SQL与业务数据分析
甄选并验证：Arjun Mehta, Data Scientist, Coinbase在每家达到一定规模的公司里，同样的争论循环往复：市场部说留存率是62%，产品部说是48%，财务部给出第三个数字，而且从技术角度看谁都没错。他们回答的是不同的问题，但每个部门都把自己的数字当作*那个*数字。能够终结这场争论的人——悄无声息，不偏不倚——就是那个能读懂数据库、写出查询、锁定定义的人。 本课程就是教你成为这样的人。假设你会操作电子表格，并且曾经从网上复制过一条`SELECT`语句并让它运行成功过一次。不假设你知道什么是连接。学完本课程后，面对利益相关者的Slack消息和一个你从未见过的数据仓库，你将能够列出所有表，找出哪些表可以连接，编写多步骤查询（以可读的CTE形式），按照行业实际定义计算群组留存率或漏斗转化率或DAU/MAU，验证行数以免因静默连接爆炸而提交膨胀的数字，并用四个要素（窗口、群体、定义、注意事项）撰写答案，使其经得起其他人的推敲。 区分一位受信任的分析师和一位沮丧的分析师的关键，往往不是语法，而是粒度纪律。是注意到`NOT IN`因为NULL而静默失效，是重新计算上周的数字并解释为何不同，是说清楚你使用的是“活跃用户”的*哪个*定义。这里安排的课程内容使得每个习惯都变得显而易见——不是因为课程说教，而是因为编排顺序让你在犯错之前就感觉到不对劲。 SQL是容易的部分。你带走的将是它背后的判断力。
课程目录
关于课程作者
The common thread in Arjun Mehta’s work is the journey from an uncertain question to a decision someone can defend. He has forecast demand for retail operations, modeled customer attrition for subscription products, built language systems that classify support conversations, and analyzed healthcare data to identify variations in patient outcomes. Depending on the problem, Arjun may design an experiment, train a predictive model, construct a data pipeline, or conclude that a simpler statistical analysis provides the more reliable answer. He works primarily with Python, SQL, Spark, and cloud-based machine-learning platforms, but places equal emphasis on data quality, model monitoring, privacy, and clear communication. Now leading a multidisciplinary data-science team, he remains closely involved in the work between prototype and production, where analytical promise must become a dependable part of everyday operations.
评价 (3)
- snappy_hedgehog
clear and practical
- winsome_cheetah
muy claro y útil
- savvy_macaque
super helpful