編輯導(dǎo)讀：數(shù)據(jù)分析師作為互聯(lián)網(wǎng)行業(yè)背景下誕生的崗位，聽上去非常高大上，也有不錯的職業(yè)發(fā)展前景。本文作者針對數(shù)據(jù)分析這個崗位進行了分析，與你分享。

本文來自知乎問答。

問題：想做一名數(shù)據(jù)分析師，自學(xué)了《統(tǒng)計學(xué)》、R、SQL等。入門級別的，現(xiàn)在有點迷茫了，下步學(xué)什么才是合適的？

我目前自學(xué)了《統(tǒng)計學(xué)》、JAVA、R、SQL、SPSS。但都是學(xué)到學(xué)門級別的，現(xiàn)在有點迷茫了，數(shù)據(jù)分析有那么多工具，不知道學(xué)哪些才是最正確的，不知道怎么規(guī)劃了（問題重點）。我目前考慮的問題主要有兩個：

• 短期希望找到一份相關(guān)的工作（目前事業(yè)編混日子）。
• 長期規(guī)劃是做一名數(shù)據(jù)科學(xué)家不想走偏了。

正文：

同樣是因為喜愛而轉(zhuǎn)行踏上數(shù)據(jù)科學(xué)之路。

畢業(yè)工作后，業(yè)余時間我一直在關(guān)注人工智能的新聞，出于興趣開始在晚上自學(xué)相關(guān)的理論知識、工具例如統(tǒng)計學(xué)、python。突然有一天，我心血來潮，忽然想通了，為何不投身喜愛的行業(yè)，要不然也只是空有一腔熱血。

于是我便馬不停蹄地開始學(xué)習(xí)Python，并決定從人工智能時代通用基礎(chǔ)能力——數(shù)據(jù)分析入手。

但因為是零基礎(chǔ)轉(zhuǎn)行，所以剛?cè)肼毢芏喽疾粫?，挨罵最多的就是做的計劃不落地、提的方案脫離業(yè)務(wù)場景……經(jīng)歷了許多項目、積累了經(jīng)驗后，我總結(jié)了以下能幫到你的經(jīng)驗。

一、工具篇——硬實力

從題主學(xué)習(xí)了這么多工具的經(jīng)歷，想必跟我一樣是個“工具控”，接觸到有趣又強大的工具會忍不住去學(xué)習(xí)。

現(xiàn)在我作為數(shù)據(jù)分析師，題主說的工具我都有在用，目前我在用的一些相關(guān)工具的應(yīng)用場景：

1. Python

常用的數(shù)據(jù)分析工具，數(shù)據(jù)科學(xué)界的明星產(chǎn)品。幾乎是萬能的工具，尤其是在解決重復(fù)性工作、大數(shù)據(jù)分析等場景方面特別好用。在Python列入小學(xué)課程的時代里，它絕對是值回票價的編程語言。

2. SQL

通用的數(shù)據(jù)庫語言，對于數(shù)據(jù)分析師而言，可以完成取數(shù)、分析工作。所謂巧婦難為無米之炊，SQL可以從源頭上解決無數(shù)據(jù)的問題，要不然你是無法想象IT是如何拒絕或延后你的提數(shù)需求的。

3. SPSS

“傻瓜式”的數(shù)據(jù)分析圖形軟件，可以像操作Excel那樣點點點，很簡單地完成復(fù)雜的數(shù)據(jù)分析工作，例如相關(guān)性分析、回歸建模等。

（如圖為我在實戰(zhàn)中使用SPSS進行特征挖掘的PPT）

目前我工作中，很喜歡用它的可視化決策樹。在實際的數(shù)據(jù)挖掘工作中，可解釋性是很重要的一環(huán)，它很多時候決定了模型的邏輯及結(jié)論是否被業(yè)務(wù)所認(rèn)可。眾多模型中，線性/邏輯回歸在這方面絕對是老大，而在我發(fā)現(xiàn)了SPSS中將決策樹模型可視化這個逆天功能后，它就成為了我分析的最愛之一，得益于易懂的可視化圖形，它的邏輯與結(jié)論往往也很能被業(yè)務(wù)所接受。

4. R

數(shù)據(jù)科學(xué)界的老大之一，統(tǒng)治著專業(yè)的統(tǒng)計學(xué)、生物、醫(yī)學(xué)等領(lǐng)域。目前我在用它，是因為公司的銷售預(yù)測模型是其他同事用R語言寫的。

R與Python的差異在于：R是統(tǒng)計語言，有很多優(yōu)秀的框架，例如Python里最常用的Pandas庫就是從R移植過去的，再例如可視化圖表的庫的表現(xiàn)一騎絕塵。但是在自動化辦公、應(yīng)用領(lǐng)域卻沒有Python廣。

所以，建議剛?cè)胄械耐葘W(xué)Python這個性價比高的語言，等有進一步明確的需求后，再按需學(xué)習(xí)R即可。

5. Power BI

非常優(yōu)秀的可視化分析工具。在用Python做數(shù)據(jù)分析時，很多時候只能將分析結(jié)論可視化后黏貼到PPT里，對業(yè)務(wù)來說，他們更想要有可互動、動態(tài)更新的可視化分析結(jié)果。而這，就是我應(yīng)用PowerBI的場景：數(shù)據(jù)導(dǎo)入后，建模分析，形成的分析報表業(yè)務(wù)直接點點點就可以感受到數(shù)據(jù)變化與特點。

但是PowerBI的建模思維有一定的門檻，而對于大多數(shù)分析師來說，Excel的圖表已經(jīng)可以滿足。所以建議初學(xué)者先學(xué)習(xí)靈活應(yīng)用Excel的可視化能力。

6. JAVA

是使用最廣的開發(fā)語言，與數(shù)據(jù)分析關(guān)系不大。我之所以學(xué)它，是因為我負(fù)責(zé)的數(shù)據(jù)產(chǎn)品幾乎都是用Java開發(fā)的數(shù)據(jù)接口，所以才需要懂一些基礎(chǔ)。

想要從事數(shù)據(jù)分析工作的同學(xué)，不建議學(xué)習(xí)Java

7. 分析工具的優(yōu)勢

以上的提及的工具，建議挑選1-2個，如SQL+Python，進階學(xué)習(xí)。最重要的是進行項目實戰(zhàn)，可作為短期找工作的敲門磚。

掌握分析工具可以更快地在業(yè)務(wù)公司搶得眼球，可以應(yīng)對復(fù)雜的業(yè)務(wù)需求。

工具無法解決的問題——對業(yè)務(wù)場景的理解

工具可以解決很多深度分析需求，但是重要核心還是用工具的人，分析思維還是要回歸業(yè)務(wù)場景。

二、思維篇——軟實力

職場里真正重要的是：解決問題的能力，而它由定義問題、找到原因、落地建議三部分組成。

業(yè)務(wù)需求的提出，簡單地說，便是業(yè)務(wù)在運營過程中，發(fā)現(xiàn)了問題，故想通過數(shù)據(jù)分析找出問題原因所在，進而解決它。

1. 定義問題的能力

只有正確的問題才能指引數(shù)據(jù)分析工作往正確的方向進行。

從一個模糊的問題說起：今天領(lǐng)導(dǎo)提出，最近老客表現(xiàn)差了。

下面對領(lǐng)導(dǎo)提的問題進行剖析：

【觀點與事實】

“最近老客表現(xiàn)差了”，首先這是一個觀點，不是事實。

【還原事實真相】

作為專業(yè)的數(shù)據(jù)分析師拿到這樣的觀點之后，第一件事是要還原事實的全部：

• 最近：最近是多長時間周期，這周？近三周？還是上個月？
• 老客：如何定義老客？以往注冊過、但并未消費的客戶？還是說一定是有歷史消費的客戶？
• 表現(xiàn)：哪個指標(biāo)？重購金額？回柜人數(shù)？
• 差了：是同比下降，還是環(huán)比下降，還是說增長幅度不及預(yù)期？

面對領(lǐng)導(dǎo)的業(yè)務(wù)觀點，我們還原的事實是：上個月（2020年12月1日-12月31日），以往消費過的老客，在回柜消費時產(chǎn)生的消費金額，環(huán)比（與2020年11月1日-11月30日）下降了30%。

【事實與觀點】

組建好事實集合后，要利用信度效度思維，重新審視領(lǐng)導(dǎo)的觀點是否客觀、合理。

信度：

代表的是數(shù)據(jù)的可靠性程度和一致性程度，反映數(shù)據(jù)的穩(wěn)定性和集中程度

也就是說，數(shù)據(jù)計算結(jié)果之前的取數(shù)邏輯、數(shù)據(jù)清洗工作是否合理，是否符合業(yè)務(wù)場景邏輯？

效度：

指測量工具能夠準(zhǔn)確測量出事物真實情況的能力，反映數(shù)據(jù)的準(zhǔn)確性。

簡單地說，這樣環(huán)比的比較是否有意義？例如品牌或行業(yè)屬性是節(jié)日敏感的，上上個月有雙十一大促，而12月是淡季沒有活動，不論是橫向與行業(yè)內(nèi)其他公司，還是縱向按往年的經(jīng)驗，12月重購金額比11月下降20-30%是合理的波動區(qū)間。

所以，這樣的事實似乎無法支撐領(lǐng)導(dǎo)的觀點。

2. 尋找原因的能力

實際工作中，找到問題，并將它明確之后，就要抽絲剝繭般找到問題背后的原因，而這一定要回歸業(yè)務(wù)場景本身，才能在理解業(yè)務(wù)的背景下，通過數(shù)據(jù)分析，找到原因所在。

【了解業(yè)務(wù)】——梳理業(yè)務(wù)流程

了解業(yè)務(wù)的過程，實際上就是在不斷溝通的過程，這也引申出數(shù)據(jù)分析師職業(yè)特性：溝通、溝通與溝通！對此暫不展開講。在與業(yè)務(wù)溝通的過程中，要盡可能多且深入地了解目前業(yè)務(wù)的動態(tài)，盡可以還原業(yè)務(wù)的全貌。

這個例子里，因為是在單品價格高的行業(yè)里，客戶購買產(chǎn)品后，因為產(chǎn)品價值高，所以一般都會存在護理需求，所以售后政策是在質(zhì)保期內(nèi)可以免費護理1次。

而業(yè)務(wù)也正是找到了這個切入點，針對已享受過護理次數(shù)的客戶，贈送免費的護理次數(shù)，以吸引他們到店來護理，而有了面對顧客的機會，自然也就有進一步銷售的可能。所以現(xiàn)場還會準(zhǔn)備新品、活動宣傳等材料，處處精心營造成沖動消費的心理暗示。

【建立公式】——數(shù)據(jù)思維+業(yè)務(wù)流程

從業(yè)務(wù)流程中抽象出來：圈選目標(biāo)客戶 → 通過護理吸引到店 → 營銷促銷 → 消費。

應(yīng)用數(shù)據(jù)思維，進一步抽象成公式：老客重購金額 = 目標(biāo)老客數(shù) * 到店率 * 轉(zhuǎn)化率 * 客單價。

抑或用“人貨場”業(yè)務(wù)思維進行討論。

【理解業(yè)務(wù)】——搭建業(yè)務(wù)模型

基于公式，將流程建成立體的網(wǎng)狀結(jié)構(gòu)，形成針對某個具體場景的業(yè)務(wù)模型。

【數(shù)據(jù)分析】—— 找到問題所在

通過在業(yè)務(wù)模型的框架內(nèi)進行分析比較，我們才能看到某一個業(yè)務(wù)的全貌，才能發(fā)現(xiàn)背后是哪個模塊引出的問題。例如案例中，數(shù)據(jù)分析發(fā)現(xiàn)觸達客戶中，回柜率很低，問題可能在“老客”、“回柜”。

從歷史數(shù)據(jù)上看，此次采取的吸引到店玩法都是很成熟的策略，有很好的成功案例，數(shù)據(jù)表現(xiàn)良好，所以問題可能就是出在“客戶池”——運營維護部分，如沒有分群營銷。

3. 落地建議的能力

【KPI相關(guān)】

分析項目是否可推動實現(xiàn)很大程度上取決于是否切合業(yè)務(wù)KPI。

根據(jù)多次和業(yè)務(wù)合作的經(jīng)驗，尤其是對數(shù)字化決策不那么敏感的公司， 甚至是由上至下的數(shù)據(jù)分析項目，分析結(jié)論很容易淪為一紙報告，而不了了之。很大程度上，是因為分析建議與實際業(yè)務(wù)動態(tài)偏離，即并不是業(yè)務(wù)的考核重點。在資源有限的情況下，也就難以執(zhí)行。

所以，在最后給落地建議的階段，還是要回歸業(yè)務(wù)，了解業(yè)務(wù)的運營計劃，在現(xiàn)有的項目下，去試驗、實踐分析建議。

【符合實際操作】

不要嘗試去改變業(yè)務(wù)習(xí)慣。

問題在于用戶分群的問題，應(yīng)用RFM模型進行精細(xì)化運營。一般來說，RFM模型分為八大人群，根據(jù)不同人群特點進行精細(xì)化管理，例如案例中，針對重要價值人群進行新品發(fā)布會邀請等差異化體驗，針對重要喚回人群進行節(jié)日關(guān)懷策略等。

但是如果了解實際業(yè)務(wù)操作的話，對于零售企業(yè)來說，并不會按八個人群去實踐，而是選其中的幾個重要人群，或者進行二次組合，以減少客服部門的觸達量。

知道這樣的背景后，就不要再去建議說分成八個人群給不同的建議，而是有優(yōu)先級地劃出人群優(yōu)先級，或者配合給人群合并運營建議等。這樣考慮到實際操作情況，業(yè)務(wù)自然也能感受。

【分析深度】

另一個落地建議，就是一定要具體可行。

在已知數(shù)據(jù)分析結(jié)論不容易落地的情況下，將結(jié)論建議盡可能地具體，給出“令人驚喜的”發(fā)現(xiàn)，才能更容易去推動項目。

但是不要忘記數(shù)據(jù)分析與業(yè)務(wù)執(zhí)行之間的邊界，在大部分情況下不要嘗試去給具體的落地計劃，否則很可能會引起反效果。

如何做到具體可行？則需要縱向的分析深度：

分析模型的深度理解：

如圖RFM分析案例中，但在我看來，RFM模型的’KPI’在于良性人群的占比提升。所以將門店RFM人群結(jié)構(gòu)及關(guān)鍵數(shù)據(jù)進行同期對比，可以達到進一步分析的目的。

杜邦分析與指標(biāo)拆解：

這部分內(nèi)容可以參考：數(shù)據(jù)分析的結(jié)果該如何落地？ | 人人都是產(chǎn)品經(jīng)理 (woshipm.com)

本文由 @餅干哥哥 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議