在数据分析岗摸爬滚打十年，数据还能驱动未来？

///

1.1 数据分析职能

随着互联网时代、数据时代、计算时代的发展，数据分析也应运而生。虽然以往企业中也存在一些数据分析的工作内容，但数据分析师是市场上近些年才出现的职能，相比研发、算法、产品、运营等那些已演进多年的职能，数据分析还处在十分年轻的阶段。

数据分析并非公司”必要”的职能，但在一个公司的发展壮大过程中又会有数据分析出现的必然性和存在的合理性，尤其是在数据时代。公司没有任何人做数据分析，短期也依然能运行，短时间内也不会垮掉，只是很多地方可能会运行得不太好，但是时间长一些肯定会有影响。

数据分析师指专门从事行业数据搜集、整理、分析、并依据数据做出行业研究、评估和预测的专业人员，数据分析工作内容本质上就是从数据中分析出商业价值或者建模发现知识，从而去推动业务，辅助决策，如以下相对具体的工作内容：

（1）帮助企业理清和看清业务现状，如常见的搭建数据指标体系等；

（2）临时性或者定期性的分析某个数据指标变化原因；

（3）针对某个事件/问题做专题研究分析需求方（多为领导、业务部门）要求

（4）深层次解释关系和预测未来……

当然，行业不同、业务不同，乃至挂靠的组织架构所在部门不同，作为分析师的工作内容可能也有很大出入。数据分析也会有很多细分方向，如经营分析、用户行为分析、游戏策划方向、数值策划方向、战略方向、商业化方向……每个方向要求的能力侧重不一样。

1.2 数据分析现状

数据工作博大精深，天花板很高，同时又具有无限的可能，可以在各个方向延申，并且有比较长久的职业生涯。

行业需求水平方面：电商、金融、数据服务、文娱/内容、企业服务、移动互联网、消费生活、社交、游戏、教育等行业是需求量相对较大的行业。根据猎聘网的数据，2020-2025年中国数据人才缺口1400万。根据Burning Glass的数据，未来10年，数据分析师的工作预计将增长14.3%，这表明数据分析师的岗位需求会一直保持在一个相当高的水平上。但广义的需求水平并不意味着很容易找到工作，高需求可以转化为更多的学生决定进入某个特定领域，导致入门和中级职位的竞争十分激烈。

城市薪资水平方面：北京、杭州、上海、深圳、厦门、广州、武汉、苏州、南京、西安、成都、长沙、天津等一线、新一线城市薪资水平相对较高。拉勾网数据显示，初级分析师薪资可达15K元/月，2年以上分析师薪资可达30K/月。

岗位发展空间方面：数据分析作为一种底层技能，应用领域相对较宽，增长黑客、数据运营、数据产品经理、数据库开发、BI、风险控制等岗位都可以去做。产品、运营、市场、会计、审计等岗位也必须数据分析技能

技能要求方面：目前用的较多的就是数据挖掘、SQL、Python、Excel等技能/工具。

数据是数据分析的基础，而分析才是重点，用数据驱动业务、驱动企业管理，才是真正的价值终点。然而现实是现阶段市面上80%+的公司并不懂得如何用数据来驱动业务增长，甚至连数据是什么都不知道。

大公司和小公司数据治理能力差异很大，数据量、数据维度上会有很大不同；不同行业商业模式不一样，数据作用也不一样，如金融行业和快消品行业；每个公司的岗位定位不一样，职责不一样，价值也会不一样。现实就是老板有多重视数据，就有多大的作为。

一个完整的企业数据分析体系涉及到多个环节：采集、清理、转化、存储、可视化、分析决策等等。其中，不同环节工作内容不一样，消耗的时间和产生的价值也相差甚远。

比如，互联网企业数据分析体系中至少有三个方面的数据：用户行为数据、交易订单数据和CRM数据。工程师把不同来源的数据采集好，然后通过清理、转化等环节统一到数据平台上；再由专门的数据工程师从数据平台上提出数据。这些工作占用了整个环节90%的时间，然而产生的价值却只占10%。

这个金字塔再往上数据分析就和业务实际紧密结合，以报表、可视化等方式支持企业的业务决策，涵盖产品、运营、市场、销售、客户支持各个一线部门。这个部分占用了整个环节才10%的时间，但是却能产生90%的价值。

一个优秀的商业数据分析师应该以价值为导向，紧密结合产品、运营、销售、客户支持等实践，支持各条业务线发现问题、解决问题并创造更多的价值。

当然，我很同意宋世君老师的观点，将创造价值的过程抽象成三类：描述现状、探寻规律、推动改进。

描述现状：帮助公司描述现状，以明确前进的状况，如取数、做指标、做数据报表、做看板等都是如此。很多职场新人觉得“取数”没有成就感，那可能是并没有把取数本身和自己业务的主线联系起来。从业务角度思考“为什么取”就能给我们更强的价值感，从踏上取数那天开始，就要多关注数据和业务含量，那是以后吃饭的家伙。

探寻规律：通过数据分析，寻找那些数据信息中隐含但还没发现的规律，去“洞见”企业活动中各类数据中的关联、因果。可以用统计推断、因果关系、增长推动、预测建模、实验评估等去挖掘,去发现更本质的规律,这就是价值，我们自己的工作的出发点也应该是发现了什么规律(洞见)

推动改进：描述现状和寻找规律，最终的目的都是为了推动改进，也就是大家常说的影响，数据分析的影响力可以发挥的四个维度：改善重要指标、影响产品决策、影响操作流程、创造可持续解决方案。做事前后，一定要思考有数据分析工作没有直接或间接地实现这四类里面的任何一类，如果没有，那将需要反思与改进。

那一个好的数据人，应该具备什么样的能力？其实抛开行业、公司、和岗位去聊数据分析师需要掌握哪些能力，根本就没有意义。如果一定要谈，我觉得主要是数据能力、技术能力、报告撰写、业务能力、逻辑思维这几个方面，不同的人（技术or业务）甚至一个人的不同阶段这些能力侧重点可以是不同的。

3.1 数据能力

数据能力是数据分析最基本的能力。

一是要有一些基本的甚至是扎实的统计基础，统计学是数据分析最重要的基础之一，是数据分析的基石和方法论。需要掌握从基础的统计理论(描述性统计、区间估计、假设检验等)出发，到基本的统计分析（T检验、方差分析等），最后到商业常用的模型（回归分析、方差分析等）。推荐曹正凤《从零进阶 数据分析的统计基础》、贾俊平《统计学》。

二是从本质上理解公司的数据指标体系，公司都有一套KPI指标体系，围绕KPI指标还有一系列的执行监控指标，数据分析师得对指标的生成过程有透彻的理解，包括从哪个表，哪个字段层层计算汇总而来，这样才能对公司的核心指标体系有深入的理解，从本质上区分指标的差异。

三是对公司数据有全局性、深入性认知，数据分析师应对数据字典进行系统的学习，自顶向下的学习很必要。知道公司有多少数据，数据分析才可能更有深度、更具广度。数据字典体现的往往只是表层的数据含义，如果你希望分析的更为灵活，就需要理解数据之间的依赖关系和来龙去脉，因为每张数据表都是由下一层次的表关联汇总而成，但汇总意味着信息的丢失，只有具备追根溯源的能力，你才更有可能基于更多的信息获得更大的分析自由度，比如看到业务系统上某个菜单的功能，需要对应到系统中的数据是怎样的。

3.2 技术能力

技术能力也是数据分析最基本的能力，而且随着数据量、数据维度的扩增，对这一块的要求会更高。比如Python数据科学、SQL数据库原理、Excel/报表/BI工具技能等技能。

一是要具备一定的编程水平。如Python/R/SQL至少需要掌握一门。Python语言方便做一些数据科学的工作，可以掌握Numpy、Pandas、Matplotlib、Scipy、Scikit-learn这几个库的用法。SQL主要了解数据库查询语言，where，group by，orderby，having，like，count，sum，min，max，distinct，if，join，left join，limit，and和or的逻辑，时间转换函数等，学习SQL最快的方法是能自己下载数据库管理工具，找些数据练习，初学者可以看看《MYSQL必知必会》。

二是要有基本的挖掘能力。懂得如何根据问题和数据构建模型，比如聚类，分类，预测等，尤其是在金融、运营商、互联网、零售等这些数据成熟度较高的行业，算法工程化也许更重要。

技术这块，有的公司分析师用Excel就可以搞定了，但如果数据量大到千万甚至上亿级别，表的量达到成百上千张的话，就需要展现技术实力了。

3.3 业务能力

不懂业务的分析师是没有价值的，业务能力永远是第一位的，但是拥有很强的业务能力又是非常之难的。

深入自己公司的战略定位、业务诉求，数据分析最终只有解决业务问题分析才能真正创造价值，而企业每一项业务本质上是公司整体战略的支撑；

要深入自己行业理解真正的数据诉求，保持足够敏感度，即多与业务部核心团队沟通，关注行业网站，阅读行业数据分析报告做好积累，比如处于什么阶段，自己所在的位置，当前的重点业务方向在哪里，碰到了哪些挑战，总体的解决思路是什么。

最后还需要具备业务岗位的实战经验，打造区别于他人之间的核心竞争力的部分。一定要对公司业务的实际流程、机制、平台、数据等进行充分理解。目前市场上书籍、培训课程多是一些易于抽象化、结构化的知识内容，偏技巧、架构和产品，以及一些工具方法（python、算法、机器学习类），讲课或者分享的内容大多数为类似于统计学的基本概念、工具的使用入门等等。深入业务后，发现每条业务线纷繁复杂，都要消耗特别多的精力去梳理产品流程、数据和业务之间的关系、切入点，还需要对接各个部门不同人的需求，极其琐碎零散。不同公司不同的业务情况都不同，场景模拟相对难，没人愿意把真实有效的东西讲出来，因为这都是个人赖以生存的秘诀。

3.4 沟通表达

沟通表达是数据分析的润滑剂，数据需要一个外交官。数据要实现“改善重要指标、影响产品决策、影响操作流程、创造可持续解决方案”这些影响，要求我们有同理心和业务(产品/运营/市场等）思维，那我们就需要优秀的沟通技巧，与各部门进行交流与协作。而且数据分析成果完成后，我们提供的数据需要获得外部客户的认可，这是实力的证明，其中难免要求我们有说服的能力。

3.5 报告撰写

报告撰写能力也很重要，甚至是知识、思维的综合体现。尽量做到论据充分，论证严谨，观点简明。如写PPT，要努力理解老板的意图，理清楚思路，给出目录架构，明确每页要表达的主题，然后才开始动笔。甚至存在写程序的干不过做PPT的。

3.6 思维能力

（一）问题思维

分析什么问题，往往比用什么方法更重要。问题思维要求能够在对接需求时，去识别出真正核心的问题，以及这些问题是否具备可行性探索的可能性。要学会界定一个清楚的问题，譬如老板让探索下业务的发展趋势，这个问题就极其模糊。需求要怎么拆解？按照写作的几个要素，时间、地点、人物、事件、过程、结果。

- 清楚背景，什么前提；

- 清楚目的，达成什么结果；

- 清楚人物关系，利益关系如何；

- 清楚受众，他们的数据来源情况

分析的过程，就是将一个清楚的问题转化为一个数据可分析问题，不断往下分解，直到追本溯源，了解到整个业务的全链路过程（有可能是局部），才能真正的给到合理的结论。

（二）全局思维

做分析的人需要有全局观，相信价值并不断追求价值。即使在初级分析师做一些基础工作的时候，也要从业务角度多思考“为什么”，要将自己置于整个公司的战略目标体系中的分部中去，大多数时候能够跟上老板的思路就不错了，老板才是最大的发动机和操盘手。分析的终点一定是有一个盖棺定论的结果出来，分析的闭环在于所有的结果都要形成策略。策略的制定依赖于丰富的学识，不仅是数据分析本身，可能还包括政策、法规、行业、市场、营销、运营、产品等等，因此，就要广泛涉猎，多看多学，从各个视角去看问题。

（三）逻辑思维

分析师的核心能力是思辨，要懂逻辑。逻辑指的是事物之间的价值关系，在数据分析过程中，要有逻辑地去理解各项数据之间的关系，要有逻辑地去挖掘需求问题与数据之间的关系。在用逻辑思维去看待数据之前，还需要你深入理解你的工作，了解业务之间的关联，有细致的思维想法，举个例子，你要分析某电商的活动效果，数据是从哪些系统产生的？产生数据需要什么流程？有哪些字段？这些字段在业务上有什么含义，基础质量如何？这些数据之间有哪些关系等？可以多去读些相关书籍来增强自己的逻辑，如《金字塔原理》、《增长黑客》、《精益数据分析》等。