腾讯高级数据分析师采访2

之前推荐了第 1 篇腾讯高级数据分析师的采访，可以点击查看：

我采访了一位腾讯高级数据分析师

今天推荐第二位来自腾讯天美的数据分析师。

唐松——腾讯天美数据分析师

第二期邀请的嘉宾是唐松，我个人最看好的一名数据分析师。

唐松来腾讯之前，从事过数据解决方案的咨询工作，然后去美国进修了数据科学的研究生课程，进入腾讯后，快速成长，在直播行业和游戏运营有丰富经验。他开发的潜力主播挖掘模型，为运营创造了巨大价值，他同时也是python爬虫畅销书的作者（著有《Python网络爬虫从入门到实践 第2版》）。我从他身上看到敬业、拼搏、热爱、好学的优点，以及对理想的执着。

某种意义上，邀请他做这次访谈，是我这个前浪向这位后浪的致敬，我在他这个年纪，达不到这种高度。我内心深处，期待更多后浪数据分析师涌现，超越我们这些前浪，放大数据的力量。

▲唐松的自我介绍PPT

01

为何选择做数据分析师？

1、你为何选择数据分析师这个职业？

唐松：发现和探索未知是底层的原因，通过分析数据，可以得到很多原来未知的结论。还记得大学本科时代，当时帮香港的一家餐饮集团做数据分析项目，发现吃猪扒饭的食客很喜欢点可乐，这个小发现帮助了业务上的改进，当时的快乐和满足感一直无法忘记。

于是，本科找工作也是做了数据咨询，之后去了美国读数据科学的研究生，再然后来到腾讯做数据挖掘的模型，也是围绕着从数据中发现和探索，不断地输出自己的价值，为业务增长做出贡献来做。

2、你觉得美国的数据科学教育和中国的有什么不同？

唐松：我没有在国内学过数据科学，仅谈谈我在美国学习的感受。

在美国学数据，有一种被服务的感觉。教授会把机器学习的知识掰开揉碎了讲，学起来不费功夫。就算机器学习上课听不懂，课后也有21个左右的TA可以提问，平均下来每天3个，覆盖了早中晚，简直就是全方位的服务；还有一个类似论坛的线上平台，同学们可以随时提问，教授和TA一般会在1小时内回答。

此外，教授的上课会更讲究“道”。每一个算法，上课都会讲原理，总结出使用场景和优缺点；下课要用python从0实现一遍算法，然后在一个场景应用。这样撸一遍之后，基础会非常扎实。这也是我为什么当时面试腾讯，能拿到“技术大咖”的原因，问一个机器学习算法都能把公式背下来。

第三，学习的过程是双向的。上课的过程不只是老师在上面讲课，同学也可以随时提问。几乎每个老师都会把课程的参与列入最终成绩，会时不时提很多问题，激发同学的思考。回答没有对错，只有回答的勇气，以及是否对该问题有充分的思考。

3、你python学得很好，你认为学好python，最关键是什么？

唐松：Python的学习在我的书里也有分享，其实很简单：手输代码，反复练习。我们学Python的目的是为了解决问题，那么可以针对自己感兴趣的点，用Python去实现去钻研。很多同学和我说，我们从不生产代码，我们只是代码的搬运工。这点在学习的初期非常错误，如果你只是复制粘贴的话，给你一张白纸，你会什么代码都写不出。

4、什么原因促使你写了python爬虫的书？

唐松：缘分。因为给港中文的学生上课，讲Python爬虫，所以我在知乎更新了Python爬虫文章；因为我在知乎更新了Python爬虫教程，所以有编辑找上了我；因为我当时正好有空，所以我有时间把整个知识进行系统的输出，所以这是意想不到的缘分。

▲唐松的书

02

数据分析师应该指导团队打仗

5、你觉得什么人适合从事数据分析工作？

唐松：热爱数据分析的人。虽然听上去这句话是废话，但其实却是最真实的。没有适合不适合，只有热爱不热爱。如果你怀着热爱，你就会发动自己一切有限的技能去分析数据，并且坚持下去。对数据分析的爱终将发光，让你的数据分析技能就不断生长，最后人们会说，哇，你真的是一个数据分析天才。

6、你觉得优秀的数据分析师应该具备什么素质和技能？

唐松：要求的能力需要很全面，我这里应用我之前的老师，LinkedIn前数据总监的模型，Ask Measure Learn简单列一下。

（1）Ask，就是提出问题。真正的厉害的数据分析师，应该是团队的指挥官，用数据和思考指导团队打仗的：面对着复杂的业务场景，能进行深度思考，问出其中关键性的问题。相比之下，一般的数据分析师，能够将业务提的需求，转化成数据问题，用数据的角度来尝试解答，而不是一上来就瞎跑数。

（2）Measure，就是处理数据的过程。为了解决问题，一个优秀的数据分析师，必须有18般武艺，包括了写Python和SQL等代码的能力，包括了建模能力，统计概率知识，可视化等等。除了以上的硬实力，还有一点非常重要：逻辑推理能力，不能凭自己的感觉和猜想一步就跳到结论，整个过程必须要论据充分，论证严谨，需要具有经得起挑战的逻辑推导到结论。

（3）Learn，就是分析的结论如何？下一步该怎么做？一般来说，我们分析三类问题：

    1. 是什么？对产品的现状或者活动的好坏下定义

    2. 为什么？归因分析，找出好或者不好的原因

    3. 怎么做？下一步该怎么改进

这里我有8字箴言：“战战兢兢，如履薄冰”，因为对于数据分析报告中的每个字，对于团队而言就是一锤定音，每个字都要斟酌。一个优秀的数据分析师，需要抱着中立的态度，能够用简洁准确的话语，用准确形象的数据可视化来传递信息。

7、在数据分析工作中，你最不愿意干的活是哪些？

唐松：最不愿意做的是纯跑数，比如说帮我看一下xxx数据，却不告诉我为啥要看。这样感觉自己只是个没感情的机器，新时代的搬砖小工，不停转磨的那头驴。

8、在数据分析工作中，哪些让你觉得最有成就感？

唐松：最初我的感觉是自己数据分析的结果，最终能推动业务落地，带来价值，成就感就非常高了。在我慢慢转型业务的过程中，我慢慢觉得，我和业务是一体的，产品的收入上涨，活跃留存变好，我也非常有成就感。我觉得这个更像是一种增长的思维。

9、你觉得数据科学未来的趋势会是怎样？

唐松：data science这个词太大了，包含的内容很多，自认为还没到能够谈对未来趋势的水平。只是谈谈我自己对数据分析的看法。

（1）生产力整合和提升是未来的趋势。数据中台概念的提出，就是在于过去粗放式发展抢夺蓝海市场已经遇到瓶颈，必须深耕细作，才能将亩产不断提高。

（2）数据会被更多地放到业务的全局去看。就像目前大火的增长黑客一样，其实是从整个产品的大局出发，透过数据分析等多种方法找到增长点，既不忽视数据分析的作用，也不轻视商业思维产品思维的价值。

10、你觉得增长黑客的方法与传统的增长方法，有什么不同？

唐松：通过我自己在数据中台和运营团队的经验，我觉得主要的差异点有三个：

（1）增长黑客的方法强调AB Test

增长黑客的方法，非常强调决策的判断要通过科学而严谨的方法来进行测试，正向收益的行为和决策才会真正放到线上来实现；一般运营团队的方法是通过数据分析+强大的产品思维来判断，或者先上线，看数据再调整，再看数据再调整，但一般缺乏严谨的因果论证，另外也不够敏捷。

（2）增长黑客的方法强调性价比

增长黑客的方法强调行为的性价比，会将目标进行拆解，通过增长等式来量化收益，发现其中性价比最高的机会，团队之间也会围绕这目标一起努力。传统的增长方法，虽然都是会看KPI（也就是北极星指标）做事，但是一般缺少了对每个行为的绝对量化，一般是自我感觉或者老板来决定了做事的优先级，例如花费大量人力的事情去做新增，但是可能产品已经在成熟期，新增对DAU影响很小；或者花费大量时间拉付费渗透，其实对收入影响不大。

（3）增长黑客的方法强调团队的协作性

增长黑客强调了团队之前的协作性，统一向一个目标前进。传统的方法，各个团队的KPI可能是不一样的，例如数据分析可能会用数据分析报告的数量作为KPI，开发用bug率和完成量等作为KPI，市场用拉新作为KPI，活跃运营负责活跃，商业化运营负责收入。但是，增长团队是把大家的利益捆绑在一起，围绕北极星指标一起努力，作为一个团队努力。

▲增长黑客的含义

03

数据分析师的“蘑菇理论”

11、你觉得，最理想的数据分析团队，应该是怎样的？

唐松：数据团队往往被认为是业务的支撑角色，给业务写SQL提供报表服务的。但是理想的数据分析团队，绝不是完全的支撑部门，应该有自己的理想，去引领和驱动业务的前进。只有这样，每一个成员才有一定的使命感和成就感，才是有战斗力，有创造力的团队。

想要让数据分析团队变得有价值，就必须站在半个产品/运营负责人的角度，用产品的语言和思维进行沟通，不仅仅去理解业务，而是和业务站在一起。天美工作室有个“蘑菇理论”去理解用户，同样的也可以用在数据分析师上。把这些思考，站在数据、技术、产品和用户的角度去理解，推动解决。

注：蘑菇理论由天美总裁提出，核心思想是想办法潜入目标用户群，感同身受并理解用户。

12、你如何平衡你的工作和生活？

唐松：这是我目前非常大的挑战，平时工作时间比较长，而且可能随时被call，这对于平衡生活是很大的挑战。对于我而言，我会要求自己保持运动，另外在周末的时候，按照自己舒服的节奏来过，比如周日和朋友去吃个brunch，然后宅家看一天书，或者和朋友出去玩，把周末这一天过得舒服。除此之外，把自己的目标从单纯工作拓展到更多目标，例如目标是每年出去2次大旅游，比如今年打算去看极光和非洲（目前很难实现）等等。

13、善良和聪明，你觉得哪个更重要，为什么？

唐松：对于数据分析师来说，这里先引用一下Alice对于善良和聪明的理解：善良是让严谨的数据说话，不带任何个人偏向去解读数据；聪明是老板想要什么样的数据，或者你想让数据呈现什么样的结论。

在我看来，善良更重要。但做数据分析师，需要善良但不失聪明。

数据分析工作，无时无刻在强调善良的重要性，数据需要尽可能反映实际的表现情况，否则就被挑战。首先在准确性上，数据容不得半点错误，任何一个微小的错误，都会要被纠正；其次在态度上，数据同学需要尽量中立地反映实际的情况，整个过程必须论据充分，论证严谨，得出的结论必须是一锤定音，无懈可击的。

但是为啥要加上不失聪明呢？因为没有绝对的对错，事物都是有两面性的，特别是从数据分析到落地策略的时候，如果不发挥自己的创造性和思考能力，是很难产生有价值的推动落地的。

14、你最近从支持部门的数据分析团队去到产品运营团队做数据分析，你觉得两者最大的不同是什么？

唐松：研究火箭和战场肉搏的区别。

我之前做过一个比喻，在支持部门做数据分析，就像是在研究所研究火箭和导弹，每天想着开发出新的模型和工具帮助各个业务精准击中敌人；在产品运营团队做数据分析，就像是上战场肉搏，每天都面临真实的商业环境，在战火中淬炼；在洞察--> 落地 -->评估，这个循环的流程中，不断强化自己的分析能力和业务推动力，身处在顶尖的游戏工作室，要求高，时间紧，一段时间下来，回头看看自己的业务能力已经提升了很多，但是对于高精尖的技术能力有些落下了。

15、你认为AI会取代数据分析师吗，为什么？它能够取代哪部分？

唐松：不会，目前看来对于人工智能来说，有多少人工就有多智能，能够解决的问题多在有监督学习的场景，例如人脸识别，语音识别等场景。数据分析师不光是和数据打交道，和人打交道才是重点。

04

给数据新人的推荐

16、对于想进入数据分析领域的新人，你有什么建议？推荐哪些书？

唐松：建议是真正到一款产品，从0开始，深入参与数据分析和策略落地过程，不断重复Ask Measure Learn这个过程。如果没有这个机会的话，可以开始看书上课打好基础：

推荐的课程：

（1）思维上：《增长黑客》（Sean Ellis那本）和《硅谷增长黑客实战笔记》

（2）统计上：概率要懂，机器学习的基础算法要懂，推荐Andrew Ng的机器学习课，概率推荐Udacity的 Introduction to Inferential Statistics；以上都是基础课，想要更深入的话，网上有大量的美国名校免费课，比如首推我上过的康奈尔的大神Kilian教的机器学习CS480，还有Stanford的CS229（机器学习），哈佛的Stat 110（学概率论）

（3）AB测试：仅推荐Udacity的 A/B Testing课程，其他的中文书不推荐

（4）编程上：SQL和Python要会，这里不推荐书，SQL推荐去W3school学一遍，既简单又免费；Python的基础推荐去看廖雪峰老师的Python文章，免费又讲的好，然后去kaggle刷一个简单的比赛，看看大神的代码，想学爬虫的可以看我的书《Python网络爬虫》。

相关课程链接

1. 康奈尔的机器学习

https://www.youtube.com/watch?v=MrLPzBxG95I

2. Andrew Ng的机器学习课

https://www.coursera.org/learn/machine-learning

3. Udacity - Introduction to Inferential Statistics

https://www.udacity.com/course/intro-to-inferential-statistics--ud201

4. Stanford的CS229

http://cs229.stanford.edu/

5. 哈佛的Stat 110

https://projects.iq.harvard.edu/stat110/youtube

6. Udacity - A/B Testing

https://www.udacity.com/course/ab-testing--ud257

7. SQL - W3school

https://www.w3school.com.cn/sql/index.asp

8. 廖雪峰Python

https://www.liaoxuefeng.com/wiki/1016959663602400

  延伸阅读  
Python：
☞ 这是我看过的最好的Python零基础Pandas教程
☞ 入门必看 Python 书单汇总
☞ 我用 Pyhton 做了款可开淘宝店赚钱的工具

☞ 一个超有意思的 Python 综合能力测试网站



技能GET：
☞ 拍一拍，微信史上最短一行代码
☞ 立刻、马上对你的电脑做这三件事！
☞ 专为技术人员打造的搜索引擎，提升n倍搜索效率！
☞ 一个聚合全网热点信息的神网站