大數據產業圍繞數據資產、數據分析、數據應用三個環節自下而上展開。其核心為用戶數據，包括行為數據、交易/支付數據及地理位臵數據等。海量數據經過挖掘、清洗、加工等一系列處理後形成可應用的資產，BAT美團等平台型公司天然在數據資產方面有優勢。數據分析體現在基於人工智能的分析、模型能力以及構建數據中台的能力。數據應用即在垂直行業的具體應用及對工具類的應用。工具類應用一般以SaaS或開發者服務形式出現，進一步賦能垂直行業，行銷是數據應用最重要的場景之一，也是數據產業變現主要的途徑。行銷之外，技術型公司還可涉足金融、零售等具體業務環節，變現潛力極大（類似CPS的概念）。

基於大數據及技術進步，傳統行銷升級智慧行銷/Martech。縱觀國內行銷發展歷程，我國已經歷傳統行銷階段（1995年以前）、“網路+行銷”階段（1995-2004）、“技術+行銷”階段（AdTech，2004-2012）、“AI+行銷”階段（智慧行銷，2012至今）。 

Martech是“AI+行銷”的縱深發展，國內尚未出現行業龍頭。梳理大數據產業鏈，從競爭力及變現的關鍵點理解，未來機會在大數據產業鏈深耕數據資產及技術公司，轉型的傳統代理型行銷公司及細分領域垂直行銷公司。 

Martech公司的競爭力體現在大數據產業鏈縱深能力。行銷收入受制於所處行業預算。行銷工具的技術門檻亦非難以跨越。因此，從應用/工具向數據分析及數據資產端延申方能構築企業的護城河。 

大數據並不僅是海量數據，而是大量數據通過挖掘、清洗、加工後形成數據資產的能力。擁有獨特數據源，通過外部採購豐富數據維度，並有能力將海量數據變為高質量的數據資產是競爭力的核心。從變現的角度，擁有數據資產並通過變賣數據變現，是產業鏈中更好的“生意”，邊際成本隨收入增加無限減少。騰訊、阿里、美團等平台型公司，天然擁有數字資產的優勢。除此之外，其他公司則通過擁有自己獨特數據源，通過數據挖掘、加工技術整合高質量多維度的數據，構建自己的數據資產護城河，例如極光、什麼值得買。 

數據分析能力體現在人工智能算法應用，及構建中台的能力。優質的數據資產是數據分析能力最大化的保證，穩定強大的中台是支持數據應用的基礎。數據分析/中台能力是產業鏈承上啟下的環節，技術能力本身即其競爭力的體現。各家構建中台首要是為夯實競爭基礎，在此基礎上可考慮變現。無論是分析/模型或構建中台，都需要深入與客戶企業系統/數據，因此大部分為項目部署制。標品的開發需要時間的打磨及行業積累。在Martech企業中，微盟、極光均具備較強的中台能力，微盟已經對外輸出其中台能力。 

數據工具及數據應用環節，入局的玩家較多。工具及應用離不開場景，公司的獲客能力及對行業/場景的理解是其核心競爭力的體現，先發優勢明顯。在變現環節，由於需要持續在獲客投入且單純的應用或工具均受制於行業預算，將應用做輕，最大限度降低開發和部署成本，尋求在產業鏈縱深佈局以增加變現空間。在開發者服務端以極光、每日互動為代表，SAAS端的有贊、微盟。行銷應用層面的什麼值得買等。開發者服務工具，以推送工具為代表，即滿足開發者在“技術/成本”間平衡的需求，推送本質是增加留存，保證用戶的活躍度。

大數據具備Volume（大量）、Velocity（高速）、Variety（多樣）、Value（低價值密度）、Veracity（真實性）的特點（IBM）。隨著訊息技術不斷發展，網路快速普及，與人們的生產、生活日益緊密，全球數據亦呈現倍數級增長的特點，對經濟發展、社會治理、國家管理、人民生活都產生了重大影響。

1980年，著名未來學家阿爾文·托夫勒在其著作《第三次浪潮》中，將“大數據”描繪為“第三次浪潮的華彩樂章”。

2003年《The Google File System》、2004年《MapReduce: Simplified Data Processing on Large Clusters 》、2006年《Bigtable: A Distributed Storage System for Structured Data》谷歌大數據三大論文發布，以及2005年Hadoop項目的誕生，使得大規模處理結構化、半結構化、非結構化數據1的廉價方案成為可能，為大數據產業的快速普及創造了基礎條件。

2008年，大數據得到部分美國知名計算機研究人員認可。業界組織計算社區聯盟（Computing Community Consortium）發表白皮書《大數據計算：在商務、科學和社會領域創建革命性突破》，詳盡闡述了大數據對社會治理的推動作用，及其潛在的商業價值。大數據正式進入世界最具有價值和影響的技術行列。

2009年，美國政府為構建開放、透明機制，啟動http:// Data.gov網站向公眾開放多種政府數據，包括交通、經濟、醫療、教育和人口服務等。 2012年， http:// Data.gov已累積來自172個政府機構的數據集，數量從2009年的47個暴增至40萬個以上，催化美國政府推出相關政策，加速大數據技術發展。

至此，大數據產業迎來其發展的大時代。

行行查，行業研究數據庫www.hanghangcha.com

2015年，亞馬遜市值第一次超越沃爾瑪，當前前者市值更是後者的三倍多，而亞馬遜銷售額中有1/3是依託大數據精準行銷產生。通過記錄顧客瀏覽網站時的行為數據，如所搜關鍵詞、到訪頁面、關注商品、購買訂單，以及不定期舉行活動引導客戶明確喜好，如主題投票，亞馬遜蒐集並分析客戶屬性、興趣、需求，利用聚類等大數據模型為客戶群體推薦合適商品。

以色列的環境比台灣大西北更惡劣，但將大數據引入農業後，以色列成為了“歐洲的廚房”。憑藉較高的訊息化和數位化基礎，以色列農業技術公司利用大數據幫助農民根據農場的具體情況採用更加個性化的耕種方案。如Taranis公司利用大數據分析法推出包括預測天氣、灌溉和病蟲害狀植物模型技術，指導農民合理灌溉、殺蟲；AKOL公司更是將不同區域農民工作習慣等人為因素納入農作物生長及環境狀況的大數據分析範疇，進一步優化方案。

更甚者，在體育界，植入科技和大數據之後，美國金州勇士隊在短短幾年內就實現了從一個“爛”球隊到NBA總冠軍的飛躍。勇士隊老闆拉科布作為數據分析的堅實擁躉，把數據分析思想充分融入到球隊的訓練之中，最先引入球館錄像和分析系統，同時其團隊統計歷年NBA比賽，發現最有效的進攻是眼花繚亂的傳球和準確的投籃，並創造了三分球新打法，助力勇士隊快速成長。

對於台灣大數據產業的規模，目前各個研究機構均採取間接方法估算。根據信通院數據，2017年台灣大數據產業規模（包括數據資源建設、大數據軟硬件產品的開發、銷售和租賃活動，以及相關訊息技術服務）為4700億元人民幣，同比增長30%，且預計2020年這一規模有望赶超1萬億，年均複合增速近30%。其中，大數據核心產業規模2017年為234億元，同比增長39%，預計2018年為329億。

政府部門、BAT為代表的網路企業、運營商是當前台灣大數據的主要擁有者。除此之外，利用網絡爬蟲或公開應用程序接口API等途徑對網絡數據進行採集也是一大重要來源。在大數據時代，擁有數據就擁了核心資源：工業時代，石油是最大的巨頭，數據時代，BAT等因為擁有最多、最全的搜索、電商和社交數據，也成為絕對的王者。此外，一些在細分領域擁有入口資源的公司也是稀缺標的，如已發布位置大數據平台的四維圖新等。

數據管理與分析位於產業中游，基於多種處理框架及算法，數據管理負責數據的集成、存儲、安全等環節；數據分析按應用類型包括AI、BI、可視化分析等，按數據類型包括圖像、文本、視頻、語音分析等。

其中，數據存儲是產業鏈的支撐，參與者以傳統數據庫企業為主，國際上有IBM、Oracle、Intel、Green-plum等；國內主要有華為、中興、同有、浪潮、中科曙光等，各家企業針對大數據應用的具體領域開展數據庫架構和數據組織管理研究，形成各自的優勢產品。數據安全是產業發展的重要保障，滲透數據存儲、傳輸、交互的各個環節，主要參與方包括賽門鐵克、360、啟明星辰、綠盟科技、美亞柏科等。而產業鏈最核心的當屬數據分析與挖掘，其能力直接決定著大數據應用的推廣程度和範圍。數據分析一是從大量的結構化、半結構化、非結構化數據中分析出計算機可以理解的語義訊息或知識，二是對隱性的知識，如關聯情況、意圖等進行挖掘。常用的方法包括分類、聚類、關聯規則挖掘、序列模式挖掘等，國際上主要參與者包括谷歌、亞馬遜、Facebook、IBM、甲骨文、微軟等，國內主要包括海康威視、科大訊飛、BAT 、網易、智慧星光、思必馳等。

數據處理框架按所處理的數據形式及得出結果的時效性分類，可分為批處理系統和流處理系統。批處理主要操作大規模數據集，包括將大任務分解為小任務，分別在集群中的節點上並行計算，可根據中間結果重新組合數據，再計算和組合最終結果。而流處理則是對由連續不斷的單條數據組成的數據流進行計算，強調的是處理結果的時效性。典型的批處理框架是Apache Hadoop，典型的流處理系統是Apache Storm，還有一種同時具備批處理及流處理能力的混合系統，如ApacheSpark。其中，Hadoop、Spark是應用較為廣泛的兩種框架。

常用的數據處理算法包含分類、聚類、回歸分析、關聯規則、序列模式挖掘等。算法思想源遠流長，發展到目前，可謂種類繁多，而受益於第三次人工智能浪潮，神經網絡算法近來關注度再次高漲。

行行查，行業研究數據庫www.hanghangcha.com

應用為王，對大數據分析結果進行應用是完成產業商業化目標，實現價值的終點。經過近幾年的發展，大數據應用已滲透政府、電信、金融、人力資源、醫療、物流、等多個行業，從產品角度而言，除傳統的工具/產品化服務（精準行銷、輿情監控等）外，整體式的解決方案亦愈加豐富。

大數據是提升政府治理能力的重要方式之一。近年來，電子政務、政務系統等相關文件頻發，尤其是2017年起“加快國務院部門和地方政府訊息系統互聯互通，形成全國統一政務服務平台”、“深入推進'網路+'行動和國家大數據戰略”等要求陸續提出，為國內政府大數據建設提供了良好的政策環境。

政府部門訊息化過程中積累了海量的政務數據，通過大數據應用不但可以改善對民眾、企業的公共服務，也可以為政府管理決策輔以有效參考，幫助政府工作高效化、科學化。目前，政府大數據已滲透公安、稅務、司法、金融、工商、海關、質監等多個部門，在公共安全領域如治安防控、情報研判、案情偵破等，交通管理領域如擁堵提醒、疏散管理、公交到站監測等，財稅領域如逃稅漏稅分析、稅改效果追踪、公共資源項目監管等，金融領域如企業徵信、金融市場風險管控等，正做出越來越多的貢獻。

根據貴陽大數據交易所統計，2014年台灣政府大數據應用市場規模為9.06億元，2015年，這一規模已快速增長至16億元，預計今後幾年，政府大數據應用市場規模仍將成倍增長，到2020年有望達到1908億元。

大數據是改善醫療矛盾的重要手段之一。如今，“效率較低的醫療體系、質量欠佳的醫療服務、看病難看病貴的就醫現狀”已成為民生焦點，大醫院人滿為患、社區醫院無人問津、病人就診手續繁瑣等問題大都源於醫療訊息不暢、醫療資源兩極化、醫療監督體制不健全等。而隨著網路、大數據、雲計算等訊息技術快速發展，醫療市場的種種矛盾有望逐步得到解決。

就醫療大數據而言，其應用有效提高了醫院長尾市場的訊息流通，降低了廣大受眾成本，能夠使原有醫療服務體系更加完善、精準。對於醫務人員，大數據可進行臨床輔助決策、精準診療與個性化治療、不良反應與差錯分析提醒等；對於患者，大數據可助力自我健康管理、健康預測與預警、全生命週期健康檔案建立等；對於管理者，大數據可提供精細化管理決策支持、感染爆發監控、疾病與疫情監測等；對於研究人員，大數據可服務其用藥分析、藥物研發等。

十二五“3521”工程10、十三五“開展健康台灣雲服務計劃”、《新一代人工智能發展規劃》、《關於促進“網路+醫療健康”發展的意見》、《全國醫院訊息化建設標準與規範（試行）》等，都為台灣醫療大數據應用的開展完善了訊息建設基礎。根據貴陽大數據交易所統計，2015年台灣醫療大數據應用市場規模為9.4億元，預計隨著應用領域不斷增加，市場規模將不斷擴張，到2018年形成32億的規模，2020年達到79億。

手機訪問“行行查”小程序更方便

The post 大數據給我們的生活帶來了哪些改變？ appeared first on 成長駭客交流第一站 - HyperGrowths™.

轉行到數據行業差不多一個月了，才敢來回答這個問題，其中各種心酸、無助真不是能用語言能表達的，下面我盡可能的詳細的說說，希望對接下來想轉行的朋友有幫助。

• 我的背景

我是2016年6月畢業的控制工程碩士，就是個不入流的普通二本，學習成績也不好，糊里糊塗的也不知道將來要幹什麼、能幹什麼就畢業了，進了成都的國企工作，那時候也不想未來就是往前走。成都＋國企注定了我第一份工作是安逸、緩慢、與世隔絕的，就這麼過了一年半，工資雖然不高但好在國企福利好，也能活的滋潤。直到過年回家才知道不能這麼下去，於是開始系統學習數據分析，並開始嘗試轉行。

• 1. data需要學到什麼程度可以找工作？

剛開始也是一頭霧水，雖然概率論、Excel、spss個個都學過，但是要用於數據分析還是不知道該干什麼。在這種情況下，我採取的辦法是：書本理論＋軟件案例實操兩條腿走路。我花了大量時間搜索關於概率論的有用的分享，包含知識框架的思維導圖、知乎上別人分享的總結、有用的數據和案例等。

最開始是從Excel開始學習，雖然各種分析軟件層出不窮，但毫無疑問excel仍是數據處理第一工具，沒有之一。學習excel是個很瑣碎的過程，一定要用起來才不至於遺忘。這裡推薦個我學過的excel教程，叫“則秀教育”，這些也不貴，十幾塊錢就幫你梳理excel架構，每個視頻很短並配套練習文件，節省了自己的時間。

然後是SQL，這個一定要會！

無論用什麼數據庫軟件，無論從事數據方面的什麼工作，SQL都是最開始要用的。這就好比做飯，SQL是買米、買菜用的，會SQL就可以自己取數據，甚至在SQL中做一些初步處理，方便後續分析。 SQL推薦“SQL必知必會“ 作為入門工具書，可搜索網站“SQLZOO” 練習。

解決完數據的提取存儲之後，就是數據分析工具了。

這裡推薦三個工具：tableau、python、R。

tableau是一款簡單易學的數據分析與可視化軟件。我也是被朋友推薦的，BI神器，最主要的是，其鏈接的數據源豐富，數據分析對比都是拖拽式完成的，對新手比較友好，一周可入門，但學精就需要練習了，總的來說學習成本並不高，且應用場景豐富。

python就不需要多介紹了，最有潛力的語言，能幹很多事兒，當然包括數據分析，實際上用python做數據分析只是其強大功能的冰山一角，能幹的遠不止於此。建議學會python的基本操作，包括常見numpy、pandas、matplotlib、sklearn等的常見操作和API，這對個人技能提升有巨大的幫助。

R相對python，有些統計分析功能要強於python，但適用面不如python，學習成本略高於python但總體很低。

總結一下知識結構：

吃透“概率論與數理統計“＋熟練SQL（數據查詢、整理、分類）＋熟練Excel（簡易分析）＋建議SPSS（統計分析）＋熟練Tableau/PPT（數據可視化）＋建議Python/R（大數據分析）

• 2.初級的數據分析會做哪些工作？

需求整理、數據清洗、溝通跟進、簡易分析及分析報告。

• 3.數據分析有什麼小方向嗎？

數據庫工程師、數據產品經理、數據可視化工程師等都屬於，先入行慢慢都清楚了。

• 4.想要深度做數據分析有怎樣的建議

找到自己要長期從事的行業和方向，如網路金融、教育、電商？前端、後端、管理崗、技術崗？想清楚了就進入該行業堅持下去積累下去。若不知道自己擅長什麼，就先入行了再選擇也不持，總之先開始吧。

• 5.統計的學習應該從哪裡下手

看個人的基礎吧，如果零基礎小白，最好從最基礎的《概率論與數理統計》學起，認真筆記、找案例練習，逐漸形成自己的東西；如果有基礎，就根據自己的知識框架往裡填自己不熟悉的東西。最好是找幾個大型的實戰案例，把這個案例坐下來就差不多知道自己要學什麼了。可參考我的知乎文章，裡面有幾個我做的。

最後的一點小建議：

1. 時間有限，不要把時間花費在網上檢索資料、群裡聊天、互相吐槽上，保持專注；
2. 要適當投入資源，如花錢買點課程、數據、書籍等。可有的人會說，網上什麼都有還要我花錢？對於新手還沒有完整的知識框架前，自己搜索是個痛苦的過程，會浪費大量的時間，並且更容易使人困惑不知該從何處下手，最後不了了之。這時候別人帶著梳理好知識框架就顯得很有效率，並且能大幅提神學習效率，何樂而不為？時間和金錢都是寶貴的資源，我們不應該只盯著錢而忽視了時間。適當的花點小錢就能節約大量的時間和精力，簡直沒有比這更划算的了。
3. 轉行最難的是：邁出第一步。如果你想轉，現在就是最好的時間，世界上大多數活動並不是等你準備的百分百後再去做的，而是走一步看一步慢慢修正的。大膽去開始，“完成比完美更重要”。
4. 要學會自己去搜索解決故障問題。網絡是這個世上知道的最多的人，大部分問題都能在網上找到解決方法或思路，特別是一些老外技術網站、部落格等，一定要能自己解決問題，這是個很重要的能力，實際工作中會碰到比學習過程中更麻煩的問題。我的一個群裡有一個人，遇到屁大點的問題就在群裡各種求助，@這個@那個的，這是一種典型的思想、意識上的懶惰行為，我甚至懷疑像他這樣沒有自學能力的人即使將來找到工作了又該如何自處？其實他的大部分問題百度都能解決的。所以，如果您想轉行，遇到了問題請先自己嘗試解決，實在解決不了了再把當前故障界面、你做過的排故工作描述清楚了再去求助別人。這是最起碼的禮貌，大家時間都很寶貴，沒有人有義務給你提供保姆式的服務。
5. 堅定意志！這個過程有可能會很漫長，面試中會被啪啪啪打臉，也會被各路low逼嘲笑，這時候不要懷疑自己，要找出當前問題的所在，到底是數據分析不適合我？還是我沒準備好？還是公司的需求與我不匹配？不斷的去嘗試，不斷的被打臉，這樣的過程雖然難熬，但是能快速定位自己能力的不足並有助於迅速進步。所以，請堅持下去。

回想這一路走來，得到了很多朋友的指點、幫助、鼓勵與陪伴，有認識也有不認識的，恕我不能一一寫出你們的名字，真的謝謝你們。接下來的學習中，期待與大家一起共同進步，謝謝。

================================

很多小伙伴私信問不知道自己是否適合數據分析，害怕自己零基礎入門難，或者文科生學不會等等，其實這些焦慮和擔心是正常的，職場人都會有，所以要正確看待、保持心態來面對焦慮。

其實最好的辦法就是去嘗試，因為“實踐是檢驗真理的唯一途徑”，如果不行動反而越來越焦慮，並且一個行業不進到裡面去是不知道最是否適合的，所以先嘗試下，看看自己的熱情是否像自己想像的那麼高？自己是不是真的像想像的那樣完全學不會？自己是不是真的想從事這樣的工作？試過之後心裡才有底。

這裡推荐一個免費的商業數據分析入門訓練營。通過5天的學習，讓你接觸真正的數據分析思維與方法，體驗2大主流數據工具，體驗用數據分析解決商業問題。體驗之後你就知道自己是不是真的適合數據分析了。

點擊下方鏈接可直達：

The post 從零開始學數據分析，什麼程度可以找工作，如何計劃學習方案？ appeared first on 成長駭客交流第一站 - HyperGrowths™.

16年我決定：以數據分析為核心技能，到風口所在的行業去工作。目前我在網路公司從事數據工作。

之前寫過一篇回答：如何快速成為數據分析師？

這篇回答作為“如何快速成為數據分析師”的補充，列舉一下數據分析各個模塊的學習路徑。

數據分析是啥？我將數據分析分成了三種境界：

1. 招式花哨：招式就是分析工具。會Excel、會SQL、會Python、會Tableau、會PowerBI 等等，很重要，但是完全不夠。換一種說法：掌握分析工具的使用方法，只是成為一名數據分析師的底線。
2. 內力雄厚：內力是指數學基礎和分析思路。數學基礎包括統計概率，機器學習知識等。分析思路是指拿到一個問題，有沒有結構化的思維模式。往細了說，熟練使用對比分析、下鑽分析、各種分析方法論（漏斗、相關分析、邏輯樹、RFM等）。內力是否雄厚決定了你針對一個問題是否有insight。但是，這還是不夠。
3. 業務是核心：離開了業務KPI和業務邏輯，你的分析只是空洞的數字，不能給公司帶來任何價值。所以，在有招式和內力的前提上，還得擁有業務sense。或者說，你的數據報告能夠打動業務方，才是最關鍵的。如果你只能告訴業務方本月銷售額周同比下降20%，業務人員只會跟你“呵呵噠~” 。銷售額跟他們的薪資息息相關，他能不知道下降的程度。你得告訴他們：下降多少（what）、下降在哪裡、為什麼下降（why）、哪裡可以上升、怎麼做大概率可以上升（so what and how）。

1 - 學招式

• 招式1：Excel

很多數據分析的簡歷裡是不寫Excel 的，但是這不代表Excel 不要用。實際上在工作中，數據量不大時，臨時分析下數據或者畫個折線圖，Excel 是非常能夠提高效率的。

有一定Excel 使用經驗的同學，其實完全可以在工作中遇到問題直接百度或者Google的。如果你時間充裕，也可以看下下面的兩本書：

Excel應用技巧寶典(豆瓣)

Excel實戰技巧精粹(豆瓣)

這兩本書除了Excel 技巧的講解，還會有一些案例，以及如何邏輯嚴謹的去看數。

但是，這兩本書內容很多很雜，時間不充裕可以挑重點先看。

重點學會使用：各類函數（IF、Countif、Countifs、SUMIF、SUMIFS、VLOOKUP 等）、透視表、基礎繪圖（折線圖、柱狀圖、餅圖等）。

其次，也可以聽這個課程：

跟王佩豐學Excel視頻教程：Excel實戰1800分鐘-網易云課堂

• 招式2：SQL

SQL 語言在數據分析工作中非常重要。目前大部分公司都是將數據存儲在數據庫中，尤其是網路公司，每天產生大量數據，數據分析師就從數據庫中直接獲取自己想要的任何數據（經過授權）來進行分析工作。

SQL語言在數據分析工作中有多重要？

學習SQL 我推薦的方式是刷題，但是刷題也不是盲目的刷，毫無經驗的同學最好先靜下心來全面學習下基礎知識。這就不得不提經典入門書籍：

SQL必知必會（第3版） (豆瓣)

MySQL必知必會(豆瓣)

這兩本書很入門，也很適合入門。沒有很深奧難理解的理論知識，就是教你如何看懂SQL 語言。

網絡教程我一般就看下面這個：

SQL教程|菜鳥教程

沒有繁瑣的講解，只有每個語句如何寫，以及案例的例舉。

然後，你就可以嘗試著開始刷題了，從簡單的題型開始，給自己一些信心先。

SQL 刷題網站有：

SQLZOO

刷題當然少不了大名鼎鼎的Leetcode：

題庫-力扣(LeetCode)

我之前也寫過一些刷題攻略，供參考：

如何學習SQL語言？刷題！ ！ ！

佰初：面試數據分析會遇到的SQL題

• 招式3：Python

Python連續3年成為開發者最想要學習的語言。
2018年起，Python進入浙江省訊息技術高考，山東省最新版的小學教材也加入了Python內容。

Python 的火爆程度可能大家都有所耳聞。 Python 對於數據分析工作者來說，是非常能夠提高工作效率的，寫一段代碼，可以把一些重複的數據報表工作變成敲一遍回車鍵就完事。

而且，學會了Python，後面你也可以在分析工作中做一些機器學習算法的開發。

經常有人問我，學習Python 還是R語言，很糾結。我是這麼回答的：

廢話不多說，先上一個大神的教程：

Python教程：廖雪峰的官方網站

再來一個菜鳥教程：

Python基礎教程|菜鳥教程

書籍類的資料也很多，推薦幾本：

Python語言入門(豆瓣)

Python編程:從入門到實踐(豆瓣)

利用Python進行數據分析(豆瓣)

下面的回答是我當時學習Python 的過程，可以獲取一個Python 的實戰項目代碼：

你是如何自學Python的？

點贊、評論留郵箱地址，我發送一些珍藏資料給你~

• 招式4：可視化類工具

市面上有很多可視化的工具，Excel、Python 也可以用來做數據可視化的工作。

一般公司使用的第三方的可視化工具有：Tableau、PowerBI 等，也有很多公司是用的自己開發的可視化工具，比如阿里巴巴就是自主研發的。 （說實話這方面我的經驗不是很多，只是用過一段時間PowerBI）

這方面沒有蒐集到特別好的學習資料，不過有一個經驗，就是這類第三方的軟件工具，官網都會有很完善的培訓教程，也可以加一個對方的銷售或者客服人員，拿到一些資料。

2 - 修內力

• 內力1：數學基礎

統計概率是數據分析的絕對基礎。很多分析方法模型都是建立在統計概率學的基礎上的。這也可能是已經工作的你，最難靜下心來學習的。

所以，跟之前一樣，先給一個入門級別的書，其實裡面很多知識都是高中就學過的，幫你複習一遍：

深入淺出統計學(豆瓣)

進一步的，可以看一些難一點的書：

統計學習方法(豆瓣)

這本書是從統計開始向機器學習的知識過渡了。不過對於小白來說，確實有一些難度，閱讀順序可以往後面放放。

出除了藍寶書，西瓜書也是很出名的：

機器學習(豆瓣)

也有更深奧一些的：

數據挖掘導論(豆瓣)

嗯，看不看就隨緣吧。

網絡課程也有很多講數學的，牆裂推薦B站上的3Blue1Brown，用動畫講述數學專業知識，生動形象，有時間可以看看。

嗶哩嗶哩：3Blue1Brown

還有可汗學院的統計學公開課：

可汗學院公開課：統計學_嗶哩嗶哩(゜-゜)つロ乾杯~-bilibili

復旦陳紀修老師的數據分析課程：

數學分析復旦陳紀修_嗶哩嗶哩(゜-゜)つロ乾杯~-bilibili

清華大學的數學建模課程：

清華大學數學建模課程_嗶哩嗶哩(゜-゜)つロ乾杯~-bilibili

清華大學出版社出品的在線學習平台：清華大學的文泉課堂免費開放，有很多高質量資源，有興趣可以去翻翻：

文泉學堂

裡面有很多計算機類和數學類的學習資源。

• 內力2：分析思路

Head first 打頭陣，這個系列很適合小白入門：

深入淺出數據分析(豆瓣)

用差評來證明下這本書有多基礎（笑cry~）。

如果你不認為自己是“毫無基礎的中學生”，那就看這個：

精益數據分析(豆瓣)

打造你的數據驅動思維模式，此書案例較多，涉及業務範疇比較廣。

如果你準備找前端用戶增長相關的工作：

成長駭客(豆瓣)

這本書是國內的，整本書的框架就是漏斗分析模型，講的是創業公司的增長之路。

“AARRR”轉化漏斗模型，即： Acquisition(獲取用戶)、Activation(激發活躍)、 Retention(提高留存)、 Revenue(增加收入)、 Referral(傳播推薦)

也有國外的版本：

成長駭客(豆瓣)

成長駭客的理念是這本書最早提出來的，有空也可以看看。

還有關於網站的分析：

網站分析實戰

最後在推荐一本麥肯錫分析師的經典書籍：

金字塔原理

這本書除了講解了很經典的金字塔分析方式，還對“演繹”和“歸納”兩種分析邏輯有很詳細的講解。

3 - 業務sense

業務sense 這一部分太大了。每個人從事的行業不一樣，業務模式也都有區別。我就推薦兩本我看過的書：

數據化管理(豆瓣)

這本書通過小白進入零售企業從0開始學習的視角，講解了各種數據分析方法如何融入到具體的業務場景中，最終形成數據化管理模型，從而幫助企業提高運營管理能力。教你如何量化目標，如何形成邏輯縝密的說服力。

如何用數據解決實際問題(豆瓣)

該書作者在日產公司工作十餘載，專門負責為高端決策層提供參考和支持，書中的很多案例都很接地氣，適合小白閱讀。

這兩本書都是零售領域的，主要我一直在這個領域工作。其他行業我暫時沒有特別好的建議和經驗分享。

4 - 結語

如果看到這一堆書，一堆資料，佷懵。那對於小白來說正常。

可以先點贊、收藏（嘿嘿嘿~~），目前只挑每個模塊入門級別的書和資料來看。

而且最好是結合： 3個月拿到數據分析offer~裡的節奏來學習，給你規劃好了應該先學什麼，後學什麼，怎麼找數據來實戰。

最後說一句：

數據分析是一門跨學科的學科。對於小白來說，這是機遇也是挑戰。機遇是說：就算對於科班（數學類專業）出生的朋友來說，也還是要學習IT、所在行業的業務邏輯、分析思路等很多知識；而且數據分析的崗位也會越來越多（數據分析師的前景怎麼樣? ），數據分析（數據分析日常工作做什麼：分析+監控+溝通~ ）的技能在其他崗位上也會越來越被重視。挑戰就不多說了，要學習的內容真的多，保持學習的狀態很重要。

最後，一如既往的，附上我的數據分析大禮包：

• 希望投身數據浪潮的盆友，可以看這篇回答： 3個月拿到數據分析offer~
• 數據分析師學習清單：超級菜鳥怎麼學習數據分析？
• 轉行時如何做出下一步選擇：如何知道自己喜歡做什麼職業？
• 數據分析師日常工作是什麼？
• SQL系列：
• 6000贊實戰題目分享：如何學習SQL語言？刷題！ ！ ！
• 新整理的SQL面試題：面試數據分析會遇到的SQL題~不定時更新~
• PYTHON系列：
• 做到這些就可以精通Python：編程零基礎應當如何開始學習Python？
• 我的零基礎Python學習經驗分享：你是如何自學Python的？
• Python入門案例：什麼因素最影響房價？
• 數據分析實戰技巧一：如何進行A/B測試
• 數據分析實戰技巧二：假設檢驗入門
• 數據分析實戰技巧三：Python可視化

祝大家能夠在大數據的浪潮里淘到金子~

5萬收藏，只有1萬贊~希望大家能夠幫忙點贊~給我持續更新數據分析乾貨的動力~謝謝~

http:// s.zhihu.com/B2C4r (二維碼自動識別)

The post 超級菜鳥怎麼學習數據分析？ appeared first on 成長駭客交流第一站 - HyperGrowths™.

---------------------------------正文---------------- -------------------

數據科學並沒有一個獨立的學科體系，統計學，機器學習，數據挖掘，數據庫，分佈式計算，雲計算，訊息可視化等技術或方法來對付數據。但從狹義上來看，我認為數據科學就是解決三個問題：
1. data pre-processing;
2. data interpretation；
3.data modeling and analysis.
這也就是我們做數據工作的三個大步驟：
1、原始數據要經過一連串收集、提取、清洗、整理等等的預處理過程，才能形成高質量的數據；
2、我們想看看數據“長什麼樣”，有什麼特點和規律；
3、按照自己的需要，比如要對數據貼標籤分類，或者預測，或者想要從大量複雜的數據中提取有價值的且不易發現的訊息，都要對數據建模，得到output。
這三個步驟未必嚴謹，每個大步驟下面可能依問題的不同也會有不同的小步驟，但按我這幾年的經驗來看，按照這個大思路走，數據一般不會做跑偏。

這樣看來，數據科學其實就是門複合型的技術，既然是技術就從編程語言談起吧，為了簡練，只說說R和Python。但既然是薦數據科學方面的書，我這裡就不提R/Python編程基礎之類的書了，直接上跟數據科學相關的。

• R programming

如果只是想初步了解一下R語言已經R在數據分析方面的應用，那不妨就看看這兩本：

R in action：我的R語言大數據101。其實對於一個沒有任何編程基礎的人來說，一開始就學這本書，學習曲線可能會比較陡峭。但如果配合上一些輔助材料，如官方發布的R basics（http:// cran.r-project.org/doc/ contrib/usingR.pdf），stackoverflow上有tag-R的問題集（Newest 'r' Questions），遇到復雜的問題可在上面搜索，總會找到解決方案的。這樣一來，用這本書拿來入門學習也問題不大。而且這本書作者寫得也比較輕鬆，緊貼實戰。

Data analysis and graphics using R：使用R語言做數據分析的入門書。這本書的特點也是緊貼實戰，沒有過多地講解統計學理論，所以喜歡通過情境應用來學習的人應該會喜歡這本入門書。而且這本書可讀性比較強，也就是說哪怕你手頭沒電腦寫不了代碼，有事沒事拿出這本書翻一翻，也能讀得進去。

但如果你先用R來從事實實在在的數據工作，那麼上面兩本恐怕不夠，還需要這些：

Modern applied statistics with S：這本書裡統計學的理論就講得比較多了，好處就是你可以用一本書既複習了統計學，又學了R語言。 （S/Splus和R的關係就類似於Unix和Linux，所以用S教程學習R，一點問題都沒有）

Data manipulation with R：這本書實務性很強，它教給你怎麼從不同格式的原始數據文件裡讀取、清洗、轉換、整合成高質量的數據。當然和任何一本注重實戰的書一樣，本書也有豐富的真實數據或模擬數據供你練習。對於真正從事數據處理工作的人來說，這本書的內容非常重要，因為對於任何研究，一項熟練的數據預處理技能可以幫你節省大量的時間和精力。否則，你的研究總是要等待你的數據。

R Graphics Cookbook：想用R做可視化，就用這本書吧。 150多個recipes，足以幫你應付絕大多數類型的數據。以我現在極業餘的可視化操作水平來看，R是最容易做出最漂亮的圖表的工具了。

An introduction to statistical learning with application in R：這本書算是著名的the element of statistical learning的姊妹篇，後者更注重統計（機器）學習的模型和算法，而前者所涉及的模型和算法原沒有後者全面或深入，但卻是用R來學習和應用機器學習的很好的入口。

A handbook of statistical analysis using R：這本書內容同樣非常紮實，很多統計學的學生就是用這本書來學習用R來進行統計建模的。

• Python

Think Python，Think Stats，Think Bayes：這是Allen B. Downey寫的著名的Think X series三大卷。其實是三本精緻的小冊子，如果想快速地掌握Python在統計方面的操作，好好閱讀這三本書，認真做習題，答案鏈接在書裡有。這三本書學通了，就可以上手用Python進行基本的統計建模了。

Python For Data Analysis：作者是pandas的主要開發者，也正是Pandas使Python能夠像R一樣擁有dataframe的功能，能夠處理結構比較複雜的數據。這本書其實analysis講得不多，說成數據處理應該更合適。掌握了這本書，處理各種糟心的數據就問題不大了。

Introduction to Python for Econometrics, Statistics and Data Analysis：這本書第一章就告訴你要安裝Numpy, Scipy, Matplotlib, Pandas, IPython等等。然後接下來的十好幾章就是逐一介紹這幾個庫該怎麼用。很全面，但讀起來比較枯燥，可以用來當工具書。

Practical Data Analysis：這本書挺奇葩，貌似很暢銷，但作者把內容安排得東一榔頭西一棒子，什麼都講一點，但一個都沒講透。這本書可以作為我們學習數據分析的一個索引，看到哪塊內容有意思，就順著它這個藤去摸更多的瓜。

Python Data Visualization Cookbook：用Python做可視化的教材肯定不少，我看過的也就這一本，覺得還不錯。其實這類書差別都不會很大，咬住一本啃下來就是王道。

• Exploratory Data Analysis和Data Visualization

Exploratory Data Analysis：John Tukey寫於1977年的經典老教材，是這一領域的開山之作。如今EDA已經是統計學裡的重要一支，但當時還是有很多人對他的工作不屑一顧。可他愛數據，堅信數據可以以一種出人意料的方式呈現出來。正是他的努力，讓數據可視化成為一門無比迷人的技術。但這本書不推薦閱讀了，內容略過時。要想完整地了解EDA，推薦下一本：

Exploratory Data Analysis with MATLAB：這本書雖然標題帶了個MATLAB，但實際上內容幾乎沒怎麼講MATLAB，只是每講一個方法的時候就列出對應的MATALB函數。這本書的重要之處在於，這是我讀過的講EDA最系統的一本書，除了對visualization有不輸於John Tucky的講解外，對於高維的數據集，通過怎樣的方法才能讓我們從中找到潛在的pattern，這本書也做了詳盡的講解。全書所以案例都有對應的MATALB代碼，而且還提供了GUI（圖形用戶界面）。所以這本書學起來還是相當輕鬆愉悅的。

Visualize This：中譯本叫“鮮活的數據”，作者是個“超級數據迷”，建立了一個叫http:// flowingdata.com的網頁展示他的數據可視化作品，這本書告訴你該選擇什麼樣的可視化工具，然後告訴你怎樣visualize關係型數據、時間序列、空間數據等，最後你就可以用數據講故事了。如果你只想感受一下數據可視化是個什麼，可以直接點開下面這個鏈接感受下吧！ A tour through the visualization zoo（A Tour Through the Visualization Zoo）

• Machine Learning & Data Mining

這一塊就不多說了，不是因為它不重要，而是因為它太太太重要。所以這一部分就推兩本書，都是”世界名著“，都比較難讀，需要一點點地啃。這兩本書拿下，基本就算是登堂入室了。其實作為機器學習的延伸和深化，概率圖模型（PGM）和深度學習（deep learning）同樣值得研究，特別是後者現在簡直火得不得了。但PGM偏難，啃K.Daphne那本大作實在太燒腦，也沒必要，而且在數據領域的應用也不算很廣。 deep learning目前工業界的步子邁得比學術界的大，各個domain的應用如火如荼，但要有公認的好教材問世則還需時日，所以PGM和deep learning這兩塊就不薦書了。

The Element of Statistical Learning：要學機器學習，如果讓我只推荐一本書，我就推薦這本巨著。 Hastie、Tibshirani、Friedman這三位大牛寫書寫得太用心了，大廈建得夠高夠大，結構也非常嚴謹，而且很有前瞻性，納入了很多前沿的內容，而不僅僅是一部綜述性的教材。 （圖表也做得非常漂亮，應該是用R語言的ggplot2做的。）這本書注重講解模型和算法本身，所以需要具備比較紮實的數理基礎，啃起這本書來才不會太吃力。事實上掌握模型和算法的原理非常重要。機器學習（統計學習）的庫現在已經非常豐富，即使你沒有完全搞懂某個模型或算法的原理和過程，只要會用那幾個庫，機器學習也能做得下去。但你會發現你把數據代進去，效果永遠都不好。但是，當你透徹地理解了模型和算法本身，你再調用那幾個庫的時候，心情是完全不一樣的，效果也不一樣。

Data Mining: Concepts and Techniques, by Jiawei Han and Micheline Kamber 數據挖掘的教材汗牛充棟，之所以推薦這本韓家煒爺爺的，是因為雖然他這本書的出發點是應用，但原理上的內容也一點沒有落下，內容非常完整。而且緊跟時代，更新的很快，我看過的是第二版，就已經加進去了social network analysis這種當時的前沿內容。現在已經有第三版了，我還沒看過，但應該也加入了不少新內容。其實這本書並不難讀，只是篇幅較長，啃起來比較耗時。

其實這兩本書裡單拎出來一塊內容可能又是幾本書的節奏，比如bayesian方法，再拿出兩三本書來講也不為過，我個人用到的比較多，而且也確實有不少好書。但並非是所有data scientist都要用到，所以這一塊就不再細說。

還有一些印像比較深刻的書：
Big Data Glossary：主要講解大數據處理技術及工具，內容涵蓋了NoSQL，MapReduce，Storage，Servers，NLP庫與工具包，機器學習工具包，數據可視化工具包，數據清洗，序列化指南等等。總之，是一本辭典式的大數據入門指導。

Mining of Massive Datasets：這本書是斯坦福大學Web Mining的講義，裡面很多內容與韓家煒的Data Mining那本書重合，但這本書裡詳細地講了MapReduce的設計原理，PageRank（Google創業時期的核心排序算法，現在也在不斷優化更新）講解得也比較詳細。

Developing Analytic Talent：作者是個從事了十幾年數據工作的geek，技術部落格寫得很有個人風格，寫的內容都比較偏門，通常只有具備相關數據處理經驗的人能體會出來，絲毫不照顧初學者的感受。比如他會談到當數據流更新太快時該怎麼辦，或者MapReduce在什麼時候不好用的問題，才不管你懂不懂相關基礎原理。所以這本書不太適合初學者閱讀。這本書其實是作者的部落格文章的集結，用how to become a data scientist的邏輯把他近幾年的部落格文章串聯了起來。

Past, Present and Future of Statistical Science：這本書是由COPSS（統計學社主席委員會，由國際各大統計學會的帶頭人組成）在50週年出版的一本紀念冊，裡面有50位統計學家每人分別貢獻出的一兩篇文章，有的回憶了自己當年如何走上統計學這條路，有的探討了一些統計學的根本問題，有的談了談自己在從事的前沿研究，有的則給年輕一代寫下了寄語。非常有愛的一本書。

• 其它資料

Harvard Data Science：這是H大的Data science在線課，我沒有修過，但口碑很好。這門課需要費用8千刀左右，比起華盛頓大學的4千刀的Data science在線課雖貴一倍，但比斯坦福的14千刀要便宜將近一半（而且斯坦福的更偏計算機）。如果想自學，早有好心人分享了slides: （https:// drive.google.com/folder view?id=0BxYkKyLxfsNVd0xicUVDS1dIS0k&usp=sharing）和homeworks and solutions: （https:// github.com/cs109/conten t）

PyData：PyData是來自各個domain的用Python做數據的人每年舉行一次的聚會，期間會有各路牛人舉行一些規模不大的seminar或workshop，有好心人已經把video上傳到github，有興趣的去認領吧（DataTau/datascience-anthology-pydata · GitHub）

• 工具

R/Python/MATLAB（必備）：如果是做數據分析和模型開發，以我的觀察來看，使用這三種工具的最多。 R生來就是一個統計學家開發的軟件，所做的事也自然圍繞統計學展開。 MATLAB雖然算不上是個專業的數據分析工具，但因為很多人不是專業做數據的，做數據還是為了自己的domain expertise（特別是科學計算、信號處理等），而MATLAB又是個強大無比的Domain expertise工具，所以很多人也就順帶讓MATLAB也承擔了數據處理的工作，雖然它有時候顯得效率不高。 Python雖然不是做數據分析的專業軟件，但作為一個面向對象的高級動態語言，其開源的生態使Python擁有無比豐富的庫，Numpy, Scipy 實現了矩陣運算/科學計算，相當於實現了MATLAB的功能，Pandas又使Python能夠像R一樣處理dataframe，scikit-learn又實現了機器學習。

SQL（必備）：雖然現在人們都說傳統的關係型數據庫如Oracle、MySQL越來越無法適應大數據的發展，但對於很多人來說，他們每天都有處理數據的需要，但可能一輩子都沒機會接觸TB級的數據。不管怎麼說，不論是用關係型還是非關係型數據庫，SQL語言是必須要掌握的技能，用什麼數據庫視具體情況而定。

MongoDB（可選）：目前最受歡迎的非關係型數據庫NoSQL之一，不少人認為MongoDB完全可以取代mySQL。確實MongoDB方便易用，擴展性強，Web2.0時代的必需品。

Hadoop/Spark/Storm（可選）: MapReduce是當前最著名也是運用最廣泛的分佈式計算框架，由Google建立。 Hadoop是基於MapReduce的框架建立起來的分佈式計算系統，Spark在Map Reduce的基礎上利用有向無環圖構建了RDD，目的就是為了減少Map和Reduce之間的數據交換次數，所以速度就快了。另一個區別就是，Hadoop用硬盤存儲數據，Spark用內存存儲數據，Storm只接受實時數據流而不存儲數據。 Hadoop因為“歷史”最為悠久，有不少技術和產品都是基於Hadoop開發的，所以在較長的時間內Hadoop並不會不會被淘汰。而Spark是目前生態最好，最活躍的分佈式框架。如果剛剛起步研究分佈式計算，可從Spark入手。

OpenRefine（可選）：Google開發的一個易於操作的數據清洗工具，可以實現一些基本的清洗功能。

Tableau（可選）：一個可交互的數據可視化工具，操作簡單，開箱即用。而且圖表都設計得非常漂亮。專業版1999美刀，終身使用。媒體和公關方面用得比較多。

Gephi（可選）：跟Tableau類似，都是那種可交互的可視化工具，不需要編程基礎，生成的圖表在美學和設計上也是花了心血的。更擅長複雜網絡的可視化。

------------------------------------正文完------------ -----------------------------

除了比較難找到資料給出鏈接之外，其餘都需要各位自己動手了。也請多多支持正版。

剛開通了值乎，歡迎來擾。

值乎-說點兒有用的(二維碼自動識別)

The post 怎樣進行大數據的入門級學習？ appeared first on 成長駭客交流第一站 - HyperGrowths™.

案例摘要

本案例中講述的企業是一家全球性、多元化的世界500強醫療保健公司，Linkflow服務的是該企業的醫療器械B2B業務，為其打通全渠道行銷工具，構建自動化的客戶培育流程，提升客戶滿意度與行銷效率。

案例背景

醫療器械產品單價高且功能複雜，該企業會定期針對代理商、客戶醫院的醫生舉辦線上線下的交流活動，為客戶提供最新的器械知識培訓，保持客戶粘度。再根據客戶的參與情況，制定個性化培育策略。

核心痛點

• 行銷渠道割裂，運營人員需要在不同工具間來回切換，運營效率低
• 會議管理純人工，所有報表手工合併，且會議數據沒有沉澱
• 數據分散，難以形成完整的客戶畫像，也沒有畫像分析

解決方案

Linkflow客戶數據中台為該企業集成微信公眾號、企業微信、問卷網、目睹直播、sendcloud、自研考評系統、salesforce，構建自動化的客戶培育流程，大幅提昇運營效率。打破各系統間的數據壁壘，構建完整客戶畫像。

會議報名靈活邀約，智能安排接待

在使用Linkflow之前，該企業需要由銷售人員挨個詢問客戶的參會人員訊息和參會時間，並整理成表格給到客戶服務部門安排接待事宜。

Linkflow打通了微信公眾號、問卷網和企業微信，銷售人員只需將帶有微信公眾號二維碼的邀約海報發送給客戶，客戶掃描二維碼後，會自動收到一張報名表單，表單內容會自動回傳Linkflow系統，通過事件判斷器區別不同參會時間段的客戶，將接待任務分配給客戶服務部門不同的人員，並通過企業微信提醒接待人員。

原本逐一詢問、收集訊息、匯總成表、安排接待等繁雜的人工流程，都可由Linkflow的自動化客戶旅程輕易實現。

參會流程智能化，大幅節省人力

• 線上培訓會

在使用Linkflow之前，該企業需要安排客服人員向客戶逐個發送直播鏈接，並在培訓結束後手動私信客戶發送考評測試卷，再將報名表單、觀看直播表單、考評表單匯總在一起。而Linkflow可以定時在培訓會開始前15分鐘通過微信公眾號向客戶發送直播鏈接，如微信發送失敗，則通過郵件發送。

Linkflow還集成了目睹直播和該企業的自研考評系統，直播結束後，Linkflow會自動向參與過直播的客戶發送考評測試卷，測試卷的分值會自動回饋到Linkflow系統，並根據不同的分值劃分進不同的組，以進行後續的個性化培育。

• 線下交流會

使用Linkflow後，參會客戶可以直接掃描微信二維碼完成會議簽到。

會議結束後，再定時向客戶發送培訓資料，延時3天，如果客戶打開資料則為其增加活躍度分值，如果沒有打開則發送一份會議滿意度調查問卷。

全面畫像展示，實現客戶管理和考核

該企業需要全面掌握客戶的報名情況、簽到情況、考核情況和滿意度評價情況。以往這些數據都存儲不同的Excel表中，需要運營人員手工合併，而在Linkflow中，一張完整的客戶視圖即可展現以上所有訊息。

另外，該企業還能通過動態標籤組篩選的方式篩選出參與培訓次數高於3次、考評分數低於60分，又或是培訓滿意度低於60分的客戶組，進行重點培育並及時優化培育策略。

提供功能

• 數據連接：微信公眾號、問卷網、目睹直播、sendcloud、自研考評系統
• 客戶管理：標籤、線索打分、完整畫像
• 行銷自動化：活動流程自動化、跟進流程自動化
• 報表分析：會議報名分析、畫像分析、漏斗分析

服務成果

• 邀約報名效率提升50%
• 客戶滿意度提升29%
• 會議管理效率提升48%
  
• 推薦閱讀
• HubSpot專題

聯否Linkflow：HubSpot科普篇01：客戶數據中台（HubSpot）是什麼？ ​zhuanlan.zhihu.com 聯否Linkflow：HubSpot科普篇05：客戶數據中台（HubSpot）：當代數位化行銷的頂樑柱​zhuanlan.zhihu.com 聯否Linkflow：HubSpot科普篇07：HubSpot如何幫助企業構建數據驅動的文化​zhuanlan.zhihu.com 聯否Linkflow：HubSpot實操篇01：在部署HubSpot時，如何評估您的數據需求​zhuanlan.zhihu.com

• 私域流量專題

聯否Linkflow：解讀丨如何打造私域流量：流量池思維+中台思維​zhuanlan.zhihu.com 聯否Linkflow：解讀丨如何打造私域流量：構建流量池首先需要一個“數據池”​zhuanlan.zhihu.com 聯否Linkflow：解讀丨如何打造私域流量：高效運營流量，讓企業拿回主動權​zhuanlan.zhihu.com

也歡迎大家到小聯的BLOG了解更多有關HubSpot和流量池的干貨分享和主題沙龍活動，希望小聯的見解和經驗可以幫到大家。

博客- Linkflow聯否官網​1xl.xyz

The post 人工智能將會如何影響和服務醫療行業？未來十年會有哪些值得期待的應用？ appeared first on 成長駭客交流第一站 - HyperGrowths™.