• Analysieren Sie Daten mit Python von Grund auf
• Erstellen Sie Dashboards und Visualisierungen
• Automatisieren Sie Arbeitsabläufe und wenden Sie KI-Instruments an
• Bereiten Sie sich auf eine branchenweit anerkannte Zertifizierung vor und bestehen Sie diese

Die Zertifizierung? Sie absolvieren zwei zeitgesteuerte und eine praktische Prüfung, die das abdeckt, was Sie im Kurs gelernt haben.

Entwickelt von Branchenexperten und Personalmanagern, um die neuesten Anforderungen eines Datenanalysten auf Einstiegsniveau widerzuspiegeln, stellen Sie Ihre Fähigkeit zur Durchführung explorativer Analysen und statistischer Experimente unter Beweis und kombinieren Erkenntnisse mit effektivem Daten-Storytelling und Geschäftsbewusstsein.

Alles innerhalb einer Woche. Alles völlig kostenlos.

Handeln Sie jetzt, warten Sie nicht

Die Free Entry Week von DataCamp findet vom 16. bis 22. Februar stattund es beinhaltet alles im gesamten Datenanalyse- und KI-Lehrplan.

Dies ist nicht nur eine Likelihood zu lernen – es ist eine Likelihood dazu Beweisen Sie Ihre gefragten Fähigkeiten und erwerben Sie eine branchenführende Qualifikation, die den Personalmanagern signalisiert, dass Ihre Fähigkeiten einsatzbereit sind.

Keine Kreditkarte. Kein Risiko. Nur berufsfertige Kenntnisse, eine Woche lang kostenlos.

Legen Sie jetzt los.

Bild vom Autor

# Einführung

Ich arbeite seit über vier Jahren in der Datenbranche. Während dieser Zeit habe ich einen gewaltigen Wandel in der Rolle erlebt.

Bisher struggle es bei der Auswahl von Kandidaten für Datenanalystenpositionen einfacher zu erkennen, wer über die technischen Fähigkeiten für die jeweilige Aufgabe verfügte und wer nicht. Heutzutage übersteht quick jeder die ersten paar Runden des Datenanalysteninterviews.

Mit KI können Kandidaten, die nur sehr wenig Erfahrung haben, Dashboards erstellen und SQL-Abfragen präzise schreiben – Fähigkeiten, deren Erlernen früher Jahre gedauert hat. Infolgedessen haben sich die Erwartungen der Arbeitgeber geändert, und das Dienstalter und Fachwissen sind mittlerweile zu einer anspruchsvollen Anforderung geworden.

Darüber hinaus verschwimmen die Grenzen zwischen verschiedenen technischen Rollen und die Dienstaltersstufe wird zur Voraussetzung. Von den Mitarbeitern wird erwartet, dass sie mehr Projekte übernehmen, mehr Fähigkeiten erlernen und in kürzerer Zeit mehr Leistung erbringen. Es sind jedoch nicht nur schlechte Nachrichten.

Aufgrund meiner Erfahrung in diesem Bereich glaube ich, dass es einen bestimmten Typ von Datenanalysten gibt, der die KI-Revolution nicht nur überleben, sondern auch gedeihen und überstehen wird.

Und das ist ein…

Produktdatenanalyst

In diesem Artikel erfahren Sie:

• Was ein Produktdatenanalyst (PDA) ist
• Der Unterschied zwischen einem PDA und einem herkömmlichen Datenanalysten
• Die erforderlichen Fähigkeiten, um ein PDA zu werden
• Meine eigene Erfahrung als PDA bei einem großen Technologieunternehmen

Eine Videoversion dieses Artikels finden Sie hier:

# Was ist ein Produktdatenanalyst?

Um den Unterschied zwischen einem PDA und einem normalen Datenanalysten zu veranschaulichen, betrachten wir einen „Tag im Leben“ von Fachleuten in jeder Rolle.

// Tag im Leben eines traditionellen Datenanalysten

Brian ist ein traditioneller Datenanalyst. Er sicherte sich eine Einstiegsposition und ist nun seit einem Jahr in dieser Funktion tätig.

Brians Job besteht aus Folgendem:

• Die Verkaufszahlen des letzten Jahres in SQL abrufen und daraus ein Dashboard erstellen
• Identifizieren eines Kundensegments, das in den letzten drei Monaten keine Transaktionen mehr mit dem Unternehmen getätigt hat
• Finden Sie heraus, warum die Conversion-Raten letzte Woche um 15 % gesunken sind, indem Sie Daten aus den Buyer-Relationship-Administration-Systemen (CRM) und Marketingkanälen des Unternehmens kombinieren

Eine Rolle wie diese erfordert normalerweise Kenntnisse in SQL, Excel, zum Erstellen von Dashboards und einige Programmierkenntnisse. Bei meinem ersten Job als Datenanalyst musste ich genau diese Aufgaben erledigen. Es ist sicherlich nicht einfach. Aber KI senkt die Eintrittsbarriere für diese Aufgaben.

Jede oben genannte Aufgabe kann mit KI-Instruments wie z. B. viel schneller ausgeführt werden Cursor, ClaudeUnd ChatGPT.

Aufgrund der intensiven Nutzung von KI-Instruments hat Brian manchmal das Gefühl, dass er sich eher zu einem schnellen Ingenieur als zu einem Datenanalysten entwickelt. Brians Arbeitgeber erkennt, dass Brians Arbeit dank neuer KI-Instruments schneller erledigt werden kann. Aus diesem Grund stellen sie keine weiteren Datenanalysten mehr ein. Stattdessen beauftragen sie Brian, alle Datenanalyseprojekte abzuschließen. Obwohl Brian einen stabilen Arbeitsplatz hat und dank KI ein effizienterer Analyst ist, hat er manchmal das Gefühl, dass sich seine Verantwortlichkeiten seit letztem Jahr nicht so sehr verändert haben. Er erklimmt weder die Karriereleiter noch wird er befördert.

Noch wichtiger ist, dass Brian mehr Fähigkeiten erlernen und sein Wissen vertiefen möchte, anstatt nur KI zu verwenden, um die gleiche Arbeit schneller zu erledigen. Brian ist auf dem Weg eines traditionellen Datenanalysten. Das ist keine schlechte Sache, aber indem er sich einfach neu positioniert und einige zusätzliche Fähigkeiten erlernt, kann er die Karriereleiter schneller erklimmen und mehr Geld verdienen. Um dies zu erreichen, muss Brian KI als Hebel und nicht als Konkurrenz nutzen.

// Tag im Leben eines Produktdatenanalysten

Sarah ist PDA bei einem Social-Media-Unternehmen.

So sieht ihr Job aus:

• Sarah arbeitet mit dem Staff, das Reels erstellt, zusammen, um zu verstehen, warum YouTuber an bestimmten Standorten diese Funktion weniger gerne nutzen. Anschließend arbeitet sie mit dem Designteam zusammen, um neue Funktionen zu entwickeln, um diese Lücke zu schließen.
• Sie arbeitet an einer neuen „Creator Enhance“-Funktion, um zu verstehen, ob die Förderung neuer YouTuber auf der Plattform zu einer besseren Bindung der YouTuber führt, ohne das Nutzerengagement zu beeinträchtigen. Dazu führt sie einen A/B-Check durch. (Spoiler-Alarm: Diese Artwork der Analyse ist nicht einfach. Die Ergebnisse sind selten eindeutig und es ist noch schwieriger, sie den Stakeholdern zu erklären.)
• Sarah nimmt auch an Besprechungen zur Produktbewertung teil und hinterfragt Annahmen der Führung: Der Vizepräsident geht beispielsweise davon aus, dass Benutzer längere Movies wollen, und Sarah muss dies mit tatsächlichen Verhaltensdaten entlarven, die zeigen, dass die Aufmerksamkeit nach etwa 35 Sekunden nachlässt.

Bemerken Sie den Unterschied zwischen den Jobs von Brian und Sarah?

Sarahs Job ist technisch nicht unbedingt komplexer als der von Brian. Beide Fachleute verfügen über die gleichen technischen Fähigkeiten; Beide beherrschen SQL, können Excel-Formeln schreiben und Dashboards erstellen.

Der größte Unterschied zwischen ihren Jobs besteht darin Sarah hat viel mehr Einfluss auf Produktentscheidungen. Wenn die neue Funktion „Creator Enhance“ eingeführt wird und das Unternehmen damit 1 Million US-Greenback verdient, hat Sarah direkt zu einem Produktumsatz von über einer Million US-Greenback beigetragen.

Dadurch ist sie von großem Wert für das Unternehmen und kann leicht befördert werden, was zu höheren Gehaltserhöhungen führt.

# Wie kann man PDA werden?

Ich habe sowohl in traditionellen als auch in PDA-Rollen gearbeitet. In den ersten zwei Jahren meiner Karriere arbeitete ich als traditioneller Datenanalyst. Und ich arbeite jetzt als PDA.

Hier sind die Fähigkeiten, die Sie benötigen, um ein traditioneller Datenanalyst zu werden:

• Excel
• SQL
• Einige Programmierkenntnisse (idealerweise Python)
• Datenvisualisierung
• Statistiken

Um ein PDA zu werden, müssen Sie zusätzlich zu den Kernkompetenzen der Datenanalyse Folgendes lernen:

// Fähigkeit 1: A/B-Exams und Experimente

Sie haben wahrscheinlich schon einmal von A/B-Exams gehört. Wenn Sie eine Web site haben und wissen möchten, welche Ihnen mehr Klicks verschafft – ein blauer oder ein grüner Button –, müssen Sie lediglich einen A/B-Check durchführen.

Zuerst wählen Sie eine Stichprobe von Benutzern aus, die Ihre Web site besuchen, und teilen sie dann nach dem Zufallsprinzip in zwei Gruppen auf. Einer Gruppe wird die grüne Schaltfläche angezeigt, der anderen die blaue, und es wird die Gruppe gestartet, die die höhere Anzahl an Klicks professional Benutzer erhält.

Das obige Beispiel ist die einfachste Möglichkeit, einen A/B-Check durchzuführen.

Beim Experimentieren gibt es noch viel mehr, zum Beispiel sicherzustellen, dass Sie Gruppen mit gleichen Verteilungen auswählen und sicherstellen, dass Ihr A/B-Check über eine ausreichende statistische Aussagekraft verfügt.

Während meines PDA-Interviews wurden mir eine Menge Fragen gestellt, die ich dank dessen beantworten konnte Udacitys kostenloser Einführungskurs in A/B-Exams.

// Fähigkeit 2: Produktmetriken definieren

Ein weiterer Unterschied zu herkömmlichen Datenanalysten besteht darin, dass Produktanalysten Erfolgskennzahlen definieren.

Um zu verstehen, was das bedeutet, schauen wir uns die bereits erwähnte neue Funktion „Creator Enhance“ an. Wenn Sie neue YouTuber fördern, weckt das in der Regel bei ihnen den Wunsch, mehr auf der Plattform zu posten, was zu einer höheren Bindung führt. Diese verbesserte Bindungsrate ist genau das, was Plattformen wie TikTok und YouTube wollen, da sie die Nutzer länger auf ihrer Plattform hält.

Aber… Was gilt als neuer Schöpfer? Jemand, der sein erstes Video gepostet hat? 5 Movies auf der Plattform gepostet?

Was passiert außerdem, wenn der Ersteller seinen ersten Schub durch das Programm erhält, wenn spätere Beiträge deutlich weniger Engagement erzielen? Könnte dies in Zukunft zu einer noch höheren Abwanderung führen? Ist dies tatsächlich schlechter für die langfristige Aufbewahrung, als die Funktion überhaupt nicht zu veröffentlichen?

Als Social-Media-Plattform muss auch das Engagement der Zuschauer berücksichtigt werden. Was wäre, wenn Zuschauer die Plattform weniger nutzen, weil sie einfach kein Interesse daran haben, von neuen YouTubern empfohlen zu werden?

Ein PDA muss all diese Faktoren berücksichtigen, wenn er Erfolgskennzahlen erstellt. Um den Erfolg einer neuen Funktion wie dieser zu messen, kann der Produktanalyst entscheiden, mehrere Erfolgsmetriken zu erstellen, wie zum Beispiel:

• Kurzfristige Erstellerbindungsrate
• Langfristige Erstellerbindungsrate
• Zuschauer-Engagement-Fee

In PDA-Interviews wird Ihnen normalerweise ein Anwendungsfall wie das oben dargestellte Beispiel vorgelegt. Der Interviewer wird Sie dann fragen, welche Erfolgskennzahlen Sie für diesen Anwendungsfall definieren würden und warum.

Um die Fähigkeit zur Metrikdefinition zu erlernen, empfehle ich die folgenden Ressourcen:

// Fähigkeit 3: Ereignisverfolgung

Nehmen wir an, Sie haben eine Erfolgsmetrik definiert. Für diese neue Funktion „Creator Enhance“ ist Ihr Erfolgsmaßstab die Retentionsrate des Creators.

Jetzt benötigen Sie Daten, um diese Metrik mithilfe von App-Ereignissen wie Ersteller-Uploads und Klicks tatsächlich zu erstellen. Normalerweise erstellen Sie Metriken mit SQL. Manchmal möchten Sie jedoch möglicherweise eine Metrik verfolgen und stellen fest, dass ein von Ihnen benötigtes Ereignis derzeit nicht erfasst wird.

Wenn Ihre Plattform derzeit beispielsweise keine „Add“-Ereignisse verfolgt, haben Sie keine Möglichkeit zu wissen, wie oft Ersteller Inhalte hochladen. Da Sie dieses Ereignis nicht erfasst haben, können Sie Ihre Erfolgsmetrik (Ersteller-Retentionsrate) nicht ausbauen. Anschließend müssen Sie mit den Entwicklungsteams zusammenarbeiten und ihnen erklären, welche Ereignisse erfasst werden müssen, damit Sie den Erfolg des Produkts effektiv verfolgen können.

Um mehr über die Ereignisverfolgung zu erfahren, empfehle ich die Lektüre Das Artikel.

// Fähigkeit 4: Angewandte Statistik

Dies ist eine Fähigkeit, über die Datenanalysten bereits verfügen.

Als PDA muss Ihr Fokus auf der Anwendung statistischer Konzepte mithilfe von Programmiertools liegen.

Die folgenden Fähigkeiten sind für die Rolle eines PDA am relevantesten:

• Hypothesentest.
• Statistische Signifikanz: Der Unterschied zwischen statistischer und praktischer Signifikanz, Effektgrößen und p-Werten.
• Grundlagen der Kausalinferenz (Störfaktoren, Behandlungseffekte).
• Simpsons Paradoxon und Selektionsbias.

Khan-Akademie ist ein großartiger Ort, um diese Konzepte zu lernen; Geben Sie einfach den Namen des Themas ein und schauen Sie sich das Video-Tutorial an. Normalerweise lerne ich die Theorie hinter einem Thema auf einer Web site wie der Khan Academy. Dann ging ich zu ChatGPT und ließ mir von der KI-Plattform die praktische Anwendung des statistischen Konzepts auf einen realen Datensatz beibringen.

# Wo finden Sie PDA-Jobs?

Fb, Amazon, Apple, Netflix und Google (FAANG) sowie andere große Technologieunternehmen stellen viele PDAs ein, weil sie täglich neue Funktionen einführen und A/B-Exams durchführen.

Meta hat normalerweise Berufsbezeichnungen wie „Information Scientist, Product Analytics“ oder „Product Analyst“. Diese Jobs zahlen zwischen 249.000 $ und 382.000 $wohingegen sich traditionelle Datenanalystenpositionen auszahlen 180.000 bis 282.000 US-Greenback. Das ist ein ziemlich großer Gehaltsunterschied und zeigt, wie gefragt PDAs sind.

Außer FAANG sollten Sie auch auf Folgendes achten:

• Schnell wachsende Startups, die benutzerorientierte Produkte entwickeln.
• E-Commerce-Unternehmen.
• Fintech- und Healthcare-Tech-Unternehmen.

Darüber hinaus sind Unternehmen nicht besonders intestine darin, sich datenbezogene Berufsbezeichnungen auszudenken. Eine einzelne Berufsbezeichnung kann im Datenraum mehrere Bedeutungen haben.

Tatsächlich habe ich Unternehmen gesehen, die unter den folgenden Titeln PDAs einstellen:

• PDA.
• Produktanalytiker
• Produktdatenwissenschaftler
• Datenwissenschaftler, Produktanalytik
• Analytics Supervisor (produktorientiert)
• Wachstumsanalyst

Einige Unternehmen geben lediglich „Datenanalysten“ oder „Datenwissenschaftler“ an, obwohl es sich tatsächlich um eine PDA-Stelle handelt. Ich empfehle, die Stellenbeschreibung einer Datenrolle zu lesen, um zu verstehen, ob es sich um eine produktbezogene Stelle handelt.

Typischerweise werden in der Stellenbeschreibung einer PDA-Rolle Schlüsselwörter wie „Zusammenarbeit mit Produktmanagern“, „A/B-Exams“, „Arbeit mit funktionsübergreifenden Groups“ und „Analyse von Produktmetriken“ erwähnt.

# Wichtige Erkenntnisse

Wir haben in diesem Artikel viele Themen behandelt. Konkret haben wir gelernt:

• Was eine PDA-Rolle beinhaltet
• Warum Sie PDA werden sollten
• Wie man die Fähigkeiten erlernt, die man braucht, um ein PDA zu werden
• Wo man PDA-Jobs findet

Denken Sie daran, dass KI unsere Arbeitsweise schneller verändert, als Sie sich vorstellen können. In diesem Zeitalter müssen Sie sich mit Fähigkeiten, die die KI ergänzen, marktfähiger machen und nicht mit ihr konkurrieren. Genau hier kommen PDAs ins Spiel.

Da diese Fachkräfte einen so großen direkten Mehrwert für das Unternehmensergebnis darstellen, sind ihre Jobs tendenziell sicherer, mit höheren Gehältern und schnelleren Beförderungen als normale Datenanalystenpositionen.

Natassha Selvaraj ist ein autodidaktischer Datenwissenschaftler mit einer Leidenschaft für das Schreiben. Natassha schreibt über alles, was mit Datenwissenschaft zu tun hat, eine wahre Meisterin aller Datenthemen. Sie können sich mit ihr verbinden LinkedIn oder schau sie dir an YouTube-Kanal.

Gesponserte Inhalte

Erhalten Sie vom 12. November bis 4. Dezember vollen Zugriff auf die gesamte Plattform von DataCamp, 50 % Rabatt!

CTA: Beginnen Sie jetzt mit dem Lernen

DataCamp Black Friday: Alles ist freigeschaltet

Der Black Friday-Deal von DataCamp ist zurück, aber größer.

Erhalten Sie nur für ein paar Wochen unbegrenzten Zugang zu über 600 Kursen, Karrierewegen, Zertifizierungen und realen Projekten – zum halben Preis.

Vom Schreiben Ihrer ersten Codezeile bis zur Erstellung KI-gestützter Apps mit der OpenAI-API ist dies Ihre Likelihood, gefragte Fähigkeiten zu erlernen, branchenführende Zertifizierungen zu erwerben und praktische Erfahrungen mit realen Herausforderungen zu sammeln. Alles in Ihrem Browser.

Lassen Sie uns über SQL auf DataCamp sprechen

SQL ist die Sprache der Daten und heute eine der gefragtesten Fähigkeiten in der Analytik. Auf diese Weise fragen Datenanalysten Informationen in nahezu jeder Branche ab, bereinigen sie und interpretieren sie.

SQL lernen auf DataCamp ist intuitiv, äußerst praktisch und für den echten beruflichen Aufstieg konzipiert. Aus diesem Grund konzentriert sich das Black Friday-Angebot von DataCamp darauf, Ihnen dabei zu helfen:

• Lernen Sie SQL von Grund auf oder verbessern Sie Ihre Fähigkeiten schnell
• Erstellen Sie praxisnahe Analyse-Workflows mit praktischer Übung
• Lassen Sie sich als Datenanalyst mit den entsprechenden SQL-Kenntnissen zertifizieren

Keine statischen, reinen Theoriekurse. Einfach interaktives, praxisorientiertes, browserbasiertes Lernen, mit dem Sie vom ersten Tag an berufstaugliche Fähigkeiten anwenden können.

Sind Sie bereit, Ihre Karriere aufzubauen? Entdecken Sie zwei Lernpfade für Datenanalysten in SQL und Python

Werden Sie zertifizierter SQL-Datenanalyst

Um den Black Friday optimum zu nutzen, empfehlen wir das Ganze Affiliate Information Analyst in SQL Observe – einschließlich der Erlangung einer branchenführenden Zertifizierung.

Sie werden von Null auf den Job vorbereitet mit:

• Schreiben von Abfragen: SELECT, JOIN, GROUP BY, Unterabfragen und Fensterfunktionen
• Datenbereinigung und -exploration mit PostgreSQL-Funktionen
• Enterprise-Case-Projekte mit realen Datensätzen
• Statistische Analyse für erkenntnisbasierte Entscheidungen

Jeder Kurs ist vollgepackt mit Übungen, Herausforderungen und sofortigem Suggestions. Sie arbeiten mit Daten aus realen Geschäftsszenarien, einschließlich der Analyse von Lagerverkäufen, Traits zur psychischen Gesundheit und mehr.

Unabhängig davon, ob Sie Ihre Karriere beginnen oder in die Datenanalyse einsteigen, bietet dieser Kurs die SQL-Grundlage, die Sie benötigen, um heute ein selbstbewusster, SQL-kompetenter Datenanalyst zu werden.

Und wenn Sie bereit sind, nehmen Sie das Zertifizierungsprüfung um es in Ihrem Lebenslauf zu beweisen.

Oder werden Sie zertifizierter Datenanalyst in Python

Ohne Python können wir keine Daten sprechen.

Python ist die beliebteste Sprache in der Datenanalyse und aufgrund ihrer Universalität die Grundlage vieler datengesteuerter Karrieren.

Vervollständigen Sie das Ganze Datenanalyst in Python Verfolgen und erwerben Sie eine führende Zertifizierung, die jeden datenorientierten Lebenslauf bereichert.

Sie lernen:

• Bereinigen und bearbeiten Sie Daten mit Pandas und NumPy
• Visualisieren Sie Erkenntnisse mit Seaborn und Matplotlib
• Führen Sie explorative und statistische Analysen durch
• Kombinieren und arbeiten Sie über mehrere Datenquellen hinweg

Sie bearbeiten reale Datensätze in geführten Projekten – von Netflix über Schulen in New York bis hin zu Kriminalitätsmustern in LA – und bauen Ihre Fähigkeiten, Ihr Selbstvertrauen und Ihr Portfolio auf, indem Sie Ihre Fähigkeit unter Beweis stellen, geschäftliche Herausforderungen mit Python zu lösen.

Egal, ob Sie Python-Neuling sind oder bereit sind, sich zertifizieren zu lassen, dieser Kurs bietet Ihnen alles, was ein Datenanalyst für den Einstieg in die Arbeitswelt benötigt.

KI-Highlight: 2x Ingenieursgleise. Eine für Entwickler, eine für Datenwissenschaftler

Möchten Sie über die Datenanalyse hinausgehen?

Nutzen Sie den Black Friday und tauchen Sie ein in den wachsenden KI-Lehrplan von DataCamp.

Unsere Auswahl? Beide Assoziierter KI-Ingenieur Gleise, konzipiert für Entwickler Und Datenwissenschaftler.

Im Rahmen desselben erstklassigen interaktiven Erlebnisses erfahren Sie, wie Sie:

• Erstellen Sie KI-gestützte Apps mit OpenAI, Hugging Face, LangChain und Pinecone
• Optimieren Sie große Sprachmodelle wie Llama 3
• Wenden Sie MLOps-Prinzipien an, um produktionsbereite KI bereitzustellen

Diese Kurse sind für den realen Einsatz konzipiert und vermitteln Ihnen die Fähigkeiten, KI-Systeme in der Produktion zu bauen und auszuliefern.

Warten Sie nicht. Löschen Sie Ihren Zeitplan – das Black Friday-Angebot endet am 4. Dezember

Dies ist nicht nur eine Likelihood zum Lernen, sondern auch eine Likelihood, berufsverändernde Daten- und KI-Kenntnisse zu erwerben, die von Fortune-1000-Unternehmen verwendeten Werkzeuge zu beherrschen und die Kontrolle über Ihre Zukunft zu übernehmen.

Aber wenn der Deal endet, endet er.

Egal, ob Sie SQL, Python, Energy BI oder OpenAI lernen, es ist alles verfügbar. Es ist alles praktisch. Und es gibt 50 % Rabatt.

Unbegrenztes Lernen – zum halben Preis!

(Beginnen Sie mit dem kostenlosen Lernen)

Gesponserte Inhalte

DataCamp Free Entry Week: Python + AI

Hör auf, was du tust. DataCamp hat gerade eine ganze Woche von freigeschaltet Python und KI lernen – kompliziert frei.
Es gibt keinen Haken. Keine Zahlung, keine Verhandlungsphase, keine Verpflichtung, keine Erfahrung erforderlich.

Egal, ob Sie von vorne anfangen oder auf technischen Fähigkeiten aufbauen möchten, dies ist Ihre Probability, auf das vollständige DataCamp-Erlebnis zuzugreifen, einschließlich interaktiver Kurse, Karriere-Tracks, Zertifizierungen und realer Projekte.

Warum Python auf DataCamp lernen?

AI magazine Code generieren, aber Python lässt es funktionieren.

Wenn KI die Automatisierung beschleunigt und das Barrieren für die Erstellung von Code senkt, bietet die Fließfähigkeit in der weltweit führenden Programmiersprache Analysten, technischen Praktikern und Führungskräften gleichermaßen einen strategischen Vorteil.

Das Erlernen dieser Instruments sollte jedoch nicht auf diejenigen beschränkt sein, die sich teure Bootcamps oder Abschlüsse leisten können.

Deshalb existiert die freie Zugangswoche: Um allen-von Anfängern zu Fachleuten-eine Probability zu geben, berufliche Fähigkeiten aufzubauen und High-Anmeldeinformationen ohne die Kostensperrung zu verdienen.

Mit interaktiven Kursen, praktischen Projekten und branchenführenden Zertifizierungen ermöglicht DataCamp 17 Millionen Lernende weltweit, neue Fähigkeiten schnell aufzubauen, sich mit Zuversicht zu bewerben und ihre Karriere zu übernehmen.

Nochmal ist es völlig kostenlos.

Werden Sie zertifizierter Datenanalyst in einer Woche

Ja, wirklich. Du kannst Werden Sie als Python Information Analyst in einer einzigen Woche zertifiziertvöllig frei.

Unabhängig davon, ob Sie in Ihrem Tagesjob gerade erst anfangen oder bereits Daten verwenden, beweist diese Zertifizierung den Arbeitgebern, dass Sie mit realen Daten in Python zusammenarbeiten und sie in Unternehmenserkenntnisse umwandeln können.

Hier finden Sie einen kurzen Überblick über die Karriere -Monitor und -Zertifizierung

Datenanalyst in Python: Von Anfänger bis zertifiziert

Einer der beliebtesten Lernpfade von DataCamp, die Datenanalyst in Python Monitor Es wurde entwickelt, um Anfänger in berufsbereite Experten zu verwandeln.

Sie lernen zunächst, wie Sie Daten importieren, reinigen und manipulieren, und wechseln dann in Visualisierungen und statistische Analysen ein. Durch interaktive, browserbasierte Übungen werden Sie mit Kernwerkzeugen wie möglich praktizieren Pandas, Numpy und Seeborn.

Am Ende der Strecke werden Sie wissen, wie man:

• Analysieren Sie Daten mit Python von Grund auf neu
• Erstellen Sie Dashboards und Visualisierungen
• Automatisieren Sie Workflows und wenden Sie KI -Instruments an
• Bereiten Sie sich auf eine branchenbezogene Zertifizierung vor und bestehen-

Die Zertifizierung? Sie werden zwei zeitgesteuerte und eine praktische Prüfung abschließen, die das abdecken, was Sie in der Strecke gelernt haben.

Entworfen von Branchenexperten und Einstellungsmanagern, um die neuesten Anforderungen eines Datenanalysters ein Einstiegsklasse widerzuspiegeln, zeigen Sie Ihre Fähigkeit zur Durchführung von explorativen Analysen und statistischen Experimenten.

Alles innerhalb einer Woche. Alles völlig frei.

Handeln Sie jetzt, warten Sie nicht

Die Freizugriffswoche von DataCamp läuft vom 25. bis 31. August.und es beinhaltet alles Über den Curriculum von Python und KI.

Dies ist nicht nur eine Probability zu lernen – es ist eine Probability dazu Beweisen Sie Ihre gefragten Fähigkeiten und verdienen Sie eine branchenführende Anmeldeinformation, die den Einstellungsmanagern anstellen, die Ihre Fähigkeiten bereit sind, Maßnahmen zu ergreifen.

Keine Kreditkarte. Kein Risiko. Nur berufliche Fähigkeiten, kostenlos für eine Woche.

Fangen Sie jetzt an.

Lerndatenanalyse conflict ich übermäßig besessen von den Instruments und dem Glamour, der mit dem Titel eines Datenanalystens einhergehen könnte.

Mein Praktikum begann und ich hatte ein Ziel im Auge: meine technischen Fähigkeiten zu entwickeln. Ich meine, jeder möchte sein LinkedIn -Profil mit Fähigkeiten und Zertifizierungen dekoriert.

Was ich jedoch nicht erwartet hatte, conflict, dass meine wertvollste Lektion nicht aus einem Werkzeug oder Tutorial stammt. Es kam von etwas viel menschlicherem: Zusammenarbeit.

Zunächst versuchte ich, alles alleine anzugehen, und betrachtete jede Aufgabe als persönliche Herausforderung. Ich wusste nicht, dass meine Produktivität etwas begrenzt conflict, weil ich längere Stunden damit verbracht habe, Lösungen für Probleme jedes Mal herauszufinden, wenn ich mich steckte.

Erst als ich anfing, nach Suggestions zu suchen und erfahrene Fachkräfte einzubeziehen, begann die Dinge in Ordnung zu sein.

Dann wurde mir klar, dass in der Datenanalyse die Arbeit mit anderen nicht non-compulsory ist. Es ist eher eine Notwendigkeit.

Während wir Fortschritte machen, möchte ich meine Erfahrungen mit der Zusammenarbeit teilen und wie es mich als aufstrebenden Datenanalyst geprägt hat. Außerdem, warum ich glaube, es ist eine der wichtigsten (und unterschätzte) Fähigkeiten, auf die sich jeder Datenanalyst konzentrieren sollte.

---

Die frühen Tage meines Praktikums

Als junger Junge, der ins Feld trat, wollte ich ehrlich gesagt nur in die Hände in echte Daten bekommen. Bis dahin conflict der größte Teil meiner Praxis mit Beispieldatensätzen.

Jetzt habe ich mein Praktikum. Ich hatte die Gelegenheit, mit Daten zu arbeiten, die für eine Organisation wichtig waren.

Ich erhielt ein Projekt zum Erstellen eines grundlegenden Berichts mit Daten zu operativen Aktivitäten. Die Daten waren nicht allzu chaotisch, aber es conflict auch nicht sauber. Es enthielt einige inkonsistente Werte, doppelte Zeilen und einige fehlende Einträge.

Ich habe es mit Excel- und Energy -Question behandelt, dann aufgeräumt, was ich konnte, und baute ein Armaturenbrett, das ich für anständig aussah. Ehrlich gesagt conflict ich stolz darauf.

Schneller Vorlauf, es ist Präsentationszeit.

Bevor ich vorwärts gehe, hier ist etwas: Niemand hat mir über den Präsentationsaspekt der Datenanalyse erzählt.

So lustig das auch klingen magazine, es ist wahr. Ich dachte zuvor, ich würde mit den Daten arbeiten, daraus einen Sinn machen und es dann an die Jungs in der Verwaltung oder so weitergeben.

Zurück in die Realität stellte ich das Dashboard vor und mein Vorgesetzter schien nicht beeindruckt zu sein. Nicht weil die Grafiken schlecht waren, sagte er tatsächlich, dass es intestine aussah.

Das Downside conflict, dass das Dashboard nicht mitteilte, was das Workforce tatsächlich benötigt um zu sehen.

Ehrlich gesagt hatte ich mit niemandem darüber gesprochen, welche Erkenntnisse für sie nützlich waren oder welche Informationen die ordnungsgemäße Wirksamkeit bei der Entscheidungsfindung unterstützen würden.

Dies sind die Grundlagen, die bei der Datenanalyse wichtig sind, und ich fehlte in diesem Aspekt. Ich habe es basierend auf dem gebaut, was ich für wichtig hielt, nicht auf dem, was sie brauchten.

Ich hatte keine Fragen gestellt wie:

• “WHO Wird dieses Dashboard verwenden? “
• “Was Entscheidungen hilft dies ihnen? “
• “Warum Ist diese Informationen für sie von Bedeutung? “

Das ist die Fähigkeit der Zusammenarbeit, Fragen vor Beginn eines Projekts zu stellen und nach Abschluss nach Suggestions zu suchen.

Was mich die Zusammenarbeit beigebracht hat

Im Laufe der Zeit bemerkte ich, dass die Leute meine Berichte manchmal nicht verstanden, obwohl meine Bilder sauber und genau waren.

Ich würde Stunden damit verbringen, ein Downside zu lösen, das mit einem zweiminütigen Gespräch hätte vermieden werden können. Nehmen Sie es oder lassen Sie es, ich glaube, Daten müssen gemeinsam untersucht und auf eine Weise kommuniziert werden, die andere für die Fahrt mitbringt.

Bei der Datenanalyse geht es nicht nur um die Daten, sondern auch um die Menschen.

Je mehr ich mit Menschen zusammengearbeitet habe, desto mehr wurde mir klar, wie kritisch die Zusammenarbeit für den gesamten Datenanalyseprozess ist. Rückblickend waren diese Momente der Arbeit mit anderen, als ich am meisten wuchs.

Eines der ersten Male, die ich mich mit einem nicht-technischen Mitarbeiter zusammensetzte, conflict ich überrascht, wie unterschiedlich sie die Daten betrachteten.

Ich hatte viele Stunden damit verbracht, ein Diagramm zu erstellen, um monatliche Aktivitätstrends zu zeigen, aber als ich es erklärte, sagten sie:

„Okay … aber woher weiß ich, ob es uns besser oder schlechter geht als im letzten Quartal?“

Ich hatte eine Verschiebung in der Denkweise.

Anstatt nur Diagramme zu erstellen, die intestine aussehen, begann ich aus der Sicht eines nicht-technischen Mitarbeiters nachzudenken. Es ist, als hätte ein Downside zusätzliche Augen; Es könnte Ihnen helfen, die Dinge anders zu sehen.

Rückmeldung

Vor meinem Praktikum baute ich etwas auf, geben ihm ein paar Schecks und springen dann direkt in einen anderen, ohne nach frischen Einstellungen meiner Analyse zu fragen.

Andererseits ist Suggestions in einer Teameinstellung häufig Teil des Workflows.

Manchmal bedeutete das, ein Diagramm zu überarbeiten, weil es nicht klar conflict oder ein KPI erkannte, den ich für nützlich hielt, für die Individual, die den Bericht liest, irrelevant conflict.

Jede Suggestions -Runde half mir, sowohl die Grafik als auch die Geschichte zu verfeinern, die die Daten erzählten. Es lehrte mich, dass selbst in der Datenanalyse, Kreativität und Überarbeitung Hand in Hand gehen.

Und hier ist die Sache, bei Suggestions geht es nicht immer darum, Fehler zu beheben. Manchmal geht es darum, Möglichkeiten aufzudecken, die Sie nicht selbst gesehen haben.

Für viele ist das Suche nach Suggestions unangenehm und kann ein Drag sein. Mach dir keine Sorgen, du bist nicht allein. Zentral für dieses Argument ist der Begriff davon Studie Das erklärt den plötzlichen Anstieg der Herzfrequenz von Individuen und erhielt während des Feedbacks.

Die Schlüsselstunde aus dieser Studie zeigt, dass Suggestions keine Kritik ist, sondern dass sie zusammenarbeitet.

Es sind andere Menschen, die Ihnen ihre Perspektiven leihen, damit Ihre Arbeit heller leuchten kann. Und vertrauen Sie mir, je schneller Sie es einladen, desto schneller wachsen Ihre Fähigkeiten.

Ich lernte aufhören zu warten, bis meine Arbeit „perfekt“ conflict, bevor ich sie teilte. Stattdessen würde ich frühe Entwürfe präsentieren, Enter sammeln und sich auf dem Weg verbessern.

Die Zusammenarbeit baut mehr als nur Fähigkeiten auf – es baut Ihr Netzwerk auf

Persönlich ist das Vernetzung in der Datenbranche hoch unterschätzt und nicht genug darüber gesprochen. Wenn es eine Sache gab, die ich vor meinem Praktikum nicht erkannt habe, dann ist es, wie viel Zusammenarbeit natürlich Beziehungen aufbaut.

Wenn Sie eng mit Menschen zusammenarbeiten, vielleicht durch das Stellen von Fragen, über technische Lösungen während des Mittagessens oder sogar das gemeinsame Fixieren eines Projekts nicht nur Aufgaben erledigen. Sie erstellen Verbindungen.

Ich begann zu sehen, wie wertvoll dies conflict, als ein Entwickler, mit dem ich an einem Datenpipeline -Downside zusammengearbeitet hatte Kursempfehlung Das stellte sich als Spielveränderer für meine SQL-Fähigkeiten heraus. Es ist auf YouTube und ich price Ihnen, es zu überprüfen.

Aus technischer Sicht erweitert die Zusammenarbeit Ihre „Toolbox“ auf eine Weise, die Selbststudie nicht zur Sorgfalt macht. Jedes Mal, wenn ich mit jemandem gearbeitet habe, habe ich etwas Neues aufgegriffen (egal wie einfach).

Hier ist hier das Beste an: Diese Beziehungen enden nicht nur, wenn das Praktikum tut. Dieselben Personen, mit denen Sie heute zusammenarbeiten, können Ihre Mentoren, Ihre Schiedsrichter für zukünftige Jobs oder sogar Ihre Teamkollegen in einer anderen Organisation werden.

Zusammenarbeit ist die Brücke zwischen Ihren aktuellen Fähigkeiten und Ihren zukünftigen Möglichkeiten.

---

Schlussfolgerung und Imbiss

Rückblickend hat mein Praktikum mir nicht nur Datenfähigkeiten beigebracht. Es lehrte mich, wie man mit Menschen arbeitet. Ich verstand, dass mein wahrer Wert multipliziert wird, wenn ich mit anderen arbeite, nicht nur neben ihnen.

Die Wahrheit ist, egal wie intestine Sie mit Python, Tableau oder SQL sind, Sie werden immer weiter und in einem beeindruckenden Tempo gehen, wenn Sie das Wissen und die Perspektiven der Menschen um Sie herum nutzen.

Wenn Sie mit der Datenanalyse beginnen, denken Sie daran, dass Ihre Instruments veraltet werden, und Ihr Tech -Stapel wird sich weiterentwickeln, aber Ihre Fähigkeit, mit Menschen intestine zu arbeiten, wird niemals ihren Wert verlieren.

Hast du jemals mit einem gearbeitet? Datenanalyst Wer schläft nie und braucht keine Pause? Oder einer, der sich schneller als „Pivot -Tabelle“ auszeichnen kann? Wenn nicht, halten Sie an Ihrem Platz fest, weil wir gerade das bauen wollen! Heute erstellen wir einen Datenanalyst-AI-Agenten für die Lightning-Quick-Datenanalyse. Mithilfe von OpenAIs Funktionsaufruf kann diese KI -Automatisierung Ihre Fragen in einfachem Englisch interpretieren und die gewünschten Ausgaben in Sekundenschnelle geben.

Wenn alles so eingerichtet ist, wie wir es uns vorstellen, können Sie den Agenten Fragen wie „Was waren unsere Prime -Rating -Produkte im letzten Quartal für eine bestimmte Abteilung?“ Stellen? Oder „zeigen Sie mir die Korrelation zwischen Marketingausgaben und Verkäufen.“ Im Gegenzug erhalten Sie sofortige und genaue Antworten mit raffinierten Diagrammen. Das ist was OpenAI -Funktionsaufrufkombiniert mit OpenAI -Datenanalysefunktionen, können für Sie tun.

Was macht das so aufregend?

Das Drawback, das in der Vergangenheit mit Daten vorhanden conflict, conflict, dass man musste Kennen Sie SQL. Den Denken höherer Ordnung conflict erforderlich, um die Komplexität der analysierten Daten zu verstehen. Oder man musste mehrere Stunden damit verbringen, nur verschiedene Dashboard -Schnittstellen zu durchlaufen. Funktionsaufruf ermöglicht es uns jetzt, den KI -Agenten als translationales Medium zwischen menschlicher Sprache und Datenanweisungen zu erstellen. Denken Sie an einen Übersetzer, der fließend in „Mensch“ und „Datenbank“ spricht!

Die Magie geschieht, wenn das OpenAI -Sprachmodell wählt, welche Funktion basierend auf Ihrer Abfrage in der natürlichen Sprache aufgerufen werden muss. Fragen Sie nach Traits, und es würde eine Zeitreihenanalysefunktion aufrufen. Fordern Sie einen Vergleich an, und es wird auf eine statistische Vergleichsfunktion berufen. Die KI ist Ihr Mitarbeiter, der genau die richtigen Instruments für jede Frage kennt.

Die Architektur: Wie alles zusammen funktioniert

Unser Information Analyst AI ist ein Ensemble von Hauptkomponenten, die synchronisiert werden. Hier sind alle Komponenten, die zusammenarbeiten:

• Das Gehirn (Openais GPT -Modell): Verarbeitet natürliche Sprachanfragen und entscheidet, welche Funktionen aufrufen sollen. Stellen Sie sich dies als einen erfahrenen Datenanalyst vor, der Geschäftsfragen und die technologischen Implementierungsprobleme versteht.
• Die Toolbox (Funktionsbibliothek): Wir werden eine unabhängige Funktion für jede unterschiedliche Analyse erstellen, von Statistiken bis zu Grafiken. Jedes ist so konzipiert, dass sie eine bestimmte Datenoperation effizient durchführen.
• Die Datenschicht: Dies ist für das Laden, Reinigen und Vorbereiten aller Datensätze verantwortlich. Wir werden mit zahlreichen Datenarten umgehen und sicherstellen, dass unser Agent alle da draußen verfügbaren unordentlichen Daten behandeln kann.
• Kommunikationsschnittstelle: Dies würde sicherstellen, dass der Hin und Her zwischen dem Benutzer, dem KI-Modell und der Funktionsmission effektiv ist und aussagekräftige Ergebnisse erzielt.

Die Schönheit dieser Architektur liegt in ihrer Einfachheit. Schreiben Sie einfach ein paar neue Funktionen und registrieren Sie sie bei der KI. Benötigen Sie eine neue Datenquelle? Schließen Sie einfach einen neuen Datenanschluss ein. Es könnte unendliche Erweiterbarkeit geben, ohne einen menschlichen Datenanalyst erforderlich zu machen!

Einrichten Ihrer Entwicklungsumgebung

Vor etwas anderem müssen wir einen Arbeitsbereich für die von uns angestrebte Datenwissenschaft einrichten. Hier erfahren Sie, wie es geht.

• Notwendige Abhängigkeiten: Sie benötigen das Python -Paket von Openai für den API -Anruf. Sie benötigen auch Pandas für die Datenhandhabung (weil Pandas wie das Schweizer Armee -Messer der Datenwissenschaft ist), Matplotlib und Seeborn für das Auftreten und Numpy für das Knirschen von Zahlen.
• API -Konfiguration: Holen Sie sich Ihren API -Schlüssel von OpenAI. Darüber hinaus werden wir ein gewisses Fehler mit der Fee einschränken, um eine reibungslose Arbeit zu gewährleisten.
• Datenvorbereitungswerkzeuge: Installieren Sie Bibliotheken für CSV-, JSON-, Excel -Dateien, möglicherweise sogar Datenbankverbindungen, wenn Sie sich ehrgeizig fühlen!

Kernfunktionen: Das Herz Ihres KI -Analysten

Wir möchten die grundlegenden Funktionen entwickeln, die unseren verleihen werden AI -Agent Diese sehr analytischen Kräfte:

• Laden und Inspektion: Laden Sie Daten aus verschiedenen Formaten/Quellen und präsentieren auch einen ersten Satz von Eindrücken über Struktur, Datentypen und grundlegende Statistiken. Betrachten Sie diese als die von der KI in vertraute Section mit Ihren Daten.
• Statistische Analyse: Diese Funktionen bieten mathematische Interpretationen von Daten aus grundlegenden deskriptiven Statistiken zu komplexeren Korrelationsanalysen. Sie sind so konzipiert, dass sie Ergebnisse liefern, die in Formaten präsentiert werden, die für die KI -Interpretation und für die Beschreibungen der Benutzerkomponenten geeignet sind.
• Visualisierungen: Diese Funktionen erzeugen Diagramme, Diagramme und Diagramme, wenn die KI die Analyse bestimmt. Es ist sehr wichtig, dass sie flexibel genug sind, um verschiedene Datentypen zu verarbeiten und dennoch von Menschen lesbare Ausgänge zu erzeugen.
• Filterung und Datenumwandlung: Durch diese kann die KI Daten entsprechend der Benutzerabfrage schneiden, würfeln und neu formen.

Die Magie der Funktionsanrufe in Aktion

Hier werden die Dinge wirklich interessant. Wenn Sie additionally eine Frage wie: „Was ist der Pattern in unseren monatlichen Verkäufen?“ Stattdessen wird es Folgendes tun:

• Erstens analysiert es die Frage, um genau zu verstehen, was Sie wollen. Es erkennt Wörter wie „Pattern“ und „monatlich“ an. Anschließend assoziiert sie einige geeignete analytische Methoden.
• Basierend auf diesem Verständnis entscheidet es, welche Funktionen und in welcher Reihenfolge aufrufen sollen. Es kann sich entscheiden, zuerst die Lastdatenfunktion aufzurufen und dann zeitbasierte Filterung, Trendanalyse anzuwenden und schließlich die Visualisierungen zu erstellen.
• Die KI fährt die Funktionen nacheinander aus. Es durchbricht sie mit einigen Datenübergang. Jede Funktion liefert eine strukturierte Ausgabe, auf die die KI verarbeitet und aufgebaut.
• Zusammenfassend lässt sich sagen, dass die KI alle Ausgänge aus mehreren Analysestadien zu einer kohärenten Erklärung kombiniert. Anschließend wird dies mit Erkenntnissen, Visualisierung und Aktionsempfehlungen an den Endbenutzer zurückgegeben.

Praktisches Projekt: Erstellen Sie Ihren Datenanalyst-AI-Agenten

Gehen wir noch einen Schritt weiter und erstellen einen vollständigen Datenanalyst -AI -Agenten, der sich tatsächlich mit realen Geschäftsdaten befasst und umsetzbare Erkenntnisse gibt. Dafür werden wir einen AI-Agenten entwerfen, um E-Commerce-Verkaufsdaten zu analysieren. Der Agent kann Fragen zu Produktleistung, Kundenverhalten, saisonalen Traits und Bereichen beantworten, um den Umsatz zu verbessern.

1. Installieren Sie die erforderlichen Pakete

!pip set up openai pandas matplotlib seaborn numpy plotly

2. Importieren Sie Bibliotheken und Setup

import openai
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.categorical as px
import plotly.graph_objects as go
from datetime import datetime, timedelta
import json
import warnings
warnings.filterwarnings('ignore')

# Set your OpenAI API key right here
openai.api_key = "your-openai-api-key-here"  # Substitute along with your precise API key

print("✅ All libraries imported efficiently!")

3. Generieren Sie Beispiele für E-Commerce-Daten

def generate_sample_data():
    """Generate lifelike e-commerce gross sales information for demonstration"""
    np.random.seed(42)
    
    # Product classes and names
    classes = ('Electronics', 'Clothes', 'Books', 'Dwelling & Backyard', 'Sports activities')
    merchandise = {
        'Electronics': ('Smartphone', 'Laptop computer', 'Headphones', 'Pill', 'Good Watch'),
        'Clothes': ('T-Shirt', 'Denims', 'Sneakers', 'Jacket', 'Costume'),
        'Books': ('Fiction Novel', 'Science E book', 'Cookbook', 'Biography', 'Self-Assist'),
        'Dwelling & Backyard': ('Espresso Maker', 'Plant Pot', 'Lamp', 'Pillow', 'Rug'),
        'Sports activities': ('Operating Sneakers', 'Yoga Mat', 'Dumbbell', 'Basketball', 'Tennis Racket')
    }
    
    # Generate information for the final 12 months
    start_date = datetime.now() - timedelta(days=365)
    dates = pd.date_range(begin=start_date, finish=datetime.now(), freq='D')
    
    information = ()
    customer_id = 1000
    
    for date in dates:
        # Simulate seasonal patterns
        month = date.month
        seasonal_multiplier = 1.2 if month in (11, 12) else (1.1 if month in (6, 7) else 1.0)
        
        # Generate 10-50 orders per day
        daily_orders = np.random.poisson(25 * seasonal_multiplier)
        
        for _ in vary(daily_orders):
            class = np.random.alternative(classes, p=(0.3, 0.25, 0.15, 0.15, 0.15))
            product = np.random.alternative(merchandise(class))
            
            # Value based mostly on class
            price_ranges = {
                'Electronics': (50, 1000),
                'Clothes': (15, 200),
                'Books': (10, 50),
                'Dwelling & Backyard': (20, 300),
                'Sports activities': (25, 250)
            }
            
            worth = np.random.uniform(*price_ranges(class))
            amount = np.random.alternative((1, 2, 3), p=(0.7, 0.2, 0.1))
            
            information.append({
                'date': date,
                'customer_id': customer_id,
                'product_name': product,
                'class': class,
                'amount': amount,
                'unit_price': spherical(worth, 2),
                'total_amount': spherical(worth * amount, 2)
            })
            
            customer_id += 1
    
    return pd.DataFrame(information)

# Generate and show pattern information
df = generate_sample_data()
print(f"✅ Generated {len(df)} gross sales data")
print("n📊 Pattern Information Preview:")
print(df.head())
print(f"n📈 Date Vary: {df('date').min()} to {df('date').max()}")
print(f"💰 Complete Income: ${df('total_amount').sum():,.2f}")

4. Definieren Sie Analysefunktionen

class DataAnalyzer:
    def __init__(self, dataframe):
        self.df = dataframe.copy()
        self.df('date') = pd.to_datetime(self.df('date'))
        
    def get_revenue_summary(self, interval='month-to-month'):
        """Calculate income abstract by time interval"""
        strive:
            if interval == 'each day':
                grouped = self.df.groupby(self.df('date').dt.date)
            elif interval == 'weekly':
                grouped = self.df.groupby(self.df('date').dt.isocalendar().week)
            elif interval == 'month-to-month':
                grouped = self.df.groupby(self.df('date').dt.to_period('M'))
            else:
                return {"error": "Invalid interval. Use 'each day', 'weekly', or 'month-to-month'"}
            
            revenue_data = grouped('total_amount').sum().reset_index()
            revenue_data.columns = ('interval', 'income')
            
            return {
                "success": True,
                "information": revenue_data.to_dict('data'),
                "total_revenue": float(self.df('total_amount').sum()),
                "average_revenue": float(revenue_data('income').imply()),
                "interval": interval
            }
        besides Exception as e:
            return {"error": str(e)}
    
    def get_top_products(self, restrict=10, metric="income"):
        """Get prime performing merchandise"""
        strive:
            if metric == 'income':
                top_products = self.df.groupby('product_name')('total_amount').sum().sort_values(ascending=False).head(restrict)
            elif metric == 'amount':
                top_products = self.df.groupby('product_name')('amount').sum().sort_values(ascending=False).head(restrict)
            else:
                return {"error": "Invalid metric. Use 'income' or 'amount'"}
            
            return {
                "success": True,
                "information": ({"product": prod, "worth": float(val)} for prod, val in top_products.gadgets()),
                "metric": metric,
                "restrict": restrict
            }
        besides Exception as e:
            return {"error": str(e)}
    
    def get_category_performance(self):
        """Analyze efficiency by product class"""
        strive:
            category_stats = self.df.groupby('class').agg({
                'total_amount': ('sum', 'imply'),
                'amount': 'sum',
                'customer_id': 'nunique'
            }).spherical(2)
            
            category_stats.columns = ('total_revenue', 'avg_order_value', 'total_quantity', 'unique_customers')
            category_stats = category_stats.reset_index()
            
            return {
                "success": True,
                "information": category_stats.to_dict('data')
            }
        besides Exception as e:
            return {"error": str(e)}
    
    def get_customer_insights(self):
        """Analyze buyer conduct patterns"""
        strive:
            customer_stats = self.df.groupby('customer_id').agg({
                'total_amount': 'sum',
                'date': ('min', 'max', 'nunique')
            }).spherical(2)
            
            customer_stats.columns = ('total_spent', 'first_purchase', 'last_purchase', 'purchase_frequency')
            
            insights = {
                "total_customers": len(customer_stats),
                "avg_customer_value": float(customer_stats('total_spent').imply()),
                "avg_purchase_frequency": float(customer_stats('purchase_frequency').imply()),
                "top_spenders": customer_stats.nlargest(5, 'total_spent')('total_spent').to_dict()
            }
            
            return {"success": True, "information": insights}
        besides Exception as e:
            return {"error": str(e)}
    
    def create_visualization(self, chart_type, data_params):
        """Create varied sorts of visualizations"""
        strive:
            plt.determine(figsize=(12, 6))
            
            if chart_type == 'revenue_trend':
                # Month-to-month income pattern
                monthly_data = self.df.groupby(self.df('date').dt.to_period('M'))('total_amount').sum()
                plt.plot(vary(len(monthly_data)), monthly_data.values, marker="o", linewidth=2)
                plt.title('Month-to-month Income Pattern', fontsize=16, fontweight="daring")
                plt.xlabel('Month')
                plt.ylabel('Income ($)')
                plt.xticks(vary(len(monthly_data)), (str(x) for x in monthly_data.index), rotation=45)
                plt.grid(True, alpha=0.3)
                
            elif chart_type == 'category_pie':
                # Class income distribution
                category_revenue = self.df.groupby('class')('total_amount').sum()
                plt.pie(category_revenue.values, labels=category_revenue.index, autopct="%1.1f%%", startangle=90)
                plt.title('Income Distribution by Class', fontsize=16, fontweight="daring")
                
            elif chart_type == 'top_products_bar':
                # Prime merchandise bar chart
                top_products = self.df.groupby('product_name')('total_amount').sum().sort_values(ascending=False).head(10)
                plt.barh(vary(len(top_products)), top_products.values)
                plt.yticks(vary(len(top_products)), top_products.index)
                plt.title('Prime 10 Merchandise by Income', fontsize=16, fontweight="daring")
                plt.xlabel('Income ($)')
                
            plt.tight_layout()
            plt.present()
            
            return {"success": True, "message": f"Created {chart_type} visualization"}
            
        besides Exception as e:
            return {"error": str(e)}

# Initialize analyzer
analyzer = DataAnalyzer(df)
print("✅ Information Analyzer initialized efficiently!")

5. Funktionsdefinitionen für OpenAI

def get_revenue_summary(interval='month-to-month'):
    """Get income abstract by time interval (each day, weekly, month-to-month)"""
    return analyzer.get_revenue_summary(interval)

def get_top_products(restrict=10, metric="income"):
    """Get prime performing merchandise by income or amount"""
    return analyzer.get_top_products(restrict, metric)

def get_category_performance():
    """Analyze efficiency metrics by product class"""
    return analyzer.get_category_performance()

def get_customer_insights():
    """Get insights about buyer conduct and patterns"""
    return analyzer.get_customer_insights()

def create_visualization(chart_type, data_params=None):
    """Create visualizations (revenue_trend, category_pie, top_products_bar)"""
    return analyzer.create_visualization(chart_type, data_params or {})

def get_basic_stats():
    """Get primary statistics in regards to the dataset"""
    return {
        "success": True,
        "information": {
            "total_records": len(analyzer.df),
            "date_range": {
                "begin": str(analyzer.df('date').min().date()),
                "finish": str(analyzer.df('date').max().date())
            },
            "total_revenue": float(analyzer.df('total_amount').sum()),
            "unique_products": analyzer.df('product_name').nunique(),
            "unique_customers": analyzer.df('customer_id').nunique(),
            "classes": analyzer.df('class').distinctive().tolist()
        }
    }

6. OpenAI -Funktionsschemata

features = (
    {
        "identify": "get_revenue_summary",
        "description": "Get income abstract grouped by time interval",
        "parameters": {
            "kind": "object",
            "properties": {
                "interval": {
                    "kind": "string",
                    "enum": ("each day", "weekly", "month-to-month"),
                    "description": "Time interval for grouping income information"
                }
            },
            "required": ("interval")
        }
    },
    {
        "identify": "get_top_products", 
        "description": "Get prime performing merchandise by income or amount",
        "parameters": {
            "kind": "object",
            "properties": {
                "restrict": {
                    "kind": "integer",
                    "description": "Variety of prime merchandise to return (default: 10)"
                },
                "metric": {
                    "kind": "string",
                    "enum": ("income", "amount"),
                    "description": "Metric to rank merchandise by"
                }
            },
            "required": ("metric")
        }
    },
    {
        "identify": "get_category_performance",
        "description": "Analyze efficiency metrics by product class together with income, amount, and prospects",
        "parameters": {
            "kind": "object",
            "properties": {}
        }
    },
    {
        "identify": "get_customer_insights",
        "description": "Get insights about buyer conduct, spending patterns, and buy frequency",
        "parameters": {
            "kind": "object", 
            "properties": {}
        }
    },
    {
        "identify": "create_visualization",
        "description": "Create information visualizations like charts and graphs",
        "parameters": {
            "kind": "object",
            "properties": {
                "chart_type": {
                    "kind": "string",
                    "enum": ("revenue_trend", "category_pie", "top_products_bar"),
                    "description": "Sort of chart to create"
                },
                "data_params": {
                    "kind": "object",
                    "description": "Further parameters for the chart"
                }
            },
            "required": ("chart_type")
        }
    },
    {
        "identify": "get_basic_stats",
        "description": "Get primary statistics and overview of the dataset",
        "parameters": {
            "kind": "object",
            "properties": {}
        }
    }
)

print("✅ Perform schemas outlined efficiently!")

7. Hauptklasse der AI -Agenten

class DataAnalystAI:
    def __init__(self, api_key):
        self.consumer = openai.OpenAI(api_key=api_key)
        self.features = {
            "get_revenue_summary": get_revenue_summary,
            "get_top_products": get_top_products, 
            "get_category_performance": get_category_performance,
            "get_customer_insights": get_customer_insights,
            "create_visualization": create_visualization,
            "get_basic_stats": get_basic_stats
        }
        self.conversation_history = ()
    
    def process_query(self, user_query):
        """Course of consumer question and return AI response with operate calls"""
        strive:
            # Add consumer message to dialog
            messages = (
                {
                    "function": "system", 
                    "content material": """You're a useful information analyst AI assistant. You'll be able to analyze e-commerce gross sales information and create visualizations. 
                    At all times present clear, actionable insights. When displaying numerical information, format it properly with commas for giant numbers.
                    For those who create visualizations, point out that the chart has been displayed.
                    Be conversational and clarify your findings in enterprise phrases."""
                },
                {"function": "consumer", "content material": user_query}
            )
            
            # Add dialog historical past
            messages = messages(:-1) + self.conversation_history + messages(-1:)
            
            # Name OpenAI API with operate calling
            response = self.consumer.chat.completions.create(
                mannequin="gpt-3.5-turbo",
                messages=messages,
                features=features,
                function_call="auto",
                temperature=0.7
            )
            
            message = response.selections(0).message
            
            # Deal with operate calls
            if message.function_call:
                function_name = message.function_call.identify
                function_args = json.masses(message.function_call.arguments)
                
                print(f"🔧 Calling operate: {function_name} with args: {function_args}")
                
                # Execute the operate
                function_result = self.features(function_name)(**function_args)
                
                # Get AI's interpretation of the outcomes
                messages.append({
                    "function": "assistant",
                    "content material": None,
                    "function_call": {
                        "identify": function_name,
                        "arguments": message.function_call.arguments
                    }
                })
                
                messages.append({
                    "function": "operate",
                    "identify": function_name,
                    "content material": json.dumps(function_result)
                })
                
                # Get closing response from AI
                final_response = self.consumer.chat.completions.create(
                    mannequin="gpt-3.5-turbo",
                    messages=messages,
                    temperature=0.7
                )
                
                ai_response = final_response.selections(0).message.content material
                
                # Replace dialog historical past
                self.conversation_history.append({"function": "consumer", "content material": user_query})
                self.conversation_history.append({"function": "assistant", "content material": ai_response})
                
                return ai_response
            
            else:
                # No operate name wanted
                ai_response = message.content material
                self.conversation_history.append({"function": "consumer", "content material": user_query})
                self.conversation_history.append({"function": "assistant", "content material": ai_response})
                return ai_response
                
        besides Exception as e:
            return f"❌ Error processing question: {str(e)}"

# Initialize the AI agent
ai_agent = DataAnalystAI("your-openai-api-key-here")  # Substitute along with your API key
print("✅ AI Information Analyst Agent initialized efficiently!")

8. Interaktive Abfrageschnittstelle

def ask_ai(question):
    """Easy interface to ask inquiries to the AI agent"""
    print(f"🙋 Query: {question}")
    print("🤖 AI Response:")
    response = ai_agent.process_query(question)
    print(response)
    print("n" + "="*80 + "n")
    return response

# Cell 9: Instance Queries - Run these to check your agent!
print("🚀 Let's take a look at our AI Information Analyst Agent with some instance queries:n")

# Take a look at primary stats
ask_ai("Give me an outline of our gross sales information")

# Take a look at income evaluation  
ask_ai("Present me the month-to-month income pattern")

# Take a look at product evaluation
ask_ai("What are our prime 5 merchandise by income?")

# Take a look at class efficiency
ask_ai("How are totally different product classes performing?")

# Take a look at buyer insights
ask_ai("Inform me about our buyer conduct patterns")

# Take a look at visualization
ask_ai("Create a pie chart displaying income distribution by class")

# Take a look at comparative evaluation
ask_ai("Which product class generates the best common order worth?")

print("🎉 All assessments accomplished! Your AI Information Analyst Agent is able to use!")

Ausgabe

Fortgeschrittene Techniken und Optimierung

Mit dem vorhandenen Primary -Agenten würde es im Laufe der Zeit mehrere Verbesserungen geben:

• Funktionskettung: Dies sind mehrstufige Analyseschritte, die mit KI verkettet und unterstützt werden. Für viele analytische mehrstufige Arbeitsabläufe würden sonst eine manuelle Koordination erfordern.
• Kontextbewusstsein: Implementieren Sie einen Kontextmanagement für den Agenten, damit er nachverfolgt, welche Analysen bereits durchgeführt wurden und darauf aufbaut. Dies ermöglicht Gespräche, die einem Telefonanruf ziemlich ähnlich sind.
• Leistungsoptimierung: Cache kostspielige Berechnungen, parallel von allen Analysen, die unabhängig durchgeführt werden können. Im Allgemeinen macht es die Funktionsimplementierungen schneller und weniger Speicherintensiv.
• Fehlerbehandlung: Integrieren Sie gründliche Fehler, um die Probleme anmutig zu behandeln. Besonders nützlich bei Datenproblemen, API -Fehlern oder nur unerwarteten Benutzereingaben. Hilft dem Benutzer auch dabei, ein angemessenes Suggestions zu geben.

Anwendungen der realen Welt und Anwendungsfälle

Die Möglichkeiten für Ihren Datenanalyst -AI -Agenten sind praktisch endlos:

• Enterprise Intelligence: Geben Sie regelmäßige Berichte an, aktivieren Sie Self-Service-Analysen für die durchschnittliche Particular person und geben Sie Entscheidungsträgern sofortige Einblicke.
• Marketinganalysen: Überprüfen Sie die Kampagnenleistung Metriken, Kundensegmentierungen und ROI -Berechnungen mit Abfragen mit natürlicher Sprache.
• Finanzanalyse: Überwachen Sie KPIs und Abweichungen und stellen Sie Finanzberichte mit Klartextfragen ein.
• Operationsoptimierung: Überwachen Sie Leistungsdaten und Engpässe und optimieren Sie Prozesse basierend auf datengesteuerten Erkenntnissen.

Abschluss

Der Aufbau eines Datenanalyst -AI -Agenten ist mehr als nur eine technische Übung – es geht darum, die Datenanalyse zu demokratisieren und alle Einblicke zu geben. Sie haben ein Device erstellt, das dazu beitragen könnte, die Interaktion zwischen Personen und Daten zu ändern und Barrieren zu beseitigen, damit Entscheidungen auf der Grundlage von Daten getroffen werden können. Die von Ihnen gelernten Techniken bilden die Grundlage für viele andere KI -Anwendungen.

Funktionsaufruf ist eine vielseitige Idee und kann für alles nützlich sein, von Kundendienstautomatisierung bis hin zu komplizierten Workflow -Orchestrierungen. Denken Sie daran, die besten AIs ersetzen den menschlichen Intellekt nicht: Sie ergänzen ihn. Der Datenanalyst -KI sollte Benutzer ermutigen, bessere Fragen zu ihren Daten zu stellen, sie dazu zu inspirieren, tiefer zu graben und ihre Daten besser zu analysieren und ihnen zu helfen, bessere Entscheidungen zu treffen. Daher geht es nicht darum, alle Antworten zu haben. Es geht darum, einige Antworten zu haben, um alle anderen zu finden.

Wenn ich eine Weile, weißt du wahrscheinlich, dass ich meine Karriere als als begonnen habe QA -Ingenieur Vor dem Übergang in die Welt von Datenanalyse. Ich bin nicht zur Schule gegangen, hatte keinen Mentor und landete in einem formellen Schulungsprogramm nicht. Alles, was ich heute kenne-von SQL bis zur Modellierung bis zum Geschichtenerzählen mit Daten-ist autodidaktisch. Und glauben Sie mir, es struggle eine Reise des Versuchs, des Irrtums, des Lernens und des erneuten Lernens.

Das Dilemma, das meine Karriere veränderte

Vor ein paar Jahren habe ich darüber nachgedacht, Organisationen zu wechseln. Wie viele Menschen in schnell entwickelnden technischen Rollen stand ich einer überraschend schwierigen Frage:

Welche Rolle mache ich eigentlich? Für welche Rollen soll ich mich bewerben?

Auf dem Papier struggle ich ein Datenanalyst. Aber in Wirklichkeit spreizte meine Rolle mehrere Funktionen: Schreiben von SQL -Pipelines, Erstellen von Dashboards, Definition von KPIs und Grabten in Produktanalysen. Ich struggle mir nicht sicher, ob ich mich für Analystenrollen, BI -Rollen oder etwas ganz anderes bewerben sollte.

Um die Sache noch schlimmer zu machen, waren die Jobtitel vage und Jobbeschreibungen wurden mit Schlagwörtern aufgebläht. Sie würden einen Beitrag mit dem Titel finden „Datenanalyst“ Die aufgelisteten Anforderungen wie:

• ML -Pipelines bauen
• Schreiben Sie komplexe ETL -Skripte
• Verwalten Sie Datenseen
• Erstellen Sie Dashboards
• Gegenwärtige Erkenntnisse auf Führungsebene
• Und oh, sei übrigens großartig im Stakeholder Administration

Es struggle überwältigend und verwirrend. Und ich weiß, dass ich nicht allein bin.

Schneller Vorlauf bis heute: Zum Glück entwickeln sich die Dinge weiter. Es gibt immer noch Überschneidungen zwischen den Rollen, aber Organisationen haben begonnen, sie klarer zu definieren. In diesem Artikel möchte ich die zusammenbrechen Wirkliche Unterschiede zwischen Datenrollendurch die Linse eines realen Beispiels.

Ein reales Szenario: treffen Quikee

Stellen wir uns ein fiktives Fast-Commerce-Startup namens namens vor Quikeestarten in mehreren indischen Städten. Ihr Wertversprechen? Liefern Sie Lebensmittel und Grundlagen innerhalb 10 Minuten.

Kunden stellen Bestellungen über die App oder Web site ab. Hinter den Kulissen befinden sich in den Städten Mikrokarten (auch als „dunkle Geschäfte“ bezeichnet) und eine Flotte von Lieferpartnern, die diese blitzschnellen Lieferungen herstellen.

Lassen Sie uns nun die Datenbedürfnisse dieses Unternehmens durchgehen – von dem Second, in dem eine Bestellung aufgegeben wird, bis zu den Führungskräften des Dashboards, die in ihren Treffen am Montagmorgen verwendet werden.

Schritt 1: Erfassen und Speichern von Rohdaten

In dem Second, in dem ein Kunde eine Bestellung aufgibt, Transaktionsdaten wird erzeugt:

• Zeitstempel
• Bestellausweis
• Artikel bestellt
• Preis
• Rabattcodes
• Kundenstandort
• Zahlungsmethode
• Zugeordneter Lieferpartner

Nehmen wir an, Quikee verwendet verwendet Amazon Kinesis Diese Daten in Echtzeit auf einen zu streamen S3 Knowledge Lake. Dieser Stream ist hochvolumig, zeitempfindlich und entscheidend für die Geschäftsverfolgung.

Aber hier ist der Haken: Rohdaten sind chaotisch. Sie können es nicht direkt zur Entscheidungsfindung verwenden.

Additionally, was passiert als nächstes?

Schritt 2: Datenpipelines erstellen

Geben Sie die Dateningenieure.

Sie sind verantwortlich für:

• Echtzeitdaten einnehmen
• Validierung der Schema -Konsistenz
• Umgang mit Fehlern und Wiederholungen
• Schreiben Sie Pipelines, um Daten von S3 in ein Knowledge Warehouse zu verschieben (sagen wir, Schneeflocke oder Rotverschiebung).

Hier ETL (Extrahieren, transformieren, laden) oder ELT Pipelines kommen ins Spiel. Dateningenieure reinigen, formatieren und strukturieren die Daten, um sie nachfrierbar zu machen.

Zum Beispiel kann eine Bestellentabelle in:

• Bestellungen → Eine Zeile professional Bestellung
• Order_items → Eine Zeile professional Artikel in einer Bestellung
• Zahlungen → Eine Zeile professional Zahlungsversuch

In diesem Stadium werden Rohprotokolle in strukturierte Tabellen umgewandelt, mit denen Analysten arbeiten können.

Schritt 3: Dimensional Modeling & OLAP

Als Führung beginnt strategische Fragen wie:

• „Welche Stadt bringt die meisten Einnahmen mit?“
• „Welcher Geschäft ist unterdurchschnittlich?“
• „Was ist unsere durchschnittliche Lieferzeit nach Zone?“

… Es wird klar, dass die direkten Abfrage von Transaktionsdaten nicht unmittelbar skaliert werden.

Das ist wo Dimensionsmodellierung kommt herein.

Anstelle von flachen rohen Tabellen werden Daten in Tatsache und Dimensionstabellen strukturiert.

Faktentische

• Große, quantitative Datentabellen, die Fremdschlüssel sowie Maßnahmen und Metriken enthalten (MetrikenMeistens. Es gibt auch sachlose Faktentische, die keine Maßnahmen haben).
• Beispiele: fact_ordersAnwesend fact_paymentsAnwesend fact_deliveries
• Metriken wie Umsatz, Bestellzahl, Lieferzeit enthalten

Dimensionstabellen

• Kleinere, beschreibende Tabellen, die helfen, die Daten in einer Faktentabelle zu verstehen
• Beispiele: dim_storeAnwesend dim_productAnwesend dim_customerAnwesend dim_delivery_agent
• Helfen Sie beim Filtern, Gruppen und Beiträgen für tiefere Erkenntnisse und schließen Sie sich an

Diese Struktur ermöglicht Olap– Schnelles, analytisches Abfragen über mehrere Dimensionen hinweg. Zum Beispiel können Sie jetzt Abfragen wie folgt ausführen:

„Zeigen Sie mir in den letzten 7 Tagen durchschnittliche Lieferzeit im Laden und Tagesstunde.“

Dieser Schritt wird von Dateningenieuren in den meisten Organisationen durchgeführt, aber ich habe nur wenige dunkle und faktische Tabellen aufgebaut, als ich als als arbeitete Enterprise Intelligence Ingenieur bei Amazon.

Schritt 4: Definieren von KPIs und Metriken

Hier Analytics Engineers (oder BI -Ingenieure) Glanz.

Sie sitzen zwischen der technischen Datenebene und den Geschäftsanwendern. Zu ihren Verantwortlichkeiten gehören häufig:

• Definieren von KPIs (z. B. Abwanderungsrate, Wiederholung des Kaufs %, Zeit-zu-Vollfillment)
• Schreiben von Logik für komplexe Metriken (z. B. Kohortenretention, aktive Benutzer)
• Erstellen Semantische Modelle oder Metrikenschichten In Instruments wie DBT oder Looker
• Gewährleistung einer konsistenten Definitionen im gesamten Unternehmen

Zum Beispiel bei Amazon hat unser Workforce keine Rohdaten abfragt, um Einnahmen jedes Mal zu berechnen. Stattdessen haben wir geschaffen vorabregierte Faktentische bei täglichen, wöchentlichen und monatlichen Körnern. Auf diese Weise blieben das Dashboards schneller geladen und die Metriken blieben in den Groups konsistent.

Analytics -Ingenieure fungieren als Übersetzer zwischen Ingenieurwesen und Geschäft – definieren Was Wir messen und Wie Wir messen es.

Schritt 5: Analyse, Berichterstattung und Geschichtenerzählen

Jetzt kommt die Rolle der Datenanalyst.

Mit sauberen, modellierten Daten bewaffnet, konzentrieren sie sich auf die Beantwortung von echten geschäftlichen Fragen wie:

• „Warum hat die Retention in Bangalore letzten Monat gesunken?“
• „Welche Gutscheincodes treiben die neuen Benutzer vor?“
• „Was sind die High -Produkte in den ersten 30 Tagen neu?“

Sie bauen Dashboards in Werkzeugen wie Tableau, Energy BI oder Looker. Sie führen Advert-hoc SQL-Abfragen aus. Sie tauchen in A/B -Testergebnisse, Benutzerverhaltenstrends und Kampagneneffektivität ein.

Aber vor allem sie Geschichten erzählen mit Daten – komplexe Zahlen für die Stakeholder verständlich und umsetzbar.

Wer ist wer?

TL; DR: Wo passt du?

So denke ich darüber nach:

• Ich liebe es, robuste Pipelines zu bauen und Skalierbarkeitsprobleme zu lösen? → Du bist a Dateningenieur
• Lieben Sie es, Geschäftsmetriken zu definieren und komplexe Datensätze zu organisieren? → Du bist ein Analytics Engineer
• Lieben Sie es, Erkenntnisse aufzudecken und mit Daten Geschichten zu erzählen? → Du bist a Datenanalyst

Natürlich mischen reale Rollen diese oft. Vor allem bei kleineren Unternehmen können Sie mehrere Hüte tragen. Und das ist okay.

Der Schlüssel ist nicht der Titel – aber wo Sie den größten Wert hinzufügen Und Was dich ansetzt.

Letzte Gedanken

Ich habe lange gebraucht, um zu verstehen, was ich tatsächlich tue – nicht nur, was meine Berufsbezeichnung sagt. Und wenn Sie jemals diese Verwirrung gespürt haben, sind Sie nicht allein.

Heute kann ich eindeutig sagen, dass ich an der Kreuzung von operiere DatenmodellierungAnwesend GeschäftslogikUnd Geschichtenerzählen– Ein Candy Spot zwischen Analytik und Ingenieurwesen. Und ich habe gelernt, dass die Fähigkeit, die Punkte zu verbinden, wichtiger ist als in eine perfekte Field zu passen.

Wenn Sie einen ähnlichen Weg gegangen sind – oder in Ihrer Rolle mehrere Hüte tragen – würde ich gerne Ihre Geschichte hören.

Schreiben Sie einen Kommentar ab oder teilen Sie dies mit jemandem, der es auch herausfindet.

Da Daten ein wesentlicher Aspekt der Enterprise Intelligence sind, sind Datenanalysten sehr gefragt – und dieser Pattern nimmt nur zu! Der Job ist der Schlüssel für viele Arten von Projekten, z. B. die Analyse von Markttrends oder das Sammeln von Daten für politische Umfragen.

Wenn Sie lernen möchten, Datenanalyst zu werden, sind Sie am richtigen Ort. Wir haben 5 Schritte angelegt, damit Sie Ihre Reise beginnen können.

Schritt 1: Wissen Sie, was für Sie richtig ist

Die Datenbranche ist in mehrere Disziplinen unterteilt. Jeder, ob es sich beispielsweise um Datenwissenschafts- oder Datenanalyse handelt, hat beispielsweise seine eigenen Spezifitäten, überlappen sich jedoch manchmal. Darüber hinaus gibt es Fälle, in denen Fachleute im selben Bereich eine andere Programmiersprache verwenden.

Obwohl das verwirrend klingt, sind wir hier, um es für Sie aufzubrechen. Schließlich möchten wir, dass Sie wissen, für welches Feld Sie am besten geeignet sind, damit Sie Ihre Zeit oder Mühe nicht verschwenden.

Sicherstellen, dass die Datenanalyse für Sie ist

Wenn Sie mit der Erforschung von Daten begonnen haben, wissen Sie, dass das Verständnis des Unterschieds zwischen einer Datenanalystenrolle und anderen datenbezogenen Jobs ein wenig verwirrend sein kann. Wir haben ein paar Ressourcen, die definitiv dazu beitragen können, Dinge zu klären:

Letztendlich, wenn Sie mehr an einer Datenwissenschaftlerkarriere interessiert sind, Hier sind ein paar Tipps, die Ihnen helfen, Datenwissenschaftler zu werden. Wenn eine Datenanalystenkarriere für Sie zu sinnvoller zu sein scheint, haben Sie Alternativ weiter gelesen – wir haben Sie versichert.

Auswahl der richtigen Programmiersprache: Python vs. R.

Bevor Sie die Programmiersprache auswählen, die Sie lernen möchten, machen Sie sich mit den wichtigsten Fähigkeiten für Datenanalysten vertraut:

Python und R sind zwei Programmiersprachen, die Datenanalysten verwenden, die das gleiche Endergebnis erzeugen, wenn auch auf unterschiedliche Weise. Wenn R funktioneller ist, ist Python objektorientierter. Letztendlich fordern beide Programme für jede Aufgabe über die gleiche Menge an Arbeit, sodass keine erhebliche Zeit gespeichert wird, indem sie übereinander lernen. Die folgenden Ressourcen können Ihnen helfen, die Unterschiede zwischen Python und R. besser zu verstehen

Schritt 2: Lernen Sie die Grundlagen kennen

Als Datenanalyst sind Sie die Anlaufstelle, um die verborgene Bedeutung hinter den Zahlen zu finden. Sie werden untersuchen, warum Kunden beispielsweise ein Produkt gegenüber einem anderen bevorzugen. Sie können sogar feststellen, welche Arten von Verbrauchern bestimmte Produkte kaufen und scheinbar zufällige Datenpunkte verbinden, um ein klares Muster des Kaufverhaltens zu erstellen.

Wo anfangen

Hier sind einige Orte, an denen Sie lernen können, Datenanalyst zu werden:

• DataQuest – DataQuest wurde erstellt, weil es keine einfache Möglichkeit gab, Python zu lernen. DataQuest bietet nicht nur Wege, die aus allen Kursen anbieten, die Sie benötigen, um ein Datenanalyst zu werden, auch grundlegende Python -Kurse, die die Grundlagen abdecken.
• Bescheidenes Bündel – Wenn Sie mit Humble Bundle nicht vertraut sind, ist es ein On-line -Videospiel, das Bündel von Videospielen, Büchern und Software program verkauft. Die Web site bietet immer mindestens ein Python- oder datenorientiertes Bundle. Jetzt verfügbar, die Wesentliche Wissenscomputer und Tech -Bundle Von MIT Press enthält 24 Bücher über Datenwissenschaft, Deep Studying, KI maschinelles Lernen und vieles mehr.
• YouTube -Es gibt eine überraschende Anzahl datenorientierter YouTuber, die in der Datenbranche arbeiten und für Neulinge aufschlussreiche Kenntnisse vermitteln. Egal, ob Sie mehr über ein Feld erfahren oder sich selbst unterrichten möchten, indem Sie Ihren eigenen Video -Lehrplan erstellen, YouTube hat keinen Mangel an Optionen.

Schritt 3: Projekte erstellen

In meinem Datenkurs für Politikwissenschaft an der Universität battle die theoretische Klasse das typische Szenario, in dem Materials sehr technisch battle, und viel davon ging mir über den Kopf. In der Praxisklasse verwendeten wir jedoch Datenbanken, in denen die Umfrageinformationen über alles von einem Individual bis hin zu ihrer politischen Zugehörigkeit zu ihrem Einkommen enthielt – es battle viel mehr Spaß und viel effektiver.

Die Anwendung der Fähigkeiten, die Sie während eines Kurses mit Übungsübungen und -projekten erlernen, ist der beste Weg, um sie dazu zu bringen. Übung ist eine bewährte Methode, um zu lernen, wie man komplizierte Aufgaben auflöst und sicherstellt, dass Sie sie während der Arbeit erledigen können.

Sie können einen der beiden Datenanalystenpfade auf DataQuest starten, die Sie mit mehr als 20 Projekten herausfordern, z.

Finden Sie Projekte, die Sie interessieren

Während Sie lernen, Datenanalyst zu werden, können Sie in Ihrer Freizeit andere Projekte durchführen interessiere dich. Ich finde, dass es ein großes Motivationswerkzeug ist, an etwas zu arbeiten, um meine Neugier zu ernähren.

Projekte zeigen, dass Sie eine Initiative haben, was ein hoher Wert von Arbeitgebern ist. Darüber hinaus hilft es Ihnen, festzustellen, wie sehr Sie dieses Feld genießen. Wenn Sie an personenbezogenen Datenprojekten für „Spaß“ arbeiten, sind Sie am richtigen Ort.

Wenn es darum geht, an persönlichen Projekten zu arbeiten, können Sie sie über alles machen, was Sie interessiert. Solange Sie die Daten haben, ist Ihre Vorstellungskraft die einzige Grenze.

Suchen Sie anderswo nach Inspiration

Sie können auch Inspiration für Projekte aus Büchern oder anderen Medien finden. Zum Beispiel, Supergrafik, Von Tim Leong ist ein großartiges Beispiel für die Verwendung von Daten für etwas Spaßes. Dieses Buch konzentriert sich auf Superhelden -Comics und besteht aus Infografiken, die zufällige Datenpunkte über Superhelden erklären.

In einer Gantt -Tabelle im Buch wird unterbrochen, wie lange die anderen Superhelden (auf wundersame Weise) zum Leben erweckt wurden. Ein weiterer horizontaler Diagramm zeigt, ob Superman oder der Blitz der schnellste Mann ist – Spoiler: Es ist der Blitz. Supergrafische Star Wars ist dasselbe, außer mit Diagrammen über die Ereignisse in einer weit entfernten Galaxie.

Vor ein paar Jahren schien es, als würde jeder Wurm spielen, ein Spiel, das Ihnen 6 versucht, das 5-Buchstaben-Wort des Tages zu lösen. Wenn Sie es gespielt haben, hatten Sie wahrscheinlich eine proprietäre Methode, um das Wort zu lösen, und alle anderen auch. Aber ein Datenreporter von Die warum Achse Erstellte ein datenbasiertes Diagramm, in dem die fünf am häufigsten verwendeten Buchstaben in Writdle verwendet wurden: E, R, A, O und T. Diese lustige und clevere Tabelle hat einige der Rätsel des Spiels weggenommen, aber es hat vielen geholfen mit ihr tägliches Wurmspiel.

Schritt 4: Erstellen eines starken Portfolios

Anstatt sich vorzustellen, wie Ihr Job aussehen wird und wie Sie als Datenanalyst aussehen werden, kann ein projektbasierter Kurs diesen Einblick geben, bevor Sie überhaupt Ihren zukünftigen Arbeitsplatz betreten. Ihr Portfolio wird zeigen, nicht nur sagen, zukünftige Arbeitgeber, wozu Sie in der Lage sind. Ein Portfolio ist besonders wichtig für einen Datenanalyst für Einsteiger, da Sie wahrscheinlich nicht über die Berufserfahrung verfügen.

Hier sind einige Ressourcen, mit denen Sie Ihr Portfolio aufbauen können:

Im Wettbewerb mit anderen Datenanalysten um denselben Job kann ein starkes Portfolio der Unterschied zwischen einer E -Mail mit einem Angebotsbrief und einem ohne sein. Niemand weiß das besser als Miguel Couto, ein Datenanalyst bei einem großen On-line -Streaming -Unternehmen, der nach dem Einschlagen des Datenanalystenpfads einen Job bekam.

„Die Projekte auf DataQuest ermöglichten es mir, ein Github -Portfolio aufzubauen“, sagte Miguel. „DataQuest lässt Sie tatsächlich nachdenken und Ihre Fähigkeiten anwenden.“ Obwohl nicht jedes Projekt im Kurs in Ihr Portfolio geschafft, haben Sie die Instruments, um Ihre eigenen Projekte außerhalb des Kurses zu erstellen.

Diese persönlichen Projekte eignen sich hervorragend für jedes Portfolio und zeigen, dass Sie Initiative und die Erfahrung haben, um es sich zu unterstützen. Für Miguel battle Github der perfekte Ort, um seine Arbeit zu zeigen, da er seine Projekte und die Dokumentation und den Code hinter jedem Projekt zeigen konnte.

Schritt 5: Gehen Sie da raus

Es ist ein guter Anfang, Ihr Portfolio auf einer Web site zu hosten, aber das kann keine Persönlichkeit haben. Während Arbeitgeber und Kollegen Ihre Arbeit sehen, können sie möglicherweise verpassen, was Sie anders macht. Sie können beispielsweise einen Weblog über Datenanalysen schreiben.

Schreiben ist nicht das einzige Medium, in dem Sie sich professionell ausdrücken können. Während Social -Media -Plattformen der am wenigsten wahrscheinliche Ort für die Diskussion von Datenanalysen zu sein scheinen, wären Sie von dem überrascht, was Sie finden. Ein Tiktok -Benutzer begann, Microsoft Excel -Inhalte auf der Plattform zu erstellen, was sie zu einer Karriere verwandelte, indem sie den Leuten beibrachte, wie man Tabellenkalkulationssoftware verwendet.

Reddit ist ein weiteres großartiges Beispiel. Es gibt Gemeinschaften für Datenwissenschafts- und Datenanalysen sowie andere datenzentrierte Bereiche. Dies ist ein großartiger Ort, um eine Leistung zu veröffentlichen, eine Frage zu stellen oder andere Personen im selben Boot zu treffen. ZwietrachtEine Messaging -Plattform, die Slack ähnelt, ist ein weiterer Ort, an dem Sie Menschen treffen und über alles Datenanalysen sprechen können.

Die Sache mit der Interaktion in einer Nischengemeinschaft ist, dass es eine hohe Probability gibt, dass Sie jemanden treffen könnten, der Ihrer Karriere helfen könnte. Möglicherweise erfahren Sie etwas über einen Job oder treffen Sie jemanden, der Sie dem Arbeitgeber vorstellen könnte. Aber auf persönlicher Ebene ist es nur eine großartige Möglichkeit, Freunde zu finden.

Machen Sie den ersten Schritt, um Datenanalyst zu werden

Wir neigen dazu, uns zu prüfen, indem wir denken, dass etwas zu schwierig, zu teuer oder einfach zu zeitaufwändig ist. Aber Sie haben diesen ersten Schritt bereits gemacht. Jetzt, da Sie den grundlegenden Umriss haben, wie Sie Datenanalyst werden können, stellt sich heraus, dass es weder zu schwer, zu teuer noch zu zeitaufwändig ist. Und Sie brauchen nicht einmal eine Zertifizierung. . .

Ein ehemaliger Datenquest -Lernender, der jetzt für Fractal arbeitete, battle beeindruckt davon, wie der Information Analyst Path komplizierte Probanden wie Math unterrichtete. „Nur die wichtigsten Konzepte wurden unterrichtet, und sie wurden so intestine untergebracht, dass jeder, der grundlegende arithmetische Fähigkeiten besitzt, mit Lerndatenanalysen und -statistiken beginnen konnte.“

Der DataQuest Information Analyst Path ist erschwinglich, herausfordernd und flexibel. Egal, ob Sie einen Vollzeitjob halten oder Ihre nächsten Schritte herausfinden, der Weg ist Ihnen, in Ihrem eigenen Tempo zu gehen. Sie können es in nur fünf Monaten mit einem zeitlichen Engagement von 10 Stunden professional Woche beenden, oder Sie können es über ein Jahr ausbreiten. Am Ende beendet es den Weg (nicht wie lange es dauert!) Das zählt am wichtigsten.

Ich habe 2020 meinen Job als Datenanalyst bekommen.

Ich genoss die Vorteile der Heimarbeit, verdiente gutes Geld und hatte versatile Arbeitszeiten.

Leider haben sich die Dinge seitdem geändert.

Jeden Tag landen in meinem Posteingang Dutzende von LinkedIn-Nachrichten von Kandidaten, die trotz der erforderlichen analytischen Fähigkeiten Schwierigkeiten haben, einen Job zu finden.

Diese Leute haben Tausende von Greenback für Bootcamps und On-line-Kurse ausgegeben, nur um dann mit niedrigen Angeboten und Ablehnungs-E-Mails konfrontiert zu werden.

Für eine Videoversion klicken Sie hier Hier.