大家好，我是愛學習的小xiong熊妹。
很多小伙伴會問：做數據分析，需要懂多少統計學知識？今天簡單跟大家分享一下。
一、統計學是個啥
統計學是個歷史悠久的學科，有着300年以上歷史。隨着近代科學的發展，人們不再滿足於“普天之下”“眾所周知”這一類含糊的描述，希望用精確的數據來描述事物，因此誕生了描述性統計（descriptive statistics）。
這是統計學最早，也是最普遍的應用。我們經常說的平均數、中位數、眾數等等概念，都是描述性統計的概念。
另一方面，人們發現：獲得數據太難了！尤其在300年前，遍地文盲，口述手抄的時代，想獲取數據難如登天。怎么辦呢？人們開始思考：能否從總體中，抽一些樣本，通過樣本情況推斷總體情況。這樣就一定程度上解決了數據獲取難的問題，是所謂的推斷性統計（inferential statistics）。
上過《統計學》課的小伙伴，都對假設檢驗、統計量、分布函數等概念記憶深刻。這些東西很難搞懂，實際工作中似乎又很少用到。因為這些東西，都是推斷性統計的概念。
二、統計學有哪些內容
隨便百度一本統計學術的目錄，可以看到，有以下章節（如下圖）
其實大部分統計學書都是這么布局的，大同小異。一般四大部分
- 第一部分：描述性統計。
- 第二部分：概率與抽樣。
- 第三部分：假設檢驗。
- 第四部分：統計模型。（如下圖）
那么，到底需要掌握多少呢？
三、初級數據分析師，要掌握哪些
第一部分描述性統計是人人必會的。因為這是做數據分析的最基礎知識和基本概念，不管做什么工作都要用到。而且這一部分概念簡單，很容易掌握。所以入門的新人，最好人手必備包括
- 基礎變量概念（連續、定序、分類）
- 描述集中程度（均值、中位數、眾數）
- 描述離散程度（平均差、方差、標准差）
- 描述數據分布形態（箱型圖）
- 數據圖形展示（8種基礎圖形）
很多基礎的數據分析方法，比如分層分析、矩陣分析等，其實就是描述性統計+數據交叉表。所以如果真的是小白入行，統計學數一般看到前四章就能打住了。不用自己難為自己。
當掌握基礎知識，要參加面試的時候，可以適當補充第二部分：概率與抽樣的知識。並非因為這一部分用處多，而是很多企業喜歡在面試時候問這些問題（就是一個字：卷）。學這一部分，最好的辦法是對着章節后邊的習題做。做對題，通過面試是第一目標。
四、中級數據分析師，要掌握哪些
第三部分知識，是中級以后數據分析師要掌握的。因為這一部分，講的是用抽樣方法做統計推斷。實際工作中，大部分場景不需要做抽樣。比如統計銷售、運營、產品情況，都是全量統計，很少做抽樣。只有特定場景需要。
最典型的就是質量檢測。比如檢查產品的使用壽命、耐用程度、物理強度等指標，就一定得對產品做破壞性檢測。這就意味着不可能100%檢測，一定得抽樣。類似的場景，在供應鏈上還有很多，比如檢測生產線生產質量，比如檢測葯品服用效果等等。
之所以在供應鏈應用多，還有一個深層次原因，就是：供應鏈的檢測，檢測的是一個有固定物理/化學屬性的事物。這樣有可能通過小樣本抽樣，推斷出總體的物理/化學屬性。這樣使得抽樣檢測的結果很穩定，有指導意義。
在營銷端也有類似應用，一般是用在未上線的產品/概念/價格。比如傳統企業流行的包裝測試/口味測試/價格彈性測試，或者互聯網企業流行的ABtest。因為這些測試，都是挑選一小批用戶參與測試，因此涉及小樣本推斷總體情況的判斷，就得用到概率和假設檢驗。
但要注意的是：抽樣方法，往往和具體業務場景捆綁緊密。都是抽樣，質檢端可能就是按產品編號抽；調研則得先攔截受訪者，再甄別特征；互聯網產品的ABtest，則是先對流量做分桶。因此孤零零看統計學知識，無法滿足實際工作需要，得結合具體業務場景學習才行。
五、高級數據分析師，要掌握哪些
第四部分回歸/預測模型，建議緩看。因為這一部分涉及知識量大，且平時工作中不怎么用得上，並且現在機器學習流行，其計算模型思路和統計學不太一樣。所以這一部分，建議在自己已經有積累情況下再看。
另一個問題是：統計模型經常被錯用、亂用。特別是相關分析和回歸分析，因為這兩個非常簡單，用excel就能做，所以經常被一知半解的小白拿出來亂用。結果，要么是業務表示看不懂，不認可；要么是做的錯誤百出，無法自圓其說。所以新人真的慎用。
如果新人真的想看這一塊，建議只看時間序列預測。因為時間序列預測使用范圍非常廣，特別適合領導扔幾個數據過來，讓我們“做個預測看看”的場景。至於其他方法，建議找個現成的工具（比如SPSS），把數據懟進去，然后對着輸出參數做解讀。
以上就是我個人在工作中運用心得，供大家參考。估計有小伙伴會表示：“小熊妹，你這完全不夠呀！最近招聘越來越內卷了，問的統計學知識越來越多，咋辦！”從我的面試經歷看，一般這些卷王們，喜歡卷三個話題：
- ABtest（涉及假設檢驗、抽樣）
- 因果推斷（涉及統計推斷、控制變量）
- 預測模型（時間序列/因果關系模型）
- 作者：小熊妹。公眾號：碼工小熊。數據界新人，喜歡數據分析、數據挖掘。