用过往的经历，聊聊数据分析这个职业

首先从理解上看，“数据分析"可以从三个层面的构成来剖析 --对业务的认知、 分析思维和数据处理能力。前面两项很多人都有，没吃过猪肉还没见过猪跑，只要别抱着事不关己高高挂起的态度了解业务并不难，而分析思维这个很难说每个人都有但是不见得每个人都能意识的到自己有，期间的差异便是在横向跨度和理解深度上。

至于数据处理能力，应该是一个不折不扣的老大难问题，因为会涉及到方法论、数据敏感性、思维意识和各种不同的工具应用熟悉度。换一句话，也是面试时候经常能碰到的些问题，就是你会哪些分析方法和算法、在运营上有没有过经验、能不能从业务里面识别出异常的问题和挖掘出商业机会等，会不会python/spark/tenserflow/sq/hive等等。

在工作几年之后，碰到过很多的挫折和瓶颈，第一个便是效率。给你一堆表或者几千万的数据， Excel不能做嘛，不存在的! Excel当然能，但是电脑撑不住，各种卡机、各种转圈圈，这时候想要做几列简单的统计可能就需要十几分钟，再做个 处理又几十分钟没了。

因为效率低，后来发现同样的事情R能做、python能做、 mysq|能做、 spark也能做，所以便有了“工具为王”的理解认知。

对于这层理解并没有什么不好，但是其本质思想却是我有一个业务上的假设需要通过怎么样的数据来支撑，这其中需要用到什么样的处理过程和逻辑。

通过和很多人聊的结果上来看，越是往上的人越注重业务认知和分析思维，相对而言处理能力显得并没有那么重要，即便它占了你工作80%甚至以上的时间。很多人对于数据分析师的理解，可能觉得这是一个技术岗，因为这群人在很多时间里面都在写着各种脚本、代码，乍一看确实和程序员没什么区别。

但实际上，还是有区别的，就是分析师在写完代码之后还会写PPT、写商业分析报告，可谓是全能选手，估计有些甚至代码调优能力还很厉害（开个玩笑）。

前阵子回顾了一下自己的学习历程，某种程度上来说是实用主义者，碰到了、有需求的时候才会去主动学，用不到的会先搁着到那边。譬如说最早学R、    Python, 一开始的时候只是拿来和Excel做交互，读取表数据、汇总、拆分，然后提取文本数字，生成一张报表什么的。

这里说个现象，应该很多从业的人都有遇到过这样的经历，就是学R还是学Python，在数字化链接的背景下，数据量的暴增以及新的技术不断迭代，也在不断的驱使我们更新迭代自己的技能，同样的分析思路和方法也是需要不断更新的；

所以场景是捣腾出来的，其实准备从业的数据分析师或者需要增加技能的分析师都有过疑惑。

工作里面有无数多的情况下可以用它去代替的时候，就慢慢变成了一种习惯，熟悉度也会增加，不用刻意的去练习。在处理完一些日常的办公需求之后，拓宽了一些认知和领域，譬如说爬虫、短文本处理、长文本挖掘、数据可视化、交互式图表、自动邮件、监控预警等等。再到后面就是搜罗到的海量数据，想要发现规律和特征，就衍生出算法方面的知识点，怎么聚类、分类，如何去做预测，怎样才能提高准确率，怎样做模型评估。

学习都是层层递进的一个过程，维持着对它的兴趣，便会一直驱动着前进，所以有时候兴趣才是最好的老师。

经常被问到的一个问题，数据分析是什么，本质上说人人都是数据分析，只不过是隐形的。它不用刻意的去学，原本我们都会，就是需要不断的复盘、总结，然后归纳成具有条理性的框架，最后需要的是找到一个可落地的解决方案来执行就可以了。

一些典型的分析案例，譬如说从用户的哪些信息里面能够判断流失了或者留存表现好，通过哪些维度的数据能够合理的对用户进行分层，用什么方式能够预测未来的发展趋势，怎样能够描述市场上的供需关系，如何才能更好的监控内部的数据质量......这些都是一些公司在日常管理中碰到的问题和痛点。

总结到一个点就是，数据是真实业务的投影，也是业务好坏的映射，通过对信息的处理转化成为数据关系再用图表的形式呈现出来，让更多的人方便发现其中的规律，然后去调整策略。这便是数据分析的价值；

最典型的过程是对用户群体进行分类划分标签，对不同类的人挖掘他们的共性，根据共性判断应用哪种营销策略，通过数据监测策略的执行好坏，应用自动化的过程呈现当前状态,使用算法对未来的可能性进行预估。

再比如当下市面上比较成功的几个算法应用的案例，分别有淘宝、头条、抖音、菜鸟和高德，对应了商品推荐、内容区分、影音识别和线路规划，前期都需要做大量的数据研究，这就包括用户分类、商品标准化、主题建设、词汇收集、图片素材、gis信息等等。

所带来的商业场景就是当你登录到任何一个app,就会有大量你喜欢的、猜你想的、别人喜欢你可能喜欢的广告呈现出来，然后根据平台的用户基数，但凡1万个人里面只有1个人成交，在几百万几千万的用户基数下，带来的成交量也是很可观的。所以流量会成为很多互联网公司的第一推广目标，从哪些渠道引流、如何选择市场拓展、怎样引导转化以及用户留存，这些之后遗留下来的问题都是业务关注的重点，回归到本质就是当碰到问题的时候管理层应该如何做决策，纯粹的经验、市场敏感度都可以做决策驱动，通过多维数据分析可以做到的是决策验证，往往会有意想不到的发现。

对于一个分析师刚接触新业务的人来说，需要做以下几点:

1.积累接触中碰到的问题，形成知识树，什么情况需要进行沉淀?但凡在自己认知范围外的知识点都应该被记录，然后定期复盘，过去那个时间点的理解和经过一段时间之后的感受有什么区别，为什么?这个环节就是自我蜕变和成长的过程;

2.在针对问题进行定向解决时，需要足够多的去收集有关问题的信息，真正的理解问题本质，对背景、目标、涉及到的人、可能的解决办法能够描述清楚，然后进行目标拆解,有过程有步骤地推进;事前能够尽可能地考虑全面，后续能够减少临时和随机性的问题出现，占据太多时间;

3.做分析，我觉得有一个前提必须要先学会，就是要识人，一群人里面谁会认同科学的分析方法，谁会去配合做这些事情，那他就是你的合作伙伴；如果面对的是一群本身就不懂的人，那就要学会去引导，或者通过一些事件去转变他们的思想……这个着实比较难。

最后说点学习的感悟：

对于学习来说，要多看无用书，学校教育都是唯有用而为之，设定成绩排位目标，让多数人以这条线为准来区分好坏，工作之后设定绩效考核，来筛选对公司产生更多价值的人才。

在一个快节奏的时代，很容易沉不住气，一个字形容那就是燥，戾气也会很重。回到无用、无为，找到真正属于自己的核心价值区域。

总是说格局，对于格局的理解应该可能是能看到别人所看不到的机会，有些人是与人俱来的，而不少人是通过后天训练才能获得到的，所以一定要多出去走走，多看看世界，才能有世界观，而不是活在遐想的空间里面。

另外是破局，活着就会碰到顺势而为和逆境困扰，逆境的时候别去硬碰硬，利用好环境进行化解，转逆为安。几个要素:信息->观点->共鸣->冲突->利益->欲望->好奇->幻想->感官；

对于工作很难知道自己喜欢或者不喜欢。你的认知是需要一个过程的， 所以我觉得，用喜欢不喜欢来选择工作，对90%的人来讲，挺危险的。因为恐怕，你以为你喜欢的事情，你去做了以后会发现，你没那么喜欢。

所以，不要轻易的去相信那些所谓的评测结果，最重要的还是你对它有过了解么，是不是自己真正喜欢的。现在途径很多，可以从互联网上找到很多人写的分享、心得，也可以加各种群让大佬们进行指导，还可以去找自己的引路人拜个师继续保持学习的心态。

人们眼中的天才之所以卓越非凡，并非天资超人一等，而是付出了持续不断的努力。1万小时的锤炼是任何人从平凡变成世界级大师的必要条件。

对于工作，没有人可以预测到未来你会在什么行业做什么样的事情，有很多朋友一开始做着数据分析， 后来去转了运营、转了市场、转了财务，但是殊途同归，到今天都到了企业的中高层。

对于此时此刻做的任何选择都不会错，只是在选择之后希望能沉下来，在自己想做的垂直领域有所收获。与此同时，在学习上需要讲究方法、追求高效，如果进步慢不妨多出去跟人聊聊，取长补短，就像有个说法：没有经历完整的人生何谈人生观，没有走过世界，何谈世界观一样，最后，加油！

--------   往 期 推 荐  ----------

▼

• [PPT福利领取】分享一些高大上、有逼格的PPT模板
  

• [数据产品笔记】二、数据可视化设计规范
  

• 2021年让我们做个深度思考的人

• 我所理解的【数据中台】建设方法论

• 超级PPT福利贴 | 免费PPT素材资源领取

• [阿里首次公开]-数据中台实践完整版（附下载）