数据分析师思维基本面

作者:黄小伟,资深数据从业者。目前就职杭州有赞数据分析团队,欢迎加入!

清代陈澹然《寤言二·迁都建藩议》:"不谋万世者,不足谋一时;不谋全局者,不足谋一域。",对于立志从事数据分析的人而言,如果不以企业的战略需求为出发点,其行为都是短视的,难以满足企业长期发展的诉求。近期刘思喆老师对数据分析师的职责范畴及工作流程做了阐述-数据分析师的生存手记

最近对于数据分析工作,个人也做了一些粗浅总结,希望能与更多从业者交流!

一. 企业数据战略理解数据基础建设、数据分析,必须以企业所处阶段的数据战略为出发点和归宿!对于企业而言,其在数据层面的诉求一般有三个:

image

而要实现这三个目标,并不是一蹴而就,而是要基于企业实际战略需求迭代实现。

  • 数据治理:数据质量管理、数据中间层管理、数据规范制定(安全、协同等)
  • 业务量化:借助BI指标工具、行为分析工具,实现业务的多维度、多粒度量化
  • 数据驱动:基于企业战略、业务量化水平,探索业务突破策略

今年,数字中台建设持续火热,很多公司都在探索、实践,其发展带有一些必然性,因为随着企业成熟、业务多元化发展,数据战略必须以数据中台为依托进行实现,从而满足效率、资源复用性、成本可控等战略诉求。数据分析师在数据中台实践落地中,起着非常重要的作用,这一点必须要有清晰的认知、足够的重视。


image

网易数据中台架构

数据中台其实就是企业内部数据相关部门协同关系的重构,从而满足企业的整体战略需求。其落地实践过程好比接力比赛,需要多个团队纵向协同,先解决商业决策效率和运营效率问题,再追求企业数据货币的复利增长。

image

在整个过程中,我们必须意识到,数据价值没有直接或间接体现在财报上时,都是成本...我们唯一能改变的就是加快数据价值落地的过程!

谈完企业数据战略、实现步骤、数据中台,那么数据要解决的核心问题是什么?市场有一小部分人,狭隘的认为它是帮助业务取数的、做报表的…这些只是数据分析的价值,而非核心价值!

  • 商业决策:数据本身不会产生决策观点(还会存在贬值风险,数据具有时间属性),需要有单独的角色实现数据到结论的过程,这是最基础也是最核心的需求!

  • 运营效率:团队人效、业务增长等会随着企业增长而变化,数据需要给出业务量化,并积极寻找优化方向

  • 数据货币:数据货币化不是简单从底层直接处理,而是必须基于业务侧实际状态反向优化,我们需要的是像货币一样可以使用的数据

二. 数据分析的命题

1.关于决策支持

image

“提数机”背后到底是什么?我们的目的到底是什么?

  • 数据生产逻辑:产品功能、设计,数据是如何产生的?
  • 数仓处理逻辑:数据仓库、数据集市聚合模型,数仓干了啥?
  • 业务统计口径:业务究竟需要什么数据?
  • 技术与数据嗅觉:数据处理能力、数据敏感度

2.关于BI指标体系关于BI指标建设,入门很简单,但做得“好”很难!什么样的指标体系是才是最好的?

  1. 以用户为中心,全方位量化业务状态
  2. 平衡指标全面性和复杂度
  3. 尽可能短的用户操作、思维链路

好的BI看板在设计过程中,一定要遵循一些原则:

image

3.关于专题分析几乎所有分析师都希望做这类型工作,几乎简历上大半篇幅就是专题分析。为什么呢——这个类型的工作,节奏更可控,复杂度相对较高,更加彰显个人的专业价值。在做专题分析过程中,一般遵循以下几个步骤:

image

4.关于资产化建设对于企业而言,在追求商业决策效率、运营效率和数据复利增长上的诉求,是无穷尽的!在决策效率、运营效率得以基本解决的基础上,会逐步考虑数据本身价值变现的问题。在资产化建设过程中,一般都要应对(优化)的几个问题:

  • 数据安全:数据资产等级、安全规则...

  • 数据仓库:数据中间层建设

  • 平台化工具:自助分析平台、可视化工具

  • 数据中台:沉淀共性服务和技术,解决决策和运营效率问题,同时促进资产货币化

5.数据分析型组织在企业的成长过程中,对于数据分析的需求程度是不同的。起始阶段需要单个优秀的分析师,接下来需要优秀的数据数据分析团队支持业务的发展,最后一定是打造一个数据分析型组织!这是数据分析师自我价值成长路径的基本面,成就自己,成就组织。

image

三.数据分析师的成长****1.数据分析师的进阶对于分析师,其价值取决于能够承担责任的范畴,越往后,工具、基础技术的影响越来越小。

image

对于数据分析师的成长,个人建议从内功、外功、工具等三个方面不断进行学习与思考。
2.数据分析师的内功
方向>选择>努力,持续自我修炼,以期在正确的方向,做正确的选择,并有所成就!

image

3.数据分析师的外功

image

4.数据分析工具
对于分析工具,诸如SQL、BI、Python、R等等,在对自己的未来职场方向有明确的目标后,可以更加专注的掌握相关工具,不建议见啥学啥。学习过数学的人都知道一个基本道理:对于一个函数,如果没有定义域(边界),是不会有最优值的。我们做数据也一样,不能既想做大数据开发、又想做数仓、还想做数据分析...

image

image

关于数据分析师的成长,简单总结几句就是:

  • 数据分析内功:潜心磨砺,它一定程度决定了一个分析师未来所能成长的高度

  • 数据分析外功:快速掌握并自成体系,乃至精通而不拘泥于形式

  • 数据分析工具:以有边界的问题为目标,精通并紧跟发展潮流

你可能感兴趣的:(数据分析师思维基本面)