全站年SVIP
全站1000+试题无限查看
数据分析师的工作内容主要如下：
1. 定义一个或多个关键指标来判断业务的好坏(指标通常和KPI或ROI有关)；
2. 对指标进行操作性定义，也就是现有业务的哪些数据(或者数据表的字段)组合起来(可以理解为一个方程)可以计算出该指标；
3. 结合业务发现影响该指标的那些因素，如果业务指标是因变量y，那么影响因素就是多个自变量x(或者机器学习中的多个特征)，并筛选出那些重要的影响因素(尤其是对y的贡献大且业务上可控的因素);
4. 在时间、人群、产品、营销等维度上细分，横向不同细类下以及纵向时间维度上影响因素x和业务指标y的关系(或者细类的分布和变化趋势等)，基于业务上的考量对各细类分出优劣并给出解释，然后找到从劣到优的转移路径(也就是业务上可以操作的拉升KPI的点)；
5. 给出具体的可执行的方案(符合SMART原则)，推动落地实施(可能要和商务、产品、运营、技术等合作)，最后评估方案对关键指标的影响效果以及ROI等方面的考量(实际上3,4,5是一个“循环”操作)。
至于这个过程中，怎么去采集数据、清洗数据、怎么计算、用什么软件、选择什么模型等都是方法问题，没有唯一的方法也没有最好的方法，整个过程通常以结果为导向，以解决业务问题为首要目标。
数据分析师需要的核心能力包括业务理解、方法理论、技术实现3个方面。
1 业务理解
行业理解：比如电商主营业务是卖货(C端)以及提供在线货架管理(B端)，然后延伸服务(比如金融、自营品牌等)，目前国内市场的top3是天猫、京东、唯品会，三家的业务模式又各有不同；
产品模式：卖给谁(用户人群有啥特点)？卖什么(主营产品或服务)？在哪卖(交易场景是啥)？这3点对应的是人、货、场；
关键指标：只有被量化以及对比适合的参照点才能知道业务的好坏，推荐《精益数据分析》这本书，涉及互联网的主要商业模式以及相应的关键指标解读；
2 方法理论
业务知识：产品的主干转化环节(枝干环节如何拆分)、如何监测用户数据(e.g.埋点)等，以及运营的主要形式及目的(用户运营重生命周期转化，内容运营重活跃，产品运营重产品转化，活动运营重交易或传播)，运营相关的书籍，推荐黄有璨的《运营之光》以及李少加的《进化式运营》；
数学知识：概率统计、线性代数、常用的机器学习算法等专业知识都要知道的，理论上讲，这些知识知道的越清楚，使用得越熟练，工资就越高。不一定要做到能推导公式，但至少也要理解各类算法的大致原理、优缺点、使用前提及场景等；
通用能力：比如思维方法(e.g.数据分析常用思维)、沟通技巧(e.g.表达的框架)、项目管理等，关于通用能力这块，推荐看《12个工作的基本》和《商业模式新生代》，可以辅助构建自己的能力体系；
其他专业：跨专业的知识不仅有利于工作中理解用户、产品、营销等，也能让自己在生活中多多收益，推荐科特勒的《营销管理》，如果对心理学感兴趣的话，《心理学导论：思想与行为的认识之路》和《心理学与生活》是不错的入门读物，当然，跨专业的知识也可以直接和合作的业务方请教学习；
3 技术实现
流程：比如数据分析的常见的SEMMA、CRISP-DM流程，涉及到数据采集、清洗、整合、转化、建模、评估、上线等环节，每个环节还可以细分操作方法，比如数据采集可以分为网络爬虫、问卷调研、用户访谈、产品埋点等(详情见数据获取)。对应到具体的工作内容，可能就有更多细化的操作，比如需求处理流程、报表开发流程、模型上线流程等；
工具：分析软件(Excel/R/Python/SAS等)、可视化软件(PowerBI/Tableau等)、大数据平台(Hive/Spark等)、机器学习框架(Tensorflow/Mahout等)等，趁手的工具一定要熟练使用(详情可参见数据分析常用工具)
架构：使用工具来搭建整合数据分析流程的系统或者数据产品，这是比较高阶的能力，架构不仅要掌握全面且熟练的技术，还依赖于对过往工作经验的总结，从中提炼“模式”和“标准”，将标准化的某项技术或者分析思路用规则化的编程语言实现，最终形成一个适用于多个场景(迁移性)的产品。
数据分析的两个主要分支方向——分析和挖掘，不管是哪个方向，基本的数学知识和机器学习算法都属于必备技能：
分析偏业务
自上而下的“理论”或者业务驱动；
和产品、运营打交道比较多(工作输出对接主要就是这两类同事)；
一般title是“数据分析师”、“数据产品经理”、“运营分析师”、“商业分析师”等；
通常要求会Excel/R/Python/SAS、Tableau/PowerBI等软件，会使用常见的算法，了解产品和运营的分析思路，能输出产品或运营优化方案并促进落地等；
挖掘偏技术
自下而上的数据驱动以发现更优模式；
通常对接数据平台或者对算法依赖非常重的业务(比如风控)；
title里通常带有关键字“开发”、“研发”、“算法”、“挖掘”、“工程”、“大数据”等；
能力上通常要求能使用大数据依赖的操作系统(Linux/shell等)、大数据软件(Spark/Hadoop/Storm等)、开发语言(C/C++/Java/Scala等)、机器学习框架(Tensorflow/Mahout等)，然后就是要熟悉数据结构、算法(数学算法和计算机算法)。
最后，分享几点工作上的小Tips：
接数据需求时，一定先和业务方确定目的或者业务价值，不仅有助于理解业务方向，也能挡掉一部分不靠谱的需求(话说我曾经态度和善地接了很多这种需求，这种需求，只有苦劳，没有功劳)；
懂业务是分析师值钱的点之一，和业务方保持紧密联系，听听他们的思路和见解，这是很好的学习机会。如果只是“被动”处理需求，而很少“主动”和业务方沟通，对业务的理解可能就没那么深，可以参考车品觉老师在《决战大数据》中提到的“混、通、晒”；
摆正自己的工作角色，提防“乙方心态”，不能想着搞完需求就完事了，和业务方的合作不是一次性买卖，站在他们的角度想问题不仅能理解业务方向，还能理解数据分析解决的问题以及带来的价值(以免怀疑自己是在打酱油)；
要有一定的“翻译”能力，如何对一个指标下操作性定义(量化)，如何把业务语言转化为技术语言(再转化成计算机代码)，或者把数据分析结论转化为业务方听得懂、用得着的信息；
沟通能力很重要，包含但不限于口头表述、PPT演示、结构化表达等，一方面沟通的时间成本很高(超哥说，时间是人类唯一宝贵的资源)，另一方面沟通能力是外显的职业能力(大家看得到)，建议阅读《金字塔原理》；
数据分析师需要具备哪些能力
数据分析师的工作内容主要如下：
1. 定义一个或多个关键指标来判断业务的好坏(指标通常和KPI或ROI有关)；
2. 对指标进行操作性定义，也就是现有业务的哪些数据(或者数据表的字段)组合起来(可以理解为一个方程)可以计算出该指标；
3. 结合业务发现影响该指标的那些因素，如果业务指标是因变量y，那么影响因素就是多个自变量x(或者机器学习中的多个特征)，并筛选出那些重要的影响因素(尤其是对y的贡献大且业务上可控的因素);
4. 在时间、人群、产品、营销等维度上细分，横向不同细类下以及纵向时间维度上影响因素x和业务指标y的关系(或者细类的分布和变化趋势等)，基于业务上的考量对各细类分出优劣并给出解释，然后找到从劣到优的转移路径(也就是业务上可以操作的拉升KPI的点)；
5. 给出具体的可执行的方案(符合SMART原则)，推动落地实施(可能要和商务、产品、运营、技术等合作)，最后评估方案对关键指标的影响效果以及ROI等方面的考量(实际上3,4,5是一个“循环”操作)。
至于这个过程中，怎么去采集数据、清洗数据、怎么计算、用什么软件、选择什么模型等都是方法问题，没有唯一的方法也没有最好的方法，整个过程通常以结果为导向，以解决业务问题为首要目标。
数据分析师需要的核心能力包括业务理解、方法理论、技术实现3个方面。
1 业务理解
行业理解：比如电商主营业务是卖货(C端)以及提供在线货架管理(B端)，然后延伸服务(比如金融、自营品牌等)，目前国内市场的top3是天猫、京东、唯品会，三家的业务模式又各有不同；
产品模式：卖给谁(用户人群有啥特点)？卖什么(主营产品或服务)？在哪卖(交易场景是啥)？这3点对应的是人、货、场；
关键指标：只有被量化以及对比适合的参照点才能知道业务的好坏，推荐《精益数据分析》这本书，涉及互联网的主要商业模式以及相应的关键指标解读；
2 方法理论
业务知识：产品的主干转化环节(枝干环节如何拆分)、如何监测用户数据(e.g.埋点)等，以及运营的主要形式及目的(用户运营重生命周期转化，内容运营重活跃，产品运营重产品转化，活动运营重交易或传播)，运营相关的书籍，推荐黄有璨的《运营之光》以及李少加的《进化式运营》；
数学知识：概率统计、线性代数、常用的机器学习算法等专业知识都要知道的，理论上讲，这些知识知道的越清楚，使用得越熟练，工资就越高。不一定要做到能推导公式，但至少也要理解各类算法的大致原理、优缺点、使用前提及场景等；
通用能力：比如思维方法(e.g.数据分析常用思维)、沟通技巧(e.g.表达的框架)、项目管理等，关于通用能力这块，推荐看《12个工作的基本》和《商业模式新生代》，可以辅助构建自己的能力体系；
其他专业：跨专业的知识不仅有利于工作中理解用户、产品、营销等，也能让自己在生活中多多收益，推荐科特勒的《营销管理》，如果对心理学感兴趣的话，《心理学导论：思想与行为的认识之路》和《心理学与生活》是不错的入门读物，当然，跨专业的知识也可以直接和合作的业务方请教学习；
3 技术实现
流程：比如数据分析的常见的SEMMA、CRISP-DM流程，涉及到数据采集、清洗、整合、转化、建模、评估、上线等环节，每个环节还可以细分操作方法，比如数据采集可以分为网络爬虫、问卷调研、用户访谈、产品埋点等(详情见数据获取)。对应到具体的工作内容，可能就有更多细化的操作，比如需求处理流程、报表开发流程、模型上线流程等；
工具：分析软件(Excel/R/Python/SAS等)、可视化软件(PowerBI/Tableau等)、大数据平台(Hive/Spark等)、机器学习框架(Tensorflow/Mahout等)等，趁手的工具一定要熟练使用(详情可参见数据分析常用工具)
架构：使用工具来搭建整合数据分析流程的系统或者数据产品，这是比较高阶的能力，架构不仅要掌握全面且熟练的技术，还依赖于对过往工作经验的总结，从中提炼“模式”和“标准”，将标准化的某项技术或者分析思路用规则化的编程语言实现，最终形成一个适用于多个场景(迁移性)的产品。
数据分析的两个主要分支方向——分析和挖掘，不管是哪个方向，基本的数学知识和机器学习算法都属于必备技能：
分析偏业务
自上而下的“理论”或者业务驱动；
和产品、运营打交道比较多(工作输出对接主要就是这两类同事)；
一般title是“数据分析师”、“数据产品经理”、“运营分析师”、“商业分析师”等；
通常要求会Excel/R/Python/SAS、Tableau/PowerBI等软件，会使用常见的算法，了解产品和运营的分析思路，能输出产品或运营优化方案并促进落地等；
挖掘偏技术
自下而上的数据驱动以发现更优模式；
通常对接数据平台或者对算法依赖非常重的业务(比如风控)；
title里通常带有关键字“开发”、“研发”、“算法”、“挖掘”、“工程”、“大数据”等；
能力上通常要求能使用大数据依赖的操作系统(Linux/shell等)、大数据软件(Spark/Hadoop/Storm等)、开发语言(C/C++/Java/Scala等)、机器学习框架(Tensorflow/Mahout等)，然后就是要熟悉数据结构、算法(数学算法和计算机算法)。
最后，分享几点工作上的小Tips：
接数据需求时，一定先和业务方确定目的或者业务价值，不仅有助于理解业务方向，也能挡掉一部分不靠谱的需求(话说我曾经态度和善地接了很多这种需求，这种需求，只有苦劳，没有功劳)；
懂业务是分析师值钱的点之一，和业务方保持紧密联系，听听他们的思路和见解，这是很好的学习机会。如果只是“被动”处理需求，而很少“主动”和业务方沟通，对业务的理解可能就没那么深，可以参考车品觉老师在《决战大数据》中提到的“混、通、晒”；
摆正自己的工作角色，提防“乙方心态”，不能想着搞完需求就完事了，和业务方的合作不是一次性买卖，站在他们的角度想问题不仅能理解业务方向，还能理解数据分析解决的问题以及带来的价值(以免怀疑自己是在打酱油)；
要有一定的“翻译”能力，如何对一个指标下操作性定义(量化)，如何把业务语言转化为技术语言(再转化成计算机代码)，或者把数据分析结论转化为业务方听得懂、用得着的信息；
沟通能力很重要，包含但不限于口头表述、PPT演示、结构化表达等，一方面沟通的时间成本很高(超哥说，时间是人类唯一宝贵的资源)，另一方面沟通能力是外显的职业能力(大家看得到)，建议阅读《金字塔原理》；