当前位置：首页 > news >正文

谷歌数据分析-VIII-笔记-全-

news 2026/3/26 12:36:49

谷歌数据分析 VIII 笔记（全）

001：完成一个案例研究》

在本节课中，我们将学习数据分析师认证项目的顶点项目——案例研究。我们将了解什么是案例研究，它在求职过程中的作用，以及如何构建一个展示你技能的个人作品集。

🎯 什么是顶点项目？

上一节我们介绍了课程的整体结构，本节中我们来看看顶点项目的具体含义。

顶点项目将你在整个课程中学到的所有知识整合在一起。你将有机会运用所有新学到的知识，在一个数据分析案例研究中付诸实践。在本视频中，我们将详细讨论案例研究的内容，以及它如何帮助你在求职过程中脱颖而出。

🔍 案例研究：实践性数据分析项目

案例研究类似于实践性的数据分析项目。在求职过程中，你可能会在预筛选电话或初次面试后被要求完成一个案例研究。

案例研究是雇主评估求职者技能、并深入了解你如何处理常见数据相关挑战的常用方式。不同的雇主可能会给你不同类型的案例研究。

以下是几种常见的案例研究类型：

例如，你可能会被要求清理和分析一个数据集。
或者，围绕如何衡量一个项目的成功提供建议。
又或者，为特定产品找出并定义成功指标。

通常，案例研究会有时间限制。例如，潜在雇主可能会给你一些样本数据和项目问题，并要求你在24到48小时内创建一份包含建议的演示文稿或备忘录。

这个时间限制可能有点挑战性，但好消息是，你对案例研究的答案不必完美。重要的是展示你的思考过程，以便面试官理解你如何解决问题。你可以使用我们在整个课程中学到的数据分析流程来指导你。

📝 案例研究示例解析

让我们看一个例子，并分解它的所有部分。这个案例研究包含了我们执行此任务所需的所有信息。

它从这里开始，包含标题和行业焦点：
预测人力资源的员工流失率

它还包括一个概述总体目标的问题陈述。在本例中，他们要求深入探讨关键数据分析概念，以预测组织中的员工流失率，以及哪些因素影响员工离开组织。

所以，基本上，这个案例研究关注的是预测员工可能离开组织的比率及其原因。

下一部分有一些更具体的目标：
它要求我们找出员工在未来五年内离开公司的概率。这相当直接。但他们也对提高员工保留率的方法感兴趣。

接下来的部分非常关键：
可交付成果是我们完成案例研究后实际要交给他们的东西。在这个例子中，他们要求提供一份概述我们发现和建议的演示文稿。

最后，他们包含了一些关于我们将用于此任务的数据的部分。这里是一个我们可以下载的数据集。

💼 个人作品集的重要性

现在我们对案例研究以及它在求职申请过程中如何呈现有了更多了解。但是，热衷于数据分析的人有时会在自己的时间里做案例研究，并将它们添加到个人作品集中。

作品集是一个案例研究的集合，可以与潜在雇主分享。作品集可以存储在公共网站上，如 GitHub、Kaggle 或 Tableau，或者你的个人博客上。你的作品集链接也可以放在你的简历中。

这将为你提供过去如何处理数据任务的例子，你可以在面试中谈论这些。这些作品集展示了你的技能，帮助你在求职申请中脱颖而出。

除了案例研究，我们还将讨论如何构建你的作品集以及如何分享它。这将是一个很好的基石，你可以用它来丰富你的简历。

接下来，我们将查看一些优秀的案例研究和作品集示例，希望它们能激励你开始创建自己的项目。

✨ 总结

本节课中，我们一起学习了数据分析师认证的顶点项目——案例研究。我们了解了案例研究的定义、在求职中的作用、其常见结构和组成部分，以及构建个人作品集对于展示技能和积累经验的重要性。接下来，我们将通过具体示例来获得更多灵感。

002：雇主在数据分析师中寻找什么

在本节课中，我们将跟随谷歌全球分析技能课程经理Rishie，了解雇主在招聘数据分析师时最看重哪些核心素质和思维方式。这对于准备面试和规划职业发展至关重要。

🏢 数据驱动的谷歌

谷歌是一家建立在数据之上的公司，其核心理念是：数据驱动一切。

无论你是工程师、市场人员、销售人员，还是处理物流、文书和薪资的行政人员，每个人都在以某种形式与数据打交道。我们试图承认一个事实：在全球任何行业、任何职业中，拥有对数据的敏锐感和理解力对每个人都至关重要。

上一节我们了解了数据在谷歌的普遍性，接下来我们看看在面试中，雇主具体关注什么。

🎨 数据分析师：既是科学家，也是艺术家

在面试中，我个人或我的同事们所寻找的，是候选人创造性的思维方式。

当人们听到“数据分析师”这个词时，通常会想到工程师或技术极客，认为这完全是关于处理数据和数字的工作。

但我恳请大家重新思考这种认知：成为一名数据分析师不仅是成为科学家，也是成为艺术家。整个世界都是你的画布。

你处理问题的方式，甚至有时挑战解决问题的传统规范，我认为这非常强大。在面试这类职位时，这种能力实际上能让你比其他人更具优势。

🤔 面试官寻找的是思维过程，而非标准答案

关于求职存在一个误解或误区：当你申请工作时，你应该知道所有正确答案，应该正确回答他们提出的每一个问题。

但这是错误的。每位面试官寻找的是你的思维方式、你的思考过程。你如何看待某个特定问题，以及你如何着手解决这些问题。

当你表达这些时，更多地谈论你如何从某个角度思考、为什么从这个角度思考，这能充分说明你作为一个人是怎样的，也说明了你在该职位上的专业能力。

📖 数据分析师是讲故事的人

作为一名数据分析师，最迷人的一点在于：你是一个讲故事的人。

你审视数据，每一个数据点都在讲述一个故事。如果你能完善这项技能，就能讲述一些精彩的故事。人们记住的将不仅仅是数据，更是你如何向人们或你的听众讲述这些故事。

如果你能聚焦故事的核心本质——即“数据告诉我什么”或“数据告诉你该做什么”——你将会成功得多。我保证，你将在数据分析师的道路上不断进步，你的职业生涯将无限繁荣。

🎯 课程总结

本节课中，我们一起学习了雇主在数据分析师身上寻找的关键特质：

创造性思维与艺术视角：数据分析不仅是科学，也是艺术，需要挑战常规的创造力。
思维过程重于标准答案：面试官更关注你如何分析和解决问题，而非你是否知道“正确答案”。
讲故事的能力：能够从数据中提炼并讲述引人入胜的故事，是将洞察转化为行动的关键。

掌握这些思维方式和软技能，与掌握技术工具同等重要，它们将帮助你在数据分析领域脱颖而出，推动职业生涯长远发展。

003：构建案例研究与作品集的最佳实践

在本节课中，我们将学习如何构建出色的数据分析案例研究和个人作品集。我们将探讨一些核心的最佳实践，并通过实例来理解如何让你的分析成果在求职过程中脱颖而出。

🎯 案例研究的核心要点

上一节我们介绍了案例研究的基本概念及其重要性。本节中，我们来看看构建一个有效案例研究需要遵循哪些关键原则。

首先，确保你的案例研究能够准确回答所提出的问题。我们来看一个名为“数据伙伴房地产公司”的示例案例。该公司向求职者提出的问题是：你如何评价数据伙伴房地产公司在2020年的转售业绩？是什么驱动了这些趋势？你的行动计划是什么？

公司为求职者提供了一个市场数据集，包含活跃房源、访问量、转售合同、价格点和地理编码等信息。求职者需要完成数据分析流程并提交一份提案。

以下是一位求职者制作的演示文稿。第二张幻灯片清晰地列出了核心问题。

这位求职者识别出公司在某个特定房价区间的表现不佳，并提出了改进方案。在此处快速概述研究发现，有助于将案例研究的焦点集中在手头的任务上。

🔍 展示你的思考过程

除了回答问题，你还需要清晰地传达你所采取的步骤以及对数据所做的假设。潜在雇主对案例研究感兴趣的原因之一，是它们能展示你的思维过程和解决问题的能力。

因此，展示你得出结论的步骤，能帮助他们很好地了解你的工作方式。

以下是他们对用于进行分析的指标所做的解释。

在随后的每一张幻灯片中，他们都使用标题来讲述故事并解释分析的深度。他们指出，该公司转售合同的整体市场份额保持稳定。他们解释说，这是一个区域的高增长和另一个区域的损失共同导致的结果。接着，他们解释了这种差距，并概述了一些潜在原因。在演讲者备注中，他们添加了一些所做的重要假设。

💡 总结与建议

最后，他们根据数据采取了行动，为企业提供了可供考虑的建议。他们的指标定义明确，数据发现按逻辑顺序组织，并且确保解释了受众可能不了解的任何数据背景信息。

在这个案例中，求职者还分享了他们的分析文档，包括SQL查询和电子表格。这是一个绝佳的范例，展示了案例研究如何体现分析师的思想过程。

🗂️ 构建个人作品集的最佳实践

现在，在求职申请期间完成的任何案例研究通常需要保密。但你也可以利用自己的时间完成案例研究，并将其添加到你的个人作品集中。

正如之前提到的，你的作品集是你想要展示的案例研究的集合。创建作品集也有一些最佳实践可以遵循。

最好的作品集是个性化、独特且简洁的。

你已经学习了发布和分享作品集的不同方式，例如通过博客、GitHub或Kaggle。

🌟 个性化：展示真实的你

让我们探索一些作品集，以便理解个性化、独特和简洁的真正含义。你可能还记得，这些示例也在之前的阅读材料中出现过，欢迎随时返回查看。

你的作品集是一个向人们展示你是谁、你对什么感兴趣以及什么对你重要的机会。这里有一个作品集示例。从标题“用数据分享我的抗癌故事”中，我们立刻就能感受到它的个性化。

这个数据可视化作品展示了这位分析师在准备马拉松比赛的同时接受癌症治疗的健康历程。这是一个非常个人化且有力的故事，他在博客文章中详细谈论了这个项目。同时，数据可视化本身也展示了他的个性。让我们读一下其中的一些备注：“妈妈，如果你在读，请寄更多饼干来。”“Fitbit没电了，懒得充电9天。”

除了数据讲述的个人故事，我们还通过这些备注洞察到分析师的个性。让你的作品集个性化，并不意味着焦点必须完全放在你身上，但这是一个让别人更好地了解你的机会。因此，最好将你关心的事物、你感兴趣的东西以及你乐于分享的内容添加到作品集中。这不仅能突出你的技术技能，还能展示你处理技术问题的方法。

🦄 独特性：让你脱颖而出

让你的作品集个性化也有助于使其变得独特。通过突出你感兴趣的事物，你可以从人群中脱颖而出。

让我们看看另一个例子。这是一个Kaggle用户个人资料，展示了她创建的一些笔记。每一个基本上都是她出于兴趣完成的案例研究。她有几个使用我们在R课程中用过的“帕尔默企鹅”数据的笔记。但她也有分析她喜欢的电子游戏的笔记。

使用常见的示例可以是很好的练习，并能展示实用的工作技能，但在作品集中添加一些独特而有趣的案例研究，会使其变得酷炫且令人难忘。

✨ 简洁性：聚焦核心技能

总的来说，你希望保持作品集的简洁性。我们的目标是突出我们作为数据分析师的技能，因此我们不希望用不必要的杂乱信息分散访问者的注意力。

这里有一个GitHub上的作品集示例。这位用户创建了一个他们制作的艺术教程的主列表。它简单明了。有一个目录可以链接到不同的页面，以保持作品集主页的简洁和易于导航。这并不意味着这个页面很无聊。他们添加了有趣的封面艺术，并在这里谈论了他们自己使用R的经验。但即便如此，我们也不会被杂乱的网页所干扰。

✅ 确保相关性与专业性

最后，你需要确保你的作品集是相关且专业的。

如果你知道自己对某种类型的数据分析职位感兴趣，你可以调整你的作品集以突出这些技能。确保你保持作品集的更新，随时准备让雇主查看，最重要的是，为你所整理的内容感到自豪。

📝 本节总结

本节课中我们一起学习了构建案例研究和作品集的最佳实践。对于案例研究，你需要确保回答问题并清晰地传达分析步骤。在构建作品集时，请记住保持其个性化、独特和简洁。

现在我们对如何创建出色的案例研究和作品集有了一些想法，你已经准备好开始着手创建自己的了。接下来，我们将迈出构建自己案例研究的第一步。

004：开始您的案例研究

在本节课中，我们将学习如何开始构建您自己的数据分析案例研究。我们将介绍两种不同的项目启动方法，并引导您使用一个结构化的案例研究大纲来规划您的项目。

很高兴再次见到您。我们已经查看了一些案例研究和作品集的示例，现在是时候开始创建您自己的项目了。接下来，您将进行一项活动来帮助您开始。

但在开始之前，我想简要介绍一下启动项目时可以采用的两种不同方法。

以下是两种可能的路径，您可以用它们来构建您的案例研究框架并帮助您起步。

在路径一中，您可以选择一个类似于面试官可能会问到的商业问题。您可以从多个选项中进行选择，每个选项都包含特定的商业任务和不同的数据集供您使用。

上一节我们介绍了路径一，本节中我们来看看路径二。

在路径二中，您需要找到一个公共数据集，来探索您个人感兴趣的领域。这可以是任何内容，从分析您喜欢的电子游戏到研究您关心的野生动物种群。这是一个更灵活的选择，您将有更多自由来构建真正属于您个人的项目。

根据您对案例研究的期望，您可能会选择其中一种路径。例如，如果您想创建一个案例研究来展示您在求职面试中的技能，那么路径一对您可能更有用。但如果您有个人感兴趣并希望深入探索的领域，路径二可以帮助您构建一个灵活的作品集项目。或者，如果您对两种路径都感兴趣，您可以同时进行。

一旦您决定了最感兴趣的路径，您将使用案例研究大纲来帮助您启动项目。

该大纲遵循我们在整个课程中一直使用的数据分析生命周期阶段。您将完成每个阶段，从提出正确的问题，到准备、处理和分析您的数据，直到最终构建您的演示文稿并将其分享到您的作品集中。

每个阶段都有关键问题和活动，以指导您完成整个过程。如果您需要回顾任何内容，您可以随时返回课程的任意部分进行复习。

作为快速提醒，您在此项目中使用的数据将是公开且开源的。这些数据非常适合展示您作为数据分析师的技能。但必须通过引用来源来避免抄袭。公开的开源数据很容易被搜索到，我们不应将其冒充为自己的作品。抄袭可能会带来严重的法律和个人负面后果。我们作为数据分析师工作的美妙之处在于我们可以相互分享和协作，因此请记住要注明我们的来源。

我希望您对开始您的案例研究感到兴奋。我非常期待看到您将构建出什么。接下来，您将能够开始着手大纲，然后我们还有一些其他活动来指导您。之后，我们将讨论如何分享您的作品集。祝您好运。

本节课中我们一起学习了如何启动数据分析案例研究项目。我们介绍了两种项目路径：一种是基于预设商业问题的路径一，另一种是基于个人兴趣探索的路径二。我们还了解了如何使用结构化的案例研究大纲来规划项目，并强调了使用公开数据时正确引用来源、避免抄袭的重要性。接下来，您就可以开始使用大纲来构建您自己的项目了。

005：分析案例研究的无限潜力 🚀

在本节课中，我们将探讨如何将已完成的案例研究转化为持续成长的动力，并学习如何向招聘人员有效展示你的作品集。

概述

你已经正式完成了你的个人案例研究，并开始构建你的作品集。这是一个了不起的成就，这完全归功于你在练习数据分析技能上所付出的辛勤努力。

拓展你的实践

上一节我们完成了案例研究的核心构建，本节中我们来看看如何利用这个基础进行更深入的探索。

如果你非常享受这个过程，可以自由尝试不同的分析方向或选择另一个商业场景。

你用来完成第一个案例研究的指南可以被反复使用。你使用它的次数越多，就越会发现自己在意想不到的方面有所进步。

此外，向作品集中添加更多的案例研究会使它更具说服力。

为求职做准备

在拥有了包含已完成案例研究的作品集之后，我们可以开始讨论如何与招聘人员讨论你的作品集，以及一些可以突出你技能的方法。

以下是你可以采取的几个关键步骤：

准备一个简洁的案例研究概述，突出业务问题、你的分析方法和最终成果。
思考并练习如何量化你的工作带来的影响。
针对不同的职位描述，调整你展示作品集的重点。

从这里开始，我们才真正开始将作品集投入实际应用，并且你将有很多机会来练习这一点。

总结

本节课中我们一起学习了如何将单个案例研究的完成视为一个起点，而非终点。我们探讨了通过重复使用分析框架和增加案例数量来持续提升技能、强化作品集的方法，并初步了解了如何为求职面试准备和展示你的数据分析成果。

干得漂亮，我们下次再见。

006：完成一个案例研究》 - 分享您的作品集

在本节课中，我们将学习如何创建并在线分享您的数据分析作品集。完成案例研究是一个重要的里程碑，但要让您的分析成果被看见，还需要将其整理成作品集并发布到合适的平台上。

🌐 选择作品集平台

上一节我们介绍了完成案例研究的重要性，本节中我们来看看如何选择分享您作品的平台。当您考虑在哪里分享作品集时，有两个问题可以帮助您做出决定：

哪些平台符合您的兴趣和热情？
完成本课程后，您希望花更多时间在哪个平台上？

您有几个主要的选择，包括 Kaggle、GitHub、博客或 Tableau。以下是每个平台的特点介绍：

Kaggle

特点：拥有广泛的数据科学社区，举办大量竞赛，并提供各种学习机会。
适用人群：如果您喜欢与其他数据分析师交流，这是一个很好的选择。

GitHub

特点：主要用于 R 或 Python 等编程语言，设置比其他平台更技术化。
适用人群：是分享代码和分析背后逻辑的绝佳场所，也适合向其他数据分析师学习。

博客平台

特点：如 Medium、WordPress 和 Google Sites，具有个性化和自主性。
适用人群：博客不像 Kaggle 和 GitHub 那样专注于代码，您需要将代码存储在其他地方，并且可能需要额外步骤来展示代码。但您可以展示专业知识，用自己的语言描述分析过程，并在您的领域展现思想领导力。

Tableau

特点：您已通过本课程获得了一些 Tableau 使用经验。
适用人群：如果您专注于数据可视化方面，这是一个很好的选择。此外，您可以使用 Tableau 工具创建易于分享的交互式仪表板。

🎯 做出您的决定

选择托管作品集的平台是一个重要决定。您可能会根据特定需求，随着时间的推移使用多个平台。重要的是记住我们之前讨论的两个问题：哪些平台符合您的兴趣和热情，以及完成本课程后您希望花更多时间在哪个平台上。

选择在线分享平台是本顶点项目的最后步骤之一。接下来，我们将通过一些活动来帮助您完成这个过程，然后我们将继续讨论您的下一步计划。

本节课总结：我们一起学习了如何为数据分析案例研究选择并创建在线作品集。我们探讨了 Kaggle、GitHub、博客和 Tableau 等不同平台的特点和适用场景，并强调了根据个人兴趣和未来规划来选择平台的重要性。

007：讨论您的作品集 📂

在本节课中，我们将学习如何利用您已完成的数据分析案例研究作品集，在求职面试中有效地展示您的技能。我们将重点介绍如何准备一个简洁有力的“电梯演讲”，并学习如何围绕作品集中的案例来阐述您的分析过程和解决问题的能力。

概述：作品集在求职中的力量

上一节我们介绍了如何创建案例研究并将其加入作品集。本节中，我们来看看如何在实际面试中运用这个作品集，给潜在雇主留下深刻印象。

将作品集链接放入简历能帮助您脱颖而出。然而，能够有效地利用作品集来突出您的技能，将使它在面试讨论中发挥更强大的作用。

什么是“电梯演讲”？ 🎤

在讨论作品集中的案例时，您需要准备一个“电梯演讲”，以便快速向面试官传达您工作的核心内容。

基本上，“电梯演讲”就是一个描述某个想法或概念的简短陈述。它应该只有几句话，简短到足以在乘坐电梯的短时间内向某人解释清楚。

公式：电梯演讲 ≈ 2-3句话的精华总结

提前准备您的电梯演讲总是一个好主意。这样，一旦面试官对您的案例有了高层次的理解，您就可以给出具体的例子，说明您在数据分析中处理问题和解决问题的过程。

如何构建您的电梯演讲

以下是构建电梯演讲的关键步骤。您可以从案例研究的执行摘要和核心业务任务出发。

例如，回顾我们之前讨论过的房地产公司案例研究。其执行摘要侧重于回答业务问题，这可以帮助我们构建电梯演讲。我们只需要将其浓缩成几句话。

您也可以回想案例研究所基于的业务任务，以帮助您决定哪些背景信息最重要。

示例电梯演讲：

“在这个案例研究中，我利用一家房地产公司的数据来评估转售业绩、确定市场趋势并推测其成因。基于这些发现，我最终制定了一份行动计划。”

如果面试官有兴趣了解更多细节，您就可以在此基础上展开。这时，您可以分享更多关于您如何得出结论以及您给公司的建议。

有效展示技能：关注过程而非结果 🛠️

最有效地展示技能的方法是记住您的听众以及他们感兴趣的内容。

潜在雇主和招聘人员希望了解您的思维过程和解决问题的方法。这意味着在讨论作品集中的案例时，关注您的分析过程而不仅仅是最终结果，会非常有用。

让我们回想之前的例子：面试官要求我们谈谈清理数据的方法。他们可能不需要知道我们对数据执行的确切函数，但他们可能感兴趣的是，我们如何选择正确的工具，以及我们采取了哪些步骤来确保数据干净、可用。

这能让他们更深入地了解我们的清理流程，以及我们如何看待数据清理这件事。

代码示例（思路）：

# 重点不是展示具体的清洗代码，而是解释选择这些步骤的原因
# 例如：“我首先识别了缺失值和异常值，然后根据业务逻辑决定是填充、删除还是修正...”

总结与练习建议

本节课中，我们一起学习了如何利用数据分析案例研究作品集来提升面试表现。我们介绍了“电梯演讲”的概念及其构建方法，并强调了在讨论中关注分析过程的重要性。

您的案例研究是增强简历的有力工具。同时，您也可以借助它们来勾勒您的思维过程和分析方法。为案例研究准备电梯演讲，并用它们向潜在雇主展示您作为数据分析师的技能，可以帮助您更有效地与面试官讨论您的工作。

就像您学到的其他所有技能一样，这件事练习得越多就越容易。提前练习是一个好主意。可以尝试向朋友演练您的电梯演讲，或者与信任的同事练习讲解您的分析过程。您很快就能熟练掌握。

接下来，您将有机会练习在模拟面试中分享您的作品集。下次见。

008：完成一个案例研究》📊

课程概述

在本节课中，我们将通过一个模拟面试场景视频，学习如何准备和应对数据分析师的面试。视频展示了应聘者Sally与面试官Jordan之间的对话，内容涵盖了自我介绍、技能展示、问题解决经验以及工作风格等关键面试环节。我们将从中提炼出面试的核心要点和应答策略。

场景视频内容解析

1. 开场与自我介绍 👋

视频以Sally和Jordan的问候开始。Jordan感谢Sally抽出时间面试，并说明本次面试是为了互相了解，特别是关于初级数据分析师这个职位的职责。

以下是Sally的自我介绍要点：

Sally原本计划成为一名教师，但后来改变了职业方向。
她在零售行业工作了一段时间。
有人向她推荐了谷歌数据分析师证书课程，她尝试后发现自己很喜欢并且擅长。
因此，她决定申请这个初级分析师职位。

2. 对数据分析的兴趣 ❓

Jordan询问Sally被数据分析吸引的具体原因。

Sally的回答要点如下：

她喜欢数据分析类似于“深入挖掘事物、了解更多并改进它们”的过程。
她觉得这就像解谜，但完成谜题后能帮助公司做出更明智的商业决策。

3. 处理难题的经验 🧩

Jordan提到并非所有难题都有直接解决方案，并询问Sally是否有过需要主动负责处理棘手问题的经历。

Sally分享了一个具体案例：

在担任教师时，经常遇到学校用品和课后项目预算不足的问题。
原因是所有项目共用一份预算。
解决方案：她联合其他老师，为每个类别创建了独立的预算，效果显著改善。
她强调因为无人主动解决，所以她将此作为自己的项目来负责。

4. 工作风格偏好 🤝

Jordan提到该职位有时需要团队合作，有时需要独立工作，并询问Sally的偏好。

Sally的回答体现了灵活性：

她有过两种工作环境的经验。
她喜欢像预算项目和在零售业时那样与人合作。
她也擅长独立工作并完成任务，例如作为教师时自己制定教学计划和管理课堂。
她保持开放心态，根据需要引入他人协作。

5. 跨领域转型的适应 🔄

Jordan问Sally，如何适应从完全不同的领域转型为数据分析师。

Sally认为之前的技能可以很好地迁移：

教师经验：筛选大量信息并提炼出重要、易于理解的内容的能力，这对向非数学背景的人解释数据非常有益。
零售经验：提升了沟通能力。
管理课堂和应对难缠顾客的经验：提升了人员管理能力。
她认为这些技能都能很好地转化为数据分析师所需的能力。

6. 工作动力来源 💪

Jordan最后一个问题是关于Sally在工作中的动力来源。

Sally的回答聚焦于人：

动力来源于与她共事的人。
了解同事能激励她投入额外的时间和精力，因为她知道自己的工作对她认识的人有意义。

7. 应聘者提问环节 💬

Sally向Jordan提出了几个关于职位和公司的问题。

以下是Jordan的回答要点：

典型工作周：主要与技术团队和数据科学家合作；每周一有站会，同步任务、目标和进度；公司倡导开放沟通，会参与各种会议，经常与同事交流。
日常工作内容：主要涉及分析大型数据集（如行政数据、保险账单索赔等），具体内容很大程度上取决于项目。
喜欢公司的原因：团队聪明、专注、热爱工作；协作氛围好，彼此尊重；与所有人（包括利益相关者）沟通顺畅，这让工作轻松许多。
后续步骤：一周内联系候选人，通过邮件发送一个需要解决的案例研究，并安排第二次面试进行演示。公司将通过此任务考察工作方式、技能运用和技术能力。

课程总结

本节课我们一起学习了一个完整的数据分析师模拟面试场景。通过Sally和Jordan的对话，我们了解到一次成功的面试通常包含以下核心部分：清晰的自我介绍、对岗位兴趣的真诚表达、用STAR法则（情境、任务、行动、结果） 阐述问题解决经验、灵活的工作风格说明、将过往经验迁移到新岗位的能力，以及对应聘公司和职位的深入了解。最后，面试官Jordan透露了下一阶段将涉及一个案例研究，这是评估候选人实际能力的关键环节。掌握这些要点，将有助于你更好地准备未来的数据分析师面试。

009：场景视频案例研究解析 🎬

在本节课中，我们将通过一个具体的视频案例，学习如何运用数据分析思维解决一个实际问题。我们将跟随一位分析师（Sally）的汇报，看她如何为虚构的“Creekreekside中学”设计一个改善家校沟通的应用程序，并理解其分析思路与汇报结构。

概述：案例背景与目标

视频展示了一个虚构的场景：一所中学需要改善与家长之间的沟通。分析师的任务是提出核心见解，以解决这个问题。

分析师Sally的解决方案是帮助学校设计一款应用程序，让家长能及时了解学校新闻以及孩子的课程与活动情况。她的分析主要围绕两个目标展开：

分析“原因”：为什么要创建这款应用？量化家长参与度对学生成绩的影响。
分析“方法”：一旦决定创建应用，家长对什么内容感兴趣？应用应如何设计？

第一部分：分析“原因”——为何需要这款应用？

上一节我们介绍了案例的背景和目标，本节中我们来看看Sally如何分析创建应用的深层原因。

她的核心发现是：家长参与度与学生考试成绩高度相关。

以下是她的具体分析过程：

发现趋势：数据显示，自2004年以来，学生的考试成绩呈下降趋势。
关联分析：与此同时，家长参与度也在2004年后开始下降。
量化影响：数据表明，有家长参与的学生，其考试成绩比没有家长参与的学生平均高出14个百分点。
得出结论：由于成绩下降与家长参与度下降在时间上高度吻合，且参与度对成绩有显著正面影响，因此有理由认为，家长参与度不足是导致成绩下降的主要原因。

公式化核心结论：
学生成绩提升 与 家长参与度提高 呈正相关。

因此，为了提高学生成绩，必须首先提升家长参与度，而创建沟通应用是达成此目标的关键手段。

第二部分：分析“方法”——应用应如何设计？

在明确了“为什么”需要应用之后，接下来我们探讨“如何”设计这款应用以满足家长需求。

Sally通过调查数据来了解家长可能感兴趣的内容。以下是她的分析要点：

活动分类：通过调查学生参与的课外活动，发现大多数活动可归为三类：体育运动、学术活动、课外俱乐部。
通知分析：分析当前已发布的学校新闻通知，并按年级（六年级、七年级、八年级）进行细分。
关键洞察：数据显示，七年级学生收到的通知数量最少。

基于以上数据，Sally提出了两条具体的设计建议：

应用结构：在应用中创建三个标签页或分类，分别对应上述三类活动，方便家长浏览。
发布策略：在应用的测试和初期推广阶段，应优先针对七年级学生的家长，因为他们目前获得的信息最少，针对性地改善沟通能带来最大的影响。

第三部分：总结建议与后续步骤

综合以上分析，Sally为项目提出了清晰的总结和后续行动计划。

分析总结：

原因：创建应用是为了提升家长参与度，因为数据证明家长参与度与更高的学生成绩高度相关。
方法：应用应设计三个活动分类标签页，并在首次发布时优先针对七年级学生家长进行测试和推广。

项目时间线建议：
以下是Sally建议的项目推进阶段：

前两周：数据分析。
当前：汇报分析结果（即本演示）。
后续主要时段：应用程序开发。
测试与迭代阶段：重点收集七年级学生家长的反馈。
最终：正式发布并面向所有年级开放。

后续步骤建议：
当被问及下一步建议时，Sally提出了两点：

将分析洞察分享给应用程序开发团队，指导他们按照三个活动分类来构建应用。
在测试阶段，坚定执行优先针对七年级的策略。

未来探索方向：
对于应用未来的版本（如2.0版），可以探索更多问题，例如：

同一所学校中有多个孩子就读，是否会进一步帮助提高成绩？
一位家长参与与多位家长参与，其影响有何不同？

总结

本节课中，我们一起学习了一个完整的数据分析案例。我们看到了如何从明确业务目标开始，通过分析数据趋势和关联性来定位核心问题（家长参与度低导致成绩下滑），并利用细分数据（活动分类、年级差异）来指导具体的产品设计决策（应用结构、发布策略）。最后，分析师给出了清晰的总结、可操作的建议以及未来的迭代方向。这个案例展示了数据分析如何将模糊的业务需求转化为具体、可执行的解决方案。

010：完成一个案例研究》 🎯

P10：场景视频问题解决详解

在本节课中，我们将通过一个具体的职场场景视频，学习如何运用数据分析师的核心技能——批判性思维与问题解决——来处理工作中突发的挑战。视频以零售业为例，展示了从发现问题到最终解决的全过程。

场景概述

视频描述了一位零售店员莎莉处理一位不满顾客的经历。顾客因新购买的动感单车与骑行鞋不兼容而要求退货。莎莉没有立即办理退款，而是通过一系列步骤深入探究问题根源，并最终提供了令顾客满意的解决方案。

上一节我们介绍了问题解决的总体框架，本节中我们来看看如何在实际场景中应用这一框架。

问题解决步骤分析

莎莉的应对过程清晰地体现了结构化问题解决的思路。以下是其步骤分解：

第一步：主动倾听与初步评估
当愤怒的顾客提出退货要求时，莎莉首先表达了提供帮助的意愿，同时希望了解更多细节以挽救局面。她询问：“这辆自行车有什么问题吗？” 这避免了基于表面现象仓促行动。

第二步：深入调查，定位直接原因
顾客指出问题在于骑行鞋无法锁入单车踏板。莎莉的第一个假设是用户错误，并发现顾客穿了错误尺码的鞋。然而，更换正确尺码后问题依然存在。

第三步：识别根本原因
通过让顾客在展示车型上亲自测试，莎莉观察到：

if shoe.clip_type != bike.pedal.clip_type:problem = "兼容性故障"

踏板与鞋扣的物理设计不兼容是根本原因，属于制造缺陷，而非用户操作问题。

第四步：承担责任并升级问题
莎莉向顾客道歉，并立即向经理汇报。经理随后联系制造商，制造商因此发起了产品召回。这体现了对系统性问题的重视。

第五步：构思并提供解决方案
在明确问题后，莎莉构思了多个解决方案。以下是提供给顾客的两个选项：

选项一：立即退款并收回产品
- 优点：快速解决顾客投诉。
- 缺点：顾客无法获得她最初想要的产品（动感单车）。
选项二：提供替代方案
- 提供店内任何一款单车的兑换券。
- 额外赠送一双确保与踏板兼容的骑行鞋。
- 优点：满足顾客的核心需求（拥有一辆可用的单车），并补偿其不便。

第六步：达成共识并实现满意结果
在与经理和顾客讨论后，顾客选择了第二选项。最终，一位愤怒的顾客转变为满意的顾客，并且经理也很高兴，因为满意的顾客更可能再次光顾。

核心方法论总结

当被问及思考过程时，莎莉概括了她的通用问题解决框架：

评估真实问题：区分表面不满与深层可解决的问题。
追问“为什么”：使用5 Whys等根因分析技巧，持续追问直到找到本质原因。
生成多种解决方案：基于理解，规划多个备选路径。
选择并执行：结合各方输入，选择最优方案实施。

她强调，尽管每个问题都不同，但其核心方法是通用的：运用同理心理解背景，找到根本原因，并规划出几个可供选择的解决方案。

课程总结

本节课中，我们一起学习了如何将数据分析师的批判性思维与问题解决能力应用于真实的职场挑战。通过莎莉的案例，我们看到，有效的问题解决不仅仅是快速反应，更是一个包含倾听、调查、分析、行动和反馈的系统性过程。关键在于保持同理心，执着于寻找根本原因，并致力于提供创造性的、双赢的解决方案。这些技能对于任何一位希望持续成功的数据分析师都至关重要。

011：场景视频 - 协商条款 🎬💼

在本节课中，我们将通过一个模拟的求职场景视频，学习数据分析师在获得工作机会后，如何进行薪资谈判。我们将看到主角萨莉如何自信地展示自己的技能，并与招聘经理乔丹就薪酬进行有效沟通。

视频开始，乔丹向萨莉提供了初级数据分析师的职位。

乔丹表示，尽管萨莉作为数据分析师的经验有限，但对她在此过程中的表现印象深刻，并对她的能力充满信心。乔丹认为萨莉过去的经验加上她当前的证书，将使她成为一名优秀的初级数据分析师。

乔丹正式向萨莉提供了这个职位。

萨莉对此表示感谢，并认为这是个好消息。

乔丹随后说明了该职位的薪酬待遇：起薪为5万美元，并包含医疗保险、公司股票期权、带薪休假等福利，作为录用方案的一部分。

萨莉表示这听起来很棒，并询问是否可以花些时间考虑这个录用通知。

乔丹同意，并表示会发送所有详细资料供萨莉全面审阅，同时欢迎她通过邮件或电话提出任何问题。

萨莉再次感谢乔丹提供的职位，并承诺会尽快回复。

乔丹表示期待萨莉的答复。

上一节我们看到了工作机会的提出与初步回应。接下来，在视频的第二部分，我们将看到萨莉经过考虑后，主动联系乔丹进行薪资谈判。

萨莉联系了乔丹，表示已经进一步考虑了录用通知。

萨莉承认这是一个初级职位，但她认为，基于自己能够带来的可转移过去经验，她的薪酬应该高于5万美元。

乔丹请萨莉重申她最初的薪资期望。

萨莉要求的底薪范围在5.8万至6万美元之间。

乔丹回应说，萨莉期望的薪资略高于平均水平，并请她详细说明哪些技能和经验支持这个薪资范围。

萨莉表示理解，并希望双方能基于她将带来的技能和经验，商定一个有竞争力的薪酬。

萨莉从软技能和硬技能两方面阐述了自己的优势：

软技能方面：她在沟通部门特别出色，曾管理过难缠的客户和吵闹的孩子。此外，得益于多元化的背景，她能够轻松地将复杂主题转化为易于理解的片段，供那些不像她一样擅长数字的人理解。
硬技能方面：她获得了数据分析证书，掌握了如SQL和数据可视化等行业技术工具。

因此，萨莉相信自己的经验证明她具备宝贵且可转移的技能，这比一个毫无经验的初级分析师能带来的价值更多。

乔丹认为萨莉的陈述令人印象深刻，并且公司认为她非常适合这个团队。因此，公司愿意折中，提供5.6万美元的起薪，并明确表示未来有增长空间。

萨莉感谢这个录用通知以及对方的灵活性，认为这是公平的。她正式接受该公司的初级数据分析师职位。

乔丹表示很高兴，并将发送所有正式文件，尽快安排萨莉入职。乔丹再次表示，萨莉将是团队的优秀补充，很高兴她能加入。

萨莉表示感谢，并对自己即将开始的新工作感到非常兴奋。

本节课中，我们一起学习了一个完整的工作谈判场景。我们看到了如何自信地接受工作机会，如何基于自身可转移的技能和经验（包括软技能如沟通，以及硬技能如SQL）来论证更高的薪酬期望，并通过有效沟通与雇主达成双方都满意的折中方案。这个过程强调了准备充分、清晰表达自身价值以及在谈判中保持专业与灵活的重要性。

012：给退伍军人的建议

在本节课中，我们将跟随谷歌首席数据分析师Nathan，了解他如何通过VetNet组织帮助退伍军人转型，并探讨退伍军人在数据分析领域的独特优势与挑战。Nathan将分享简历优化技巧、职业转换建议以及数据分析师所需的核心素质。

大家好，我是Nathan。我是谷歌信任与安全部门的首席数据分析师。同时，我也是VetNet组织的一员。VetNet是一个员工资源小组，面向退伍军人以及希望支持退伍军人的谷歌员工。

我们每年回馈社区最喜爱的方式之一，就是举办年度简历评审研讨会。在这个研讨会中，无论是线上还是线下，我们会邀请退伍军人或其配偶来到办公室或通过视频会议交流。我们会逐一审阅他们的简历，重点聚焦于他们所做过的有影响力的事情，并探讨如何让他们的成就脱颖而出，充分展现他们的优秀之处。

上一节我们介绍了VetNet组织及其活动。本节中，我们来看看退伍军人在将军旅经验转化为有效的民用简历时，可能面临的一些独特挑战。

以下是三个主要挑战：

去除军事专用术语：简历中应使用民用领域能理解的通用语言。
勇于为个人成就争取应得的认可：退伍军人常常倾向于将成就完全归功于团队。
为简历中展示的活动找到良好的影响力衡量标准：需要用具体、可量化的结果来体现工作价值。

正如军人需要清晰沟通、团队协作和高度注重细节一样，这些素质在数据分析工作中也至关重要。你无法知晓一切，因此与跨职能部门的利益相关者在高度协作的环境中工作非常重要。

此外，如果你无法清晰地传达建议并影响利益相关者采纳它们，那么世界上最好的分析也毫无价值。当然，如果你忽略了一些重要细节，也可能破坏你的分析结果以及你在利益相关者眼中的可信度。因此，注重细节至关重要。

上一节我们讨论了数据分析所需的软技能。本节中，我们来探讨如何为数据分析职业道路做好准备。

获取一些培训当然很重要。数据分析师证书是一套很棒的培训课程。同时，你也可以学习其他关于你感兴趣的工具的课程。

更重要的是，思考你对哪些类型的问题最感兴趣，然后为这些问题寻找数据，并自己进行一些分析。这是一种高影响力的方式，能让你自己获得宝贵的经验，从而在面试甚至与社交网络中的人进行非正式交流时进行谈论。

退伍军人应该考虑数据分析职业的原因在于，他们已经具备了在保持谦逊的同时又能坚持不懈的坚实基础。这对于数据分析师来说非常重要，因为如果你的自我意识失控，就会产生巨大的盲点，导致你在分析中犯错。

我至今仍认为最好的一条建议是：“宁可收到超速罚单，也不要收到停车罚单。”

这句话对数据分析师的特别意义在于，有时你必须跳入那些你天生并不完全舒适的情境中。你需要通过学习和协作来找到出路。

在本节课中，我们一起学习了Nathan通过VetNet帮助退伍军人的经历，探讨了退伍军人转型民用领域（特别是数据分析）时在简历撰写和心态调整上面临的挑战。我们明确了数据分析师所需的清晰沟通、团队协作和注重细节等核心素质，并了解了通过获取培训、进行自主项目分析来积累经验的方法。最后，Nathan分享了“宁可超速，不要停车”的宝贵建议，鼓励我们在职业发展中勇于接受挑战，在行动中学习和成长。

013：利用人工智能在工作场所推动影响

在本节课中，我们将跟随谷歌数据工程师迈尔斯的分享，了解人工智能如何在实际工作中提升数据分析的效率和影响力。我们将探讨AI在数据处理、文档生成和日常任务自动化中的应用，并学习如何有效利用这些工具。

大家好，我是迈尔斯，是谷歌的一名数据工程师。我的主要工作是维护大型数据库，也就是我们常说的数据湖。这些数据库包含了我们海量的财务信息，从资本性支出到运营性支出，再到收入数据。我的职责是向利益相关者提供这些数据。

我非常热爱数据分析师这份工作。它不仅仅是处理数字，很大程度上也关乎如何“讲故事”。能够创建吸引人且视觉上引人入胜的内容，并呈现给你的业务伙伴，这是一项非常独特的技能，许多其他职业并不具备这种经验。数据是我们所做一切工作的“被遗忘的支柱”，没有数据，我们就无法像现在这样准确地做出任何决策。

人工智能是一个非常重要的领域，我们认为它是下一个前沿。如果我们把数据分析看作第一步，那么人工智能就是第二步。在我的日常工作中，我每天都会使用AI，它让我和我的同事们变得更高效、更有生产力。更不用说，它还能让我们自动化那些我们不喜欢做的、重复性或繁琐的任务。

最近我在谷歌工作中使用AI的一个例子是，我们需要围绕数据访问创建文档。我们基本上需要整合大约10种不同的访问权限，并为我们的业务伙伴创建文档，让他们知道在何时何地申请访问权限。我们这样做是因为我们维护着大量财务数据，众所周知，这些数据非常机密且需要严格控制知情范围。因此，创建易于阅读和易于应用的文档，对于在谷歌担任数据分析师至关重要。

我每天都会使用这个新工具，或者说Gemini的总结功能。无论是处理电子邮件、长文档还是解析代码，它都能真正帮助你更快地触及你想找到的核心要点。

对于刚开始学习数据分析并希望利用AI来达成目标的人，我给出的建议是：尝试和测试是学习如何使用这些工具、以及理解你需要提供什么才能获得你想要的结果的最佳方式。把它当作一个游乐场，尽情玩耍，搞砸一些东西，给它假问题，给它真问题。尽你所能去真正理解它会给出什么样的输出，这样当你真正需要高效完成某项工作时，就能更好地利用它。

一个有趣的小技巧是，你实际上可以用AI来教你使用AI。你甚至可以要求聊天机器人教你如何使用它自己。基本上，AI会给你一个输出，然后你可以问它，它认为这个输出在多大程度上满足了我的输入需求。

使用这些新技术令人非常兴奋。这几乎就像在你工作时，有一个私人助理就在你身边。无论是向工具提出问题和想法，还是向它输入数据以帮助你更快地完成某事，它不仅能节省你的时间，还能教会你很多东西。

在本节课中，我们一起学习了人工智能在数据分析工作中的实际应用。我们了解到，AI不仅是处理数字的工具，更是提升效率、自动化繁琐任务和增强沟通能力的强大助手。通过将AI视为一个可以探索和学习的“游乐场”，我们可以更好地掌握它，从而在数据驱动的决策过程中发挥更大的影响力。

014：借助人工智能提升您的数据分析技能 🚀

在本节课中，我们将学习如何利用人工智能来提升数据分析工作的效率与创造力。我们将重点介绍如何构建有效的提示词，并探讨如何将AI作为人类技能的补充，负责任地应用于数据清理、可视化及分析构思等场景。

人工智能正在改变我们在工作和生活中处理日常任务的方式。使用人工智能可以帮助你更快地完成常规性工作，从而让你能将更多时间投入到能产生最大影响力的领域。

回想一下你典型的工作日。如果它和我的情况类似，你会有很多事情要做，但时间总是不够。有时，你的待办事项清单似乎永无止境。但试想一下，如果AI能提供帮助呢？作为一名数据专业人士，我将分享几个AI可以帮助你更智能、更高效工作的场景，并展示具体操作方法。你将了解如何加速数据清理过程、创建引人入胜的数据可视化图表、构思数据分析问题等。

我叫Miles，是谷歌收入系统团队的一名数据工程师。我的团队处理与谷歌财务相关的数据。具体来说，我维护着被称为“数据湖”的大型结构化或非结构化数据库，其中包含我们的财务数据。我经常自动化收入生成项目的数据报告，并协助利益相关者进行分析，以帮助我们的产品和项目增长。AI帮助我更高效、更有创意地工作，因此我很高兴分享我的使用经验。

为了充分利用生成式人工智能，写出有效的提示词至关重要。提示词是你提供给AI模型以引发特定回应的输入内容。

一个优秀的提示词遵循一个简单的框架：任务、背景、参考、评估与迭代，即 T-C-R-E-I。如果你记不住步骤，只需记住：深思熟虑地创造真正优秀的输入。

首先是任务。你需要明确希望模型做什么，这相对简单直接。我们可以将任务分解为角色和格式。

角色指的是你希望生成式AI工具借鉴何种专业知识。你可以要求工具扮演一个角色，例如专业的演讲撰稿人或拥有15年经验的营销主管，也可以要求它为特定受众（如客户或你的经理）创建输出。在任务中添加角色描述时，你可以尽可能详细。
格式指的是你希望输出以何种形式呈现。无论是项目符号列表、短句还是表格。请记住，任务描述应清晰、具体地说明你希望模型做什么。

接下来，你需要提供背景信息。这些是必要的细节，有助于生成式AI工具理解你的需求。例如，“给我一些30美元以下的生日礼物创意”和“给我5个生日礼物创意。我的预算是30美元。礼物是送给一位29岁、热爱冬季运动、最近刚从单板滑雪转向双板滑雪的人”这两者之间存在显著差异。

第三，有时你需要添加参考信息供AI工具在创建输出时使用。例如，如果你要求生成式AI工具提供生日礼物创意，那么添加你过去送过的生日礼物作为参考，AI工具就能给出更有用的输出。请记住，并非总有明确的参考信息，尤其是在处理更抽象的任务或寻找灵感和创意时。关键在于指令要清晰、具体。使用自然语言，就像与另一个人交谈一样，表达完整的想法。

好了，现在你已经在提示词中包含了任务、背景和参考信息。一旦获得输出，就到了评估阶段。问问自己，你提供的输入是否得到了你需要的输出。这引出了框架的最后一部分：迭代。如果你评估输出后，发现没有得到所需内容，可以尝试添加更多信息或修改你的提示词，然后重试。这是有效提示的关键环节。

关于框架还有一点需要注意：构建有效提示词的方法有很多。提示词的构建顺序不如其内容本身重要。只要你是在“深思熟虑地创造真正优秀的输入”，你的输出就应该会很棒。

在我们探索如何在数据分析中使用AI时，请记住，AI只有作为我们独特人类技能和能力的补充时，才能发挥最佳作用。你应该始终通过应用“人在回路”的方法来负责任地使用AI。AI是帮助你完成任务的有用工具，但它需要人类的参与。没有任何AI工具拥有我们人类所具备的深厚经验、实践知识和互动技能。

这就是为什么“人在回路”方法是负责任使用AI的关键。它结合了机器和人类的智能来训练、使用、验证和完善AI结果。实际上，这意味着要留意你输入AI工具的内容，并始终评估和验证其输出。当你使用AI工具时，请仔细考虑是否需要使用机密或敏感信息来执行任务，并务必首先查阅你所在组织的规则或政策。即使在工作之外使用AI工具，你也应避免输入个人或机密信息，并始终检查你输入的数据可能被如何使用。

最后一点，市面上有很多生成式AI工具。我将使用Gemini来演示如何进行提示，但你将学到的所有技巧和最佳实践都可以应用于其他生成式AI工具，如ChatGPT、Copilot或Claude。

像我们这样的数据分析师常常被数据清理和整理等耗时任务所困扰。我从未遇到过有人说这是他们工作中最喜欢的部分。真正的兴奋点在于从数据中发现新知、深入挖掘洞察，并与团队合作将这些洞察转化为决策。AI工具可以赋能我们数据专业人士，让我们在为团队或组织发掘机遇方面发挥更大的作用。

现在，让我们开始吧。

本节课中，我们一起学习了如何利用人工智能提升数据分析效率。我们掌握了构建有效提示词的T-C-R-E-I框架，理解了“人在回路”对于负责任使用AI的重要性，并认识到AI是增强而非替代人类专业技能的强大工具。通过将AI应用于数据清理、可视化等环节，数据分析师可以将更多精力投入到更具战略价值的洞察发现和决策支持工作中。

015：利用人工智能帮助清理和准备数据 🧹🤖

概述

在本节课中，我们将学习如何利用人工智能工具来辅助数据清理和准备工作。数据清理是数据分析中耗时但至关重要的环节，而人工智能可以显著提升这一过程的效率。

你是否曾花费大量时间为分析准备数据？例如清理电子表格、修正错误数据、更改数据类型以确保准确性，或者重命名列。对于我来说，答案是花费了非常多的时间。在我们的领域，干净的数据是任何分析的基础。作为数据分析师，我们通常会从利益相关者、外部供应商，甚至是从旧代码和数据库中，获得庞大、不完整、有时甚至是错误的数据集。对于每个数据集，我可能需要花费高达30%的时间来清理、验证和准备分析。这过程可能很繁琐。

人工智能帮助我节省了部分时间，让我能专注于我真正热爱的深度分析工作。

像Gemini这样的生成式人工智能工具可以帮助数据分析师识别数据质量问题、标准化日期格式、检测并删除重复项，以及在短时间内识别数据集中的潜在特征。例如，Gemini可以提供实现高质量数据的详细流程。而通过更先进的工具，如Gemini for Google Workspace，我们可以授予其对数据集的访问权限，并让工具为我们完成更改。

回想一个你最近处理过的数据集。它可以是本证书课程中的一个数据集，也可以是你最近完成的一个工作项目。如果需要，可以暂停视频，认真回想一个。

你在尝试清理该数据时遇到的最常见问题是什么？是错误的数据类型、缺失的信息，还是不清楚的字段名称？如果人工智能能在你的一些提示下帮助解决所有这些问题呢？

让我展示一个例子。假设我有一个描述每日销售数据的数据集。这个数据集的日期格式不一致。这很令人沮丧，对吧？我该如何着手修复它们呢？我可以输入这样一个提示：

“我收到了一个销售数据集，其中包含许多格式问题，特别是日期格式不一致。我将输入一些通用日期作为示例。请描述一个在Google Sheets中专门用于清理和标准化日期格式的分步过程，以确保数据已准备好进行准确分析。”

现在，让我们看看输出结果。

Gemini提供了如何识别我数据中可能包含日期的列的步骤。然后，它提供了提示，以便更容易找出哪些字段有日期，以及如何选择一种标准格式，使所有日期都以相同的方式显示。它甚至给出了关于错误处理的说明，以确保我们以最安全的方式将信息转换为我选择的标准格式。

这很酷，对吧？人人都能拥有干净的数据。在这个例子中，Gemini引导我们完成了清理和标准化日期格式的过程。但这只是生成式人工智能在数据分析中能力的冰山一角。许多企业级人工智能工具可以通过自动化此类数据清理任务走得更远。这可以节省宝贵的时间和资源，让你能专注于战略决策等事务。

现在，请你自己尝试一下。尝试和实验提示是找出如何获得对你有用结果的最佳方式。打开一个你正在处理的数据集，看看生成式人工智能工具如何提供帮助。

获得你想要的输出有时可能是一个过程，而达到目的的唯一方法是适应、探索并找到适合你的路径。

总结

本节课中，我们一起学习了人工智能如何成为数据清理和准备工作的强大助手。我们了解到，通过向AI工具（如Gemini）提供清晰的提示，可以高效地解决日期格式不一致等常见数据问题，从而节省大量时间，让我们能更专注于分析本身。记住，熟练运用这些工具的关键在于不断实践和探索。

016：使用人工智能组织数据和构建公式 🧠📊

在本节课中，我们将学习如何利用生成式人工智能工具来高效地组织数据和构建公式。我们将通过一个具体的案例——重构产品销售数据以生成月度区域汇总——来演示整个过程。你将了解到如何向AI清晰地描述任务、评估其输出，并通过迭代优化来获得理想的结果。

从混乱到有序：AI如何帮助我们组织数据

上一节我们探讨了AI在数据清洗中的作用。本节中，我们来看看AI如何帮助我们组织数据，从而让我们能更专注于深度分析，而不是繁琐的准备工作。

我喜欢整洁有序的电子表格。但为了实现这一点，通常需要花费大量时间来组织数据、建立公式、创建数据透视表，并记住复杂的菜单和格式。幸运的是，生成式AI工具不仅能帮助清洗数据，还能协助组织数据。

想象一下，我正在处理一个包含不同地区、不同时间段产品销售信息的数据集。我的目标是重构这些数据，以显示每个地区每种产品的月度销售汇总。

我选择这个例子，是因为它与我最近在工作中遇到的一个情况类似，当时我依靠Gemini获得了帮助。我必须找到我们在美洲推出的新产品的月度销售增长数据，但原始数据只是电子表格中数据表的原始输出。

那么，我应该如何开始？

第一步：准备工作与初始提示

首先，我会打开我的电子表格，确保数据尽可能干净。我甚至可能会借助AI来帮忙。我会确认自己了解相关的字段名称和结构，并检查潜在问题。

然后，我会打开一个生成式AI工具（这里以Gemini为例，但相同流程也适用于其他工具）并开始提问。和往常一样，我会专注于描述我希望模型执行的任务，提供足够的背景细节和必要的参考信息。

我可以输入如下提示：

我在Google Sheets中有一个数据集，包含跨不同地区和不同时间段的产品销售信息。我的目标是重构数据，以显示每个地区每种产品的月度销售汇总。请在我开始这项工作之前，帮我集思广益，思考关键注意事项，并找出可能对此任务有用的具体公式。

正如你所注意到的，我们从一个简单的提示开始，描述了将销售数据重构为月度汇总的目标。我们不需要给Gemini任何代码或复杂指令，只需对我们期望的结果进行清晰的解释。

第二步：评估AI的响应与建议

现在，让我们看看Gemini的回应。可以把Gemini想象成一个项目顾问，指导我们完成关键的规划阶段。

我们可以看到，Gemini强调了理解数据结构的重要性，并突出了一些关键字段。然后，它推荐将数据透视表作为此类数据转换的强大工具。它甚至建议了几个我们可以实施的有用公式。

从这个输出中，我特别喜欢的一个公式是 SUMIFS，它展示了如何根据我们设定的参数创建聚合。

请记住，我们的提示越具体，输出就越好。在这个例子中，让Gemini知道我们正在使用Google Sheets，可以使它的回答针对该工具进行定制，这会让我们的工作轻松很多。

第三步：迭代与优化提示

记住提示框架 TCR-EI，现在我们要将 E（评估） 付诸实践。在理想情况下，Gemini会给我提供组织数据集所需的一切，但我需要检查。

如果第一次的输出不完全符合我的期望，那么 I（迭代） 就会派上用场。很可能，我会想要迭代我的提示，以获得更准确或更有用的结果，这取决于我的偏好。

提醒一下，迭代是通过反复的测试和调整周期来改进你的AI提示和输出的过程。

以下是你可以记住的几个技巧：

评估输出偏差：当你评估你的提示时，是否发现输出有任何不符合你预期的领域？如果是这样，可能有机会为AI工具提供更具体的指导，说明你需要什么。记住，AI工具只能根据你告诉它的内容来提供结果，所以请确保你的提示有足够的细节来获得有用的回应。
提供参考示例：回想一下我们提示框架中的 R（参考）。你能分享一个你期望结果的例子吗？在你的提示中提供示例可以帮助AI工具理解你想要什么。如果你希望找到特定的格式或分析类型，可以向AI展示一个例子。
检查措辞清晰度：你是否尽可能清晰？尝试将你的指令分解成更短的句子。这可以帮助你在下一次改进输出。
利用偏好反馈：输出的哪些部分是你喜欢的？例如，想象一下AI工具为你提供了五个头脑风暴的想法，你喜欢其中两个。在你的下一个提示中，解释你为什么喜欢那两个，并要求AI工具根据你的推理提供一个新的想法列表。你甚至可以指出你为什么不喜欢另外三个想法，并要求工具在下次也考虑到这一点。

那么，我将如何迭代我之前分享的提示呢？

假设AI工具的响应只包含关于数据透视表的一般信息，而我想了解更多。那么我可能需要包含输入数据的字段名称，或者指定我希望在数据透视表中包含哪些数据字段。

或者，如果响应没有包含关于自变量与因变量（分别对应我们数据透视表的行和列）的具体信息，我可能会添加上下文，以便这些信息也出现在我的输出中。

第四步：AI的进阶能力

通过有效的提示和创造性的迭代，我可以与Gemini合作，制定组织销售数据的流程。而像Gemini in Google Sheets这样的更高级的AI工具，甚至可以超越流程建议，直接为你生成数据透视表，甚至提供多个选项供你选择。

这非常酷，对吧？

总结

本节课中，我们一起学习了如何利用生成式AI工具来组织数据和构建公式。我们从准备工作开始，然后学习了如何向AI给出清晰的初始提示以描述任务目标。接着，我们探讨了如何评估AI的响应，并掌握了通过迭代优化提示（如提供示例、检查措辞、给予反馈）来获得更佳结果的技巧。最后，我们了解到高级AI工具甚至能直接生成如数据透视表这样的分析结构。掌握这些方法，能让你从繁琐的数据准备工作中解放出来，将更多精力投入到有价值的深度分析中。

017：利用人工智能帮助您提出更有效的问题 🧠

在本节课中，我们将学习如何利用人工智能工具来提出更精确、相关且可操作的问题，从而为成功的数据分析奠定基础。优秀的数据分析始于优秀的问题。

优秀问题的重要性 📊

在能够用数据回答问题之前，你需要明确自己要问什么。只有这样，你才能解锁可执行的见解和更明智的决策。归根结底，我们作为分析师创建的数据报告旨在帮助推动决策。这意味着我们事先提出的问题，会极大地影响我们的报告所能回答的内容。

正如你可能猜到的，生成式人工智能工具可以帮助完成定义正确问题这一重要任务，即提出精确、相关、可操作的问题，以进行有效的数据分析。

实践示例：零售业数据分析 🛒

让我们来看一个例子。假设我们是共同为一家零售商工作的数据分析师，我们正试图找出改善客户体验的方法。我可以写一个提示，例如：

“我获得了一个在线零售商的综合数据集，其中包括客户人口统计数据、购买历史和网站交互日志。我应该制定哪些关键问题来指导旨在改善客户体验和增加销售额的分析？请描述定义和优先排序这些问题的步骤。”

以下是人工智能工具可能生成的输出示例：

1.  客户获取与留存：新客户与回头客的销售贡献比例是多少？哪些因素与高客户留存率相关？
2.  购买行为：最畅销的产品类别是什么？购买频率和客单价在不同客户细分中有何差异？
3.  网站体验：网站上的哪些用户行为路径最常导致购买？购物车放弃率高的页面是哪些？
4.  客户细分：基于购买行为和人口统计，可以识别出哪些有意义的客户群体？
5.  促销效果：不同类型的促销活动对销售和客户获取的影响如何？步骤建议：
- 首先，根据业务目标（如提升销售额）确定核心分析方向。
- 其次，将问题分类为描述性（发生了什么）、诊断性（为何发生）、预测性（将会发生什么）和规范性（应做什么）。
- 最后，根据数据可得性、潜在影响力和实施难度对问题进行优先排序。

这样，我就得到了一系列关于我的数据的潜在问题，以及我可以开始回答这些问题的方法。

这里还有一个专业建议：你可以要求人工智能工具对其输出进行自我评分，或对潜在问题进行堆栈排序。它倾向于给出多个结果，并根据它认为自己做得如何或问题引导你获得见解的难易程度进行分级。

进阶人工智能工具 🚀

准备好了解更酷的功能了吗？作为一名数据分析师，有一些更高级的工具（其中一些是付费的）可以让你用数据做更多事情。

在我的工作中，我使用诸如“Jim”和“I Adv”这样的工具，将数据源直接连接到模型。这样，我就不必在数据中四处点击，希望能找到突出的趋势。“Jim”和“I Adv”会分析我提供的数据，通过几个问题，它就能突出显示主要的趋势和模式，为我节省大量时间。

从这个总结中，我可以开始制定更深入的分析，这大大提升了我的工作效率。

总结与练习 📝

本节课中，我们一起学习了定义好问题对于成功的数据分析至关重要。人工智能可以帮助你简化这个过程，使你的问题更加精确、相关和可操作。这将增强你的分析能力，并带来更深入的见解和更好的决策。

现在，尝试将这些技巧应用到你的数据中吧。

018：使用人工智能创建引人入胜的数据可视化

在本节课中，我们将学习如何利用生成式人工智能（Gen AI）工具来高效地创建引人注目的数据可视化。我们将了解AI如何帮助数据分析师节省时间，从构思合适的图表到生成可视化本身，并专注于数据解读与洞察分享。

概述：数据可视化与人工智能

在数据分析工作中，有时我们得出了出色的发现，却难以用吸引人的方式将其传达出去。这就是数据可视化至关重要的原因。为了分享我们的所学，我们需要创建引人注目、信息丰富且具有影响力的图表，以突出关键见解。

数据可视化是生成式人工智能（Gen AI）能够真正帮助您节省大量时间的领域。

🛠️ 人工智能如何助力数据可视化

上一节我们介绍了数据可视化的重要性，本节中我们来看看人工智能具体如何提供帮助。

假设您需要展示过去一年的销售数据趋势。一个Gen AI工具可以告诉您应该创建哪些图表和图形，以及如何创建。

借助更高级的AI工具，例如Gemini和Google Sheets中的AI功能，AI甚至可以为您创建这些可视化图表，并确保其准确性和一致性。

📈 实战示例：可视化营销销售表现

让我们通过一个例子来具体说明。假设我的工作是可视化我们组织的营销销售表现。这是一项复杂的任务，介于数据清洗、分析准备以及与之相关的所有其他工作之间，可能会花费大量时间。

我将使用一个AI工具来获取一些帮助。

第一步：为AI设定上下文

首先，我需要设定上下文或提供数据的简要摘要。例如，我可以在提示词的开头这样写：

“我有一个数据集，用于跟踪过去一年营销活动的销售表现，包括点击率、转化率和投资回报率等指标。”

第二步：明确任务指令

接下来，我将切入任务，并补充如下指令：

“请找出能够有效传达这些营销活动表现趋势和洞察力的潜在可视化方案。”

就这样，我们获得了一份可能的可视化方案列表，这些方案能有效传达营销活动数据集中的表现趋势和洞察。

🔍 深化与迭代提示词

现在，假设您想进一步了解输出结果中建议的图表类型。

以下是迭代优化提示词的一种方法：

您可以要求Gen AI工具为您展示关于其建议图表类型的YouTube视频或Google搜索链接。

请注意：在这个示例中，我们使用Gemini来生成创建这些可视化的步骤，因为我们没有上传任何实际数据。

然而，如果您使用的是企业级AI工具，您可以直接上传数据，这样工具就能为您生成可视化图表，从而显著简化流程。

💡 使用AI进行数据可视化的核心优势

使用Gen AI来构思数据可视化方案，我最喜欢的一点是，它让我能更专注于解读数据和分享见解，而不是花费精力在创建图表的技术细节上。这能更高效地利用我的时间。

🎤 专业提示：语音输入功能

在结束这个示例之前，我想分享一个专业提示。

到目前为止，我一直在Gemini中键入提示词。如果您不想打字，也可以激活麦克风功能。这使您能够使用语音快速添加更多信息、开始新的提示词或迭代现有的提示词。

总结

本节课中，我们一起学习了如何利用生成式人工智能工具来简化和增强数据可视化流程。我们从设定上下文和明确任务开始，看到了AI如何提供可视化建议，并探讨了通过迭代提示词和利用语音输入来优化工作流的方法。关键在于，AI工具能将我们从技术细节中解放出来，让我们更专注于从数据中提取和传达有价值的商业洞察。

019：借助人工智能改进您的R代码 🧠💻

在本节课中，我们将学习如何利用人工智能工具来辅助和提升我们的R语言编程效率。我们将探讨AI在代码生成、调试以及处理多源数据方面的应用。

编写代码有时会感觉像在迷宫中穿行，至少对我来说是这样。

生成式人工智能可以帮助解决这个问题。作为一名数据分析师，你可能会接到清理和转换数据集的任务。

你可以提示Gemini或其他生成式AI工具来生成初始的R脚本。例如，你的提示可以是：要求AI工具生成一个R脚本来读取CSV文件，并通过移除空值来清理数据。

AI可以提供一个结构良好的脚本，然后你可以对其进行优化。这可以为我们这样的数据分析师节省时间，并有助于提高工作的准确性。

调试代码是AI真正大放异彩的另一个领域。常见的R语言错误，如语法错误或逻辑错误，可以在AI的帮助下快速识别和纠正。例如，如果你在运行脚本时遇到错误，可以向AI工具描述问题，它会建议可能的解决方案。

因此，如果你在尝试合并两个数据框时遇到错误，AI可能会指出你可能遗漏了列名或使用了错误的函数。

你可以开始理解AI如何减少你的调试时间。

AI的优势之一是其处理来自各种来源数据的能力。AI可以通过生成代码来读取和聚合数据，从而帮助简化这一过程。例如，你可能需要从CSV文件、数据库和API中读取数据。通过提示一个AI工具，你可以获得一个从这些来源读取数据并将其合并到单个数据框中的脚本。

那么，我该如何构建一个提示来应对这样的挑战呢？

我可以尝试编写一个这样的提示：“我是一名具备R语言基础知识的初级数据分析师。我需要帮助创建一个R脚本的基本框架，用于自动化加载来自各种来源（即PDF和Google Sheets）的数据。我希望代码能扫描每个文档，组织数据，并生成一个不包含重复数据的、组织有序的Google Sheet。”

看看这个。除了提供一个基本框架，Gemini还要求澄清数据结构、来源之间的一致性以及其他要素。该模型生成了一个R脚本的基本框架，用于自动化数据加载、清理和合并过程，并附有解释以帮助构建它。

此外，它还提供了一些我应该考虑的问题的提示。不错，仅用一个提示，我就得到了对我R编码的一些帮助。

将生成式AI集成到你的R工作流程中不仅关乎效率，也关乎赋能。你可以处理更复杂的项目并发现更深入的见解。

请记住，你不需要成为R语言专家也能利用AI的力量。只需开始尝试。

就像任何新技术一样，我们都需要尝试、测试和探索，以学习如何使用AI。

我非常高兴能分享一些我作为数据专业人士在工作中使用AI的方式，从帮助数据清理到为数据可视化构思想法。

我希望这能帮助你在你的角色中开始使用AI。我给你的挑战是：思考你已经在做的工作。是否有某件事花费了你大量时间？或者某个项目你需要一些想法来开始？承诺尝试使用AI来完成一件对你和你的工作真正有意义的事情。

本节课总结

本节课我们一起学习了如何借助人工智能工具来改进R代码。我们了解到AI可以在代码生成（如 read.csv() 和 na.omit() 的自动化脚本）、代码调试（快速定位语法或逻辑错误）以及处理多源数据（合并来自CSV、数据库和API的数据）等方面提供强大助力。关键在于通过具体的提示与AI交互，并将其作为提升效率和探索复杂项目的辅助工具。

020：完成一个案例研究 🎯

P20：介绍Google人工智能基础课程 🤖

在本节课中，我们将了解Google人工智能基础课程的内容及其与数据分析师职业路径的关系。这门课程旨在为学习者提供人工智能和机器学习领域的基础知识，是数据分析技能的重要补充。

上一节我们探讨了数据分析案例研究的实践环节，本节中我们来看看如何通过人工智能知识来增强你的数据分析能力。

Google人工智能基础课程是一门入门级课程，它涵盖了人工智能的核心概念、历史背景以及对社会的影响。课程的目标是让学习者理解人工智能的基本原理，并认识到其在各行各业中的应用潜力。

以下是该课程涵盖的几个关键主题：

人工智能与机器学习简介：解释人工智能的定义、机器学习作为其子领域的关系，以及它们如何从数据中学习。
负责任的人工智能实践：强调开发和使用人工智能系统时应遵循的伦理准则，例如公平性、问责制和透明度。
人工智能工具与应用：介绍Google Cloud上可用的人工智能工具，并展示其在解决实际问题中的案例。

课程通过视频、阅读材料和实践练习相结合的方式进行。完成此课程后，你将能够更好地理解人工智能项目，并思考如何将人工智能技术融入数据分析工作流中。

本节课中我们一起学习了Google人工智能基础课程的定位与核心内容。这门课程为你提供了理解现代数据科学中人工智能角色的基础，是数据分析师知识体系中有价值的一部分。掌握这些基础知识，将帮助你在未来的数据分析项目中识别和应用人工智能解决方案。

021：完成一个案例研究》

在本节课中，我们将回顾并总结整个顶点项目的完成过程，并展望数据分析师职业旅程的下一步。

🏆 恭喜完成顶点项目

你出色地完成了本课程的顶点项目。

这是一个巨大的成就。请花点时间庆祝一下。你不仅坚持完成了整个课程，还更进一步，将你的知识和技能付诸实践，创造出了真实且非常酷的成果。

你的案例研究和作品集充分展示了你的进步，证明了努力终有回报。现在，你拥有了一个可以向潜在雇主展示的优秀作品范例，它能有力地证明你的技能水平。

所以，请允许我再次表示祝贺。

🚀 课程的结束与旅程的开始

这标志着本课程的结束。

但这只是你数据分析旅程的开始。无论接下来面对什么，你都已经掌握了成为一名出色数据分析师所需的技能。

我迫不及待想看到你未来的成就。再次感谢你与我一同完成这个顶点项目。再见，并祝你在成为数据分析师的下一步旅程中好运。

📝 总结

本节课中，我们一起庆祝了顶点项目的完成。我们认识到，这不仅是一个课程的结束，更是你运用数据分析技能解决实际问题、开启职业新篇章的起点。你通过努力获得的案例研究和作品集，将成为你职业道路上的宝贵资产。

022：完成一个案例研究》 🎓

课程概述

在本节课中，我们将完成整个数据分析师课程的学习旅程。本节内容是对学员完成所有课程和项目工作的最终祝贺与总结，标志着学员正式迈入数据分析师行列。

完成课程的祝贺 🎉

恭喜你完成整个课程项目。

你应该为自己投入的时间和付出的努力感到自豪。

课程中包含大量需要掌握的信息和需要完成的工作，而你全部做到了。

出色地完成了所有工作，这非常了不起。

学习历程回顾

我知道这个过程可能并非总是看起来那么容易。

但你坚持到了最后。

你已经为职业生涯的下一步——成为一名数据分析师——奠定了坚实的基础。

这真是太棒了。你正在正确的道路上前进。

我无比期待看到你在数据分析领域开创怎样的事业。

成就与认可

这是一个巨大的成就。

你做到了。

你完成了一项非常出色的工作。干得好。

你表现得非常出色。多么了不起的工作。继续前进。太棒了。祝贺你。祝贺你。恭喜你。恭喜你。

数据分析师是了不起的。😊

新的开始

现在，你也成为了一名出色的分析师。

你加入了那些通过探索数据让世界变得更美好的人们的行列。

我十分期待看到你未来将运用这些技能做出怎样的成就。😊

课程总结

本节课中，我们一起回顾并庆祝了完成整个谷歌数据分析师课程的里程碑。你通过了包含大量信息和实践工作的全面学习，克服了挑战，坚持到了最后。现在，你已经具备了数据分析师的核心能力，并正式加入了通过数据洞察改善世界的专业社群。这是你职业生涯新篇章的起点，期待你运用所学知识创造价值。

023：探索职业机会 🚀

在本节课中，我们将学习如何将你已获得的数据分析技能应用于职业发展，并探索由Google和Coursera提供的后续学习路径与职业资源。

我们希望你享受了证书课程的学习过程，并对自己的成长感到兴奋。恭喜你。😊

现在，是时候将所学知识分享给世界了。

请查看证书完成清单末尾的职业资源以开始行动，你一定不想错过。在那里，你将找到帮助你发现并为下一个工作机会做准备的资源。

请花时间查看清单，并充分利用这些独家资源。

我们特别推荐注册清单中链接的职位平台并创建个人资料，重点展示你获得的新证书和掌握的技能。

你好。

恭喜你完成了Google数据分析师证书课程。作为下一步，请考虑通过注册Google商业智能证书课程来继续你的商业智能学习之旅。

我是Anita，Google的高级商业智能分析师，也是该证书课程的讲师之一。

Google商业智能证书课程教授学习者如何创建流程和信息渠道，将数据转化为可指导商业决策的可行见解。

例如，我经常与合作伙伴一起创建有效的仪表板，帮助他们掌握业务中的趋势和异常情况。我也花大量时间设计数据管道，将分散的业务数据整合为一种用户友好的格式。

该课程由像我这样在该领域的专家Google员工设计和教授。这个高级课程基于你刚刚完成的Google数据分析师证书的基础，帮助你使用行业领先工具（包括BigQuery、Tableau和SQL）提升技术技能。

Google商业智能证书课程是实践性的、完全在线的，可以在1到2个月的兼职学习中完成。

如果你已准备好投身商业智能领域的职业，当你准备好时，我很乐意帮助你指导下一步。

再次恭喜你。😊

你好。

恭喜你完成了Google数据分析师证书课程。作为下一步，请考虑通过注册Google高级数据分析证书课程来继续你的数据分析学习之旅。

我是Adrian，Google的客户工程师和数据分析师，也是该证书课程的讲师之一。

Google高级数据分析证书课程将教你如何使用机器学习、预测建模和实验设计来收集和分析大量数据。😊

根据我的经验，我曾运用这些技能来帮助预测每日股价、欺诈性信用卡交易，甚至在体育比赛中预测运动员何时会达到疲劳或受伤的临界点。

该课程由像我这样在该领域的专家Google员工设计和教授。这个高级课程基于Google数据分析师证书的基础，帮助你使用行业领先工具（包括Jupyter Notebook、Python和TensorFlow）提升技术技能。

Google高级数据分析证书课程是实践性的、完全在线的，可以在3到6个月的兼职学习中完成。😊

如果你已准备好迈出数据分析之旅的下一步，我很乐意为你提供指导。

再次恭喜你。继续努力。😊

此外，请务必密切关注你的收件箱，以获取来自Coursera和Google未来的职业资源与机会。

祝你前程似锦。我们为你感到无比兴奋。

总结

本节课中，我们一起学习了完成Google数据分析师证书后的职业发展步骤。主要内容包括：

利用证书完成清单中的职业资源来寻找工作机会。
介绍了Google商业智能证书作为深化技能的一个路径，其核心工具包括 BigQuery、Tableau 和 SQL。
介绍了Google高级数据分析证书作为另一个进阶路径，其涉及机器学习与预测建模，核心工具包括 Jupyter Notebook、Python 和 TensorFlow。
提醒关注后续由平台提供的职业机会。