数据产品经理需要具备的素质：

　　首先，数据产品经理必须了解不同的公司，在不同的阶段，需要哪些数据产品，并能够制作出来，这是此职位的核心要求。

　　其次，数据产品经理必须有足够的数据分析能力，如果有了数据分析的思维，再跟公司业务结合就会比较容易。

　　最后，数据产品经理是产品经理的一种，所以要同时具备产品经理的能力：了解用户，需求调研，方案设计，协调技术、测试、设计等。

　　数据分析师需要具备的素质：

　　理论要求及对数字的敏感性，包括统计知识、市场研究、模型原理等。

　　工具使用，包括挖掘工具、数据库、常用办公软件(excel、PPT、word、脑图)等。

　　业务理解能力和对商业的敏感性。对商业及产品要有深刻的理解，因为数据分析的出发点就是要解决商业的问题，只有理解了商业问题，才能转换成数据分析的问题，从而满足部门的要求。

　　汇报和图表展现能力。这是临门一脚，做得再好的分析模型，如果不能很好地展示给领导和客户，成效就大打折扣，也会影响到数据分析师的职业晋升。

　　2017年1月13日线上产品经理说明会带你入门了解产品经理的工作职责与发展前途，成为年薪50W起的优秀产品经理，你·还差一场入门说明会。报名地址：http://form.mikecrm/riZQwJ

数据平台的建设可以当做一个产品来设计。从广义上来讲，所有以数据驱动为核心的都可以称为数据产品（如数据报表平台，DMP，BI平台），从狭义上来讲，就是公司内部的数据平台。今天我们要讨论的，主要是在公司内部搭建数据平台。

公司的内部数据平台，主要是给各业务提供数据处理、分析、展示，供内部所有部门人员使用的，涉及数据的收集（填报）、数据的整合、业务报表制作、业务员数据分析以及可视化数据展示，目的是让公司内部的所有业务都能通过数据来驱动和辅助决策。简单点讲就是通过数据平台来驱动公司内部的数据化运营。

那么如何设计符合企业实情并能解决实际问题的数据平台呢？

1. 平台建设主导人需要对每一块业务需求有深刻的了解，知道每个业务部门想要看什么样的数据，需要什么样的分析报表；这些数据是否现在就可以获取到，是否需要收集；业务部门通过这些数据分析，是如何推进和改善业务，是否有提升的价值意义。

2. 平台的设计需要根据业务的要求设计符合使用者需要的内容，产品要有层级和结构。如果设计的一张数据报表既要满足管理层的需求又要满足一线业务人员的需要，那么这样的数据产品体验很大可能是比较差的。因为领导和业务人员的关注点不一样，看数据的视角也不一样。领导往往需要一些能帮助把握大方向的关键指标，并且希望知道这些指标之后的问题是什么？原因是什么？所以给领导设计的报表需要直观易懂，并且能够基于这些指标的一场定位到问题。而业务人员更在乎业务的执行，关注的数据往往粒度很细，需要知道各项指标的明细。

领导关注的报表（FineReport制作）

销售领导关注的指标明细（FineReport制作）

3. 数据平台一定要注意数据质量、规范、统一。因为数据平台是面向所有业务的，怎么保证公司的所有部门人员对于数据的理解是一致的，这点特别难。（比如服装行业的“断码”，从领导层来讲，公司仓储的服装全部尺码如果不完整就是断码；从仓库的仓管员角度来讲，仓库内的服装尺码不全就是断码；从门店的业务员角度来讲，客户需要的尺码当前门店无货就是断码）。公司的业务系统各有不同，数据口径不一，数据孤岛问题，导致数据的质量和结构也千差万别，越是这样，数据仓库的数据建设就显得尤为重要。平台的数据质量依赖于数据仓库底层的数据模型，所以一个好的数据仓库很大程度上决定了数据平台的数据质量。

4. 工具选型上，有报表平台、BI。报表平台适合构建基础的规范化的数据平台，从明细报表（表格类）的，项目档案，文件报备，数据填报，数据报表，业务主题分析，文中的所有demo就是用FineReport制作，侧重于展示和报表管理。BI侧重于分析，拿到数据可以自己拖拽维度来分析，不同于报表受模板框架的限制，涵盖简单的明细报表、分析报表和主题分析，制作要简单很多，大数据量的处理性能也强劲很多，代表：FineBI、Tableau.

下面我们就从实战的角度来加以阐述。

某公司是一家电商公司，那么该公司的各部门需要看哪些数据呢？首先收集日常常用的数据指标，哪些是经常要查询的，哪些是要日常填报的，这些在过往的经营中都有备案，好收集。这就构成了日常的基础查询类报表，这类报表最占大头。

其次，我们可以观察一下各部门的KPI是什么？下放到团队以及个人的KPI是什么？是否能以具体的数字来量化？如果对负责支持的部门的KPI不了解，就去寻求部门领导帮助（使用者最懂要什么），不落实指标如何能设计出好的数据报表？通常粗略的，例如采购部门的KPI基本就是销售额、订单数、销售毛利润、采购成本；运营部门的KPI就是新老用户述、留存率、复购率、用户流失、转化率，市场部门的KPI就是PV/UV、新客数，这就构成了各部门日常管理的报表。

那么知道各个部门的核心KPI后，下一步就是针对一些特定场景的主题报表。主题报表往往是记录某一事件，其中的指标都是相互关联的。

比如，我希望知道这个月我的绩效完成的怎么样？在团队内排名是提升还是下降？每个人的绩效结果明细是怎样的？——这就构成了日常考核报表。

又比如在分析产品时，需要重点关注某些产品的相对市场份额和市场增长率，则要建立波士顿矩阵分析，以便让资源有效地分配到合理的产品结构中（当然还有其他分析角度）——这就是品类分析。

产品分析（FineReport制作）

再从业务分析和使用场景入手，拿采购部门的小王来说，他是怎样看数据的呢？

每天早上，我希望知道昨天的销售情况怎么样？所以这时候应该设计一张基础查询报表给到他，这张数据报表应该具有以下功能和内容：

1.能够查看昨天以及过去各时段的数据；能够按照产品、地域来统计；能够与过往的平均值做比较，看看是不是某区域某产品的趋势上有大的变化，是不是广告投放，活动推广带来的，影响大不大。其次，每个月，每季度的数据是多少，能够选定时间段自动展示。

请点击此处输入图片描述

2. 指标越丰富越好，如果销售额下降了，看看是不是订单数下降了，订单数没变是不是客单价的问题，是由于商品结构的原因还是活动门槛调整导致的。

3. 数据分析的能够下达的粒度越细越好。比如数据粒度可以从全国下钻到省份，从省份下钻到城市，这样交易额下降了就能知道是哪个省哪个城市出了问题？就能针对性的解决。

请点击此处输入图片描述

经过以上几个步骤，即可形成平台雏形，形成规划文档。但一个数据平台，无论前期规划得多么丰富，也不可能一蹴而就。公司的业务在不断变化，分析的内容也越来越丰富，在这过程中总需要不断磨合和调整，只有不断完善之后，才能形成一个更加量身定制的实用平台。

今天的互联网从业者比过去任何时候都重视数据，这并非是因为仅仅来自于“大数据”概念的炒作，而是因为我们可依赖的数据极大丰富，而我们可以动用的工具也相当充足。

这样，有一批立志专门从事互联网数据相关事业的朋友出现，也就不足为奇。

尽管，传统意义上的数据人才早已有之，早在人们需要进行统计分析和概率计算的时候便有精通数学的数据科学家，但互联网领域的数据人才却与之有巨大的不同。

互联网运营数据分析人才的定义

我们如何定义互联网运营数据分析人才？事实上，定义二字本身会让我觉得不安。我并不觉得要满足一定的条条框框才能算“人才”，而涉及到商业领域，许多目标的实现可以有许多不同的方法，而且殊途同归。

但我觉得，作为互联网运营数据分析人才，还是有几个基本的共性可循。

第一点，应该是乐于分析且善于分析的人。我认为这多少是有些与生俱来的特质。乐于分析，是指他遇到了问题并不武断结论，不想当然，且保持愉快的心情去探究。而其他人或许嫌麻烦地避之不及。善于分析，则是指他常常可以做不算离谱的假设，并应用逻辑和方法去验证这些假设，并在反复的验证中直到发现问题背后的所在。我认为这一点比其他什么都重要，其他的都可以慢慢弥补，但这一点却更似乎“与生俱来”。

第二点，他拥有第一点提到的逻辑和方法的相关知识并有运用这些知识的能力。所谓的讲逻辑，就是你的论据要能够支撑你的论点；所谓的有知识，就是你的论据是建立在事实和科学基础之上的；所谓的讲方法，就是运用这些知识的手段和工具是最佳的。比如，要证明一个页面优于另外一个，你就需要按照逻辑一步步使用一系列的工具和手段，从捕获数据，到分析数据，到根据分析提出理论上的改进方案，然后再利用较大数据量的随机测试来检验你的方案，以及在随后的进一步对比和分析。你不可以不讲逻辑，说这个页面就是这么改就一定行！（老板们往往都是有这样强烈直觉的，但大多数时候都相当不可靠。）你说行，得讲理由，得讲证据，而且这证据经得起推论，就是我们探案时候的“证据链”。这个过程中包含的方法则包括合理的数据抓取的方法、各种数据细分分析的方法、科学测试的方法等等。这些你要很在行。

第三点，你是“讲生意”的。讲生意不是说你真的去谈生意，而是你工作的一切出发点是为了生意。做分析的时候，我们大抵都觉得自己好似福尔摩斯，我们一头扎进数据中，我们怀着激动的心情去推理，但我们却可能忽略了，数据分析人才的存在是为了更好的生意，而不是为了更好的分析。说来有些矛盾，那些最初最好（最好的定义是最有效）分析的人，很多时候并非那些分析科班出身的人，而是最懂业务的人。我几乎有些偏执地认为，纯粹地培养做分析的人才是一个伪命题。善于业务的人一定需要善于分析，但是反过来就不一定。数据分析的人才，必须首先是业务人才。更何况，我们是互联网运营数据分析，运营就是生意的同义反复。

其实谈到这里，讲到了数据分析的本质。数据分析本身毫无意义，如果它不能从你的生意出发又回到你的生意。大数据，哦，这个概念也很火，但是，似乎有些落不了地呢。这正是因为，很多时候，大数据既不来源于你的生意，最后也用不到你的生意。这其实就是这几年大数据概念最需要解决的问题——让它广泛地应用于商业。

第四点，工具。相对没那么重要，但还是得说一下。善于使用工具是数据分析人才的基本素质，如果你觉得工具缺失或者不趁手，还需要有发现并获取工具的能力。不过，总体而言，我们所遇到的所有分析的问题，都有各种各样的工具帮我们解决。是的，所有的问题都有工具。

有朋友一定会问，为什么没有提数学？为什么不讲讲数据建模？个人认为，也仅代表个人观点，这些真不是互联网运营的数据分析人才一定得具备的。并不是说这些东西不重要——不少时候我们会用到这些方法，比如我们在分析用户流失的时候，我们在进行预测分析的时候，或是我们在归因、聚类或需要人工智能的时候。但是，如果要把这个东西作为互联网运营数据分析人才的第一要件去要求，那根本就会挡住无数真正具有天赋的分析人才的事业之路，更何况，这些东西当你需要用到的时候，它们更多是以工具的形态存在，以垫脚石的姿态来帮助你，而不应该作为一个分析爱好者成为人才的包袱和拦路虎。不过，我们很多企业却把这作为要件，而忽略我前面说的那四点，这就太舍本逐末了。

数据分析相关的职位

几乎所有的互联网业务部门都需要有优秀数据分析能力的人才，运营部门毫无疑问。

互联网运营牵涉到几个关键部门。一个部分是获取新的用户（或者新的流量）的部门，另外一个则是对互联网产品（APP、网站等等）负责的产品部门，然后是在这些产品之上进行日常经营和管理（也就是我们所说的狭义的运营）的部门，最后是服务于既有用户（或客户）的部门。这四个部门当然不一定在各个企业截然的被区分开，有时候，几个部门会合并，例如第一个和第四个部门容易被合并在一起，或者第一个和第三个部门合并在一起。

这些部门之外，再额外设置一个数据分析部门是可能的，但并不常见。这样的部门可能源自于传统的企划部门，进行被称为企业BI的工作。但互联网企业这样的设置并不多见。

但是，这些部门之内，设置数据分析相关的职位就太常见了。对于第一个部门即获取新用户的部门，数据分析工作几乎是贯穿始终的。这些部门往往有一个或者几个流量优化师，他们的工作必须基于每日的数据，并结合对于流量渠道的深入认识以及与其他同事的持续沟通，从而达到正确地选择流量渠道、合适价格地购买流量，以及最大化流量产出。他们的工作还包括需要对流量的质量进行持续的追踪，并不断提出优化流量的方法。这个工作至始至终都需要强大的数据分析能力作支撑。这个部门的数据分析人才的职位常常是流量优化师、渠道运营经理之类。

第二个部门，他们负责对网站、APP或者移动端H5站等进行不断改良优化，理论上所有呈现在前端的事情（与网站的后台相对）都应该是他们负责的，所以产品经理、创意设计、前端工程师等“异星人”是集中在这个部门的。除了他们，这个部门肯定需要一个网站/APP分析师，利用数据来说明设计和攻城狮们的作品是不是真正被用户所喜爱。也正因此，这个部门的这个职位往往容易引发争议、争论甚至争斗，是一个非常微妙的角色。有些公司不在这个部门中设置这个角色，而是由产品经理兼任，这完全可以理解。中国的情况往往如是，不过我看到的比较大的美国企业，却几乎都有正牌的网站（APP）分析师，甚至这些分析师被单独拎出来成立一个部门。这表明他们的生意比我们做的精细太多。

第三个部门，日常经营和管理部门，这个更不用说了，只要没有“老板和政治作祟”的地方，肯定必须是数据说话。你的活动主推什么商品、如何定价、进行什么样的促销、如何创意、如何文案、如何设置时间节奏和排程等等，都需要依赖于数据。这个部门的负责是运营总监，他的左膀右臂之一必然是运营分析经理，不过我更乐意叫他们运营优化经理之类。这个职位的分析工作日常且密集（regular and intensive），而且遇到特殊事件和旺季则更加忙碌。有些朋友对我说，我们公司并不设置这个职位，但是他们并不否认相关的数据工作——“是的，我们要看很多报表、热图，没有数据我们肯定不敢轻举妄动。”所以，不设置相关职位可以理解，但是不设置相关职能则不可思议。运营分析人员也同样会做一些与流量分析人员类似的工作，因为如果经营效果不佳，有必要排除流量本身的问题，才能更好的研究其他的可能性。同理，运营分析人员也会关注承接端（即网站或app）本身的表现。所以，他们相对而言，非常的“全能”。

第四个部门，过去是“数据库营销部门”，今天则容易被称为“用户增值部门”，名字变了，工作内容也有一些变化，不仅仅是简单的根据数据发邮件打电话骚扰什么的，更需要做一些跟客户的深度互动。主要工作是维系既有客户，并且引导既有客户实现持续地、更高地消费。这个部门不用说了，本身就是依靠用户（客户）数据库工作的，而且数据库还需要升级，即不仅仅只是客户的静态信息（年龄生日有没有米什么的），更重要的还有他们的购物、行为及兴趣，所以这个部门如果设置，一般都需要有一个数据分析的好手，一个能做数据挖掘的数据科学家。当然了，小公司往往不设这个部门，而中、大型企业这个部门很受重视。我的客户几乎全部都有这个部门。不过，有一点我要指出，虽然这个部门是常设部门，但是分析好手和数据科学家，并非各个公司都能够配备齐的。

除了这些业务部门的常备数据分析人员，还有一个新概念被提出，即增长骇客。我有一个朋友，在一家最近几年发展极为火爆的互联网O2O共享经济平台任互联网推广负责人，第一件事情就是问我有没有增长骇客的朋友，他们有一个增长骇客职位，需要这样的人才。我估摸着，这个职位是顺应“精益创业”而来的，即，不断通过数据验证MVP（最小变量产品）的那个人。嗯，这样的角色，绝对是精益创业公司所需要的，只是嘛，这样的人真的太难找了。

待遇几何？

谈到职位，大家肯定会问到待遇。北京的互联网相关的职位的薪水，近些年真是日新月异的变化。并非是数据分析人员的薪水涨，而是整个互联网的行业的小伙伴们的薪水都涨！给大家一些参考值吧。刚刚毕业的大学生，在百度的待遇大概一年12-16万，开发和分析人员的价格并无太大差异。分析人员干到3-5年的，年薪分化情况比较显著，我看到有公司开40万年薪招聘分析经理，但并不一定是普遍现象。我那位寻找“增长骇客”朋友公司的薪水大约也是这样，但还包含额外的令人艳羡的极有可能上市兑现的期权，这样含金量便大大提高。做到更高职位则不同，数据分析或者大数据应用现在忽然成为风险投资的热点，所以这一类高级人才的薪水超过百万人民币也不奇怪。

图：国外的digital analytics的职位薪水情况，总的趋势是上涨（This chart provides the 3-month moving average for salaries quoted in permanent IT jobs citing Digital Analyst within the UK.）

中国互联网市场对于数据分析人才的需求原本比对开发工程师的需求要弱，不过市场的人才供应情况更少，这个行业普遍缺乏具有系统性数据分析能力（就是我前面说的那四个能力）的人才。2016年，我明显感觉到这个缺口在进一步变大，原因在于突然爆发的精益创业、精益经营的需求随着经济的下滑而被激发出来。向我讨要人才的情况也比15年的时候要频繁得多。这也是我为什么要开这门培训的原因，我觉得市场上需要这样的能力，但这种能力在市场上却非常匮乏。

面向未来

数据分析人才的未来取决于数据分析本身的未来。最让我欣喜的事情是，这个未来现在正变得清晰起来，几个同方向的力量形成合力正在促进数据分析走向一个从可有可无到不可或缺的阶段。第一个力量来源于人们普遍对于数据价值的认可和重视。数据文化比过去要被更广泛的认同。经济形势的走弱也客观上促进了人们对精细化运营需求的提升，这也提升了数据的价值。第二个力量来自于可以使用的工具比过去要丰富太多，而使用难度又成倍降低。你可以比较一下3年前的Omniture和现在的Google Analytics便知道这种变化的速度有多么的惊人。功能更强大但使用更简便的工具仍然在不断涌现。第三个力量来自于资本的力量，即更多的基于数据产品、工具、解决方案、大数据、人工智能的商业项目被认可和被大规模资助。第四个力量来自于连政府都在极力鼓吹和促进，尽管我怀疑政府并不清楚数据是什么。第五个力量来自于国外的成功先例所起到的正向激励作用。

我一直都强调，数据的革命是继互联网革命之后另一个颠覆世界的变革，现在我们正踩在这个变革的门线上，下一步是自然而然的走向更深远的领域，创造更大的价值，乃至创造一个前所未有的商业世界。

所以，我相信任何一个阅读了我这个文章的朋友，都已经做出了正确的选择。

身处传统行业，数据分析的工作可能会无所适从。我们既没有互联网行业强大的数据驱动基因，甚至都没有大企业完善的信息基础和数据环境。个人不论是数据分析师和DBA，成长都有所局限。

数据分析很火，懂行的都深知数据对于业务，对于企业生产经营的重要性。但是没有数据、数据不完整、业务不重视、数据分析沦为取数和报表制作......这些问题都阻挠着数据行业的发展，也影响个人自身。

关于企业的数据分析，如何从0——1着手分析工作？这里想分享一个来自我们客户“小唐”的真实故事，没有鸡汤，只有浓浓的方法论值得借鉴。

小唐就职于一家股份制银行A，近两年由于银行改制，A银行开始逐渐重视银行信息化的提升，以及数据分析的应用，小唐在对公业务一线做过2年，被委派到的数据部门做业务分析。

委派到新部门的小唐负责对公业务，需要对下属一级支行南京支行的业务做针对性分析：风险预估、坏账分析、创新业务跟踪。

从存款金额和贷款金额入手，分析该支行总体的经营状况；想了解存款和贷款主体业务的状况，尤其是坏账的风险；想了解下属各二级机构的经营状况；下属二级支行瑞金支行是新增的二级试点支行，投放了许多创新业务，想在分析过程中对该二级支行加强关注；

小唐是怎么做的呢？

分析过程

业务分析需要借助良好的分析工具，且考虑到上层战略的需要，此项业务分析不仅仅是单一问题的解决，而是需要长期监控的，给部门业务经理监控的。基于这样的场景，小唐需要一个自住性较强、易操作、能实时同步数据、且具有协同功能的数据工具，自然而然的想到了商业智能BI工具FineBI，开展了分析工作，从0-1进行数据分析搭建业务分析模型的工作。

1、提出问题/需求

即最原始的问题/需求。

领导提出“小唐啊，我想看一看部门最近的业绩怎么样？”或者自己发现“最近XX产品的推出好像在市场受到了阻碍，想看看原因在哪”，这都是最原始的问题/需求。这部分问题/需求不直接涉及业务数据，但是和目标“解决问题，提高效益”直接相关，最表象也是大家最关心的事情。

2、明确问题/需求

上面提出的问题/需求，不管是领导提出还是自己的诉求，都比较宽泛，如果想要通过数据分析解决问题/需求，自然而然地，需要把问题/需求往数据上靠，用我们的业务去明确问题/需求。可以分成两个步骤：

①用我们熟悉的业务名词精简描述

②化零为整。

（1）从存款金额和贷款金额入手，分析该支行总体的经营状况——存款金额、贷款金额→日期即研究不同日期下支行的存款金额和贷款金额。（2）想了解存款和贷款主体业务的状况，尤其是坏账的风险——存款类型、贷款类型，不良贷款额即研究不同业务类型的存款金额和贷款金额的情况，尤其是五级不良贷款。（3）想了解下属各二级机构的经营状况——机构即研究不同机构的存款金额和贷款金额的情况。（4）下属二级支行瑞金支行是新增的二级试点支行，投放了许多创新业务，想在分析过程中对该二级支行加强关注；即研究单一机构的存款金额和贷款金额的情况。

这样，通过用熟悉的业务名词去明确我们的需求，就变得十分具体，数据分析的切入点就有了突破口。但是这样的描述还是比较零散而且互有重叠，通过化零为整，整合一下我们的需求，即“研究不同时间不同机构不同存款类型/贷款类型下的存款金额/贷款金额”。

3、梳理指标

对于“不同时间不同机构不同存款类型/贷款类型下的存款金额/贷款金额”这一明确需求，将相关涉及的所有指标进行进一步梳理，可以先用我们最熟悉的明细表做一个展示，对数据能够有一个非常直观的感知。

4、搭建业务包（指标分类）

根据分析思路框架，利用FineBI数据分类的功能来针对性地搭建业务包。

由于存款类型、贷款类型和贷款质量是三个接近平行的维度，互相之间不干扰，所以我们可以设计三条平行线，分别来看各日期机构下的存款类型、贷款类型、贷款质量的情况，并搭建以下业务包：

三张事实表（存款数据事实表、贷款数据事实表、不良贷款数据实施表）三张维度表（机构维度表、贷款类型维度表和存款类型维度表），并建立和业务关联。

5-6、 自助创建仪表板-分析决策

创建仪表板的过程，实际上是将我们的分析思路以各种指标和图表具象化的过程，是数据分析思维的具体体现，所以做仪表板和分析决策是不能够分开的。这也就决定了创建仪表板的时候，我们需要掌握两个步骤，一是用常用的分析形式和分析指标结合需求落地，二是用分析决策检验和完善我们的仪表板。

以各日期机构下的存款类型情况进行分析为例，即存款分析为例，先用我们常用的分析形式和分析指标结合需求落地。在这里只需要控制单一变量：

a. 固定机构，分析它的日期维度。常见对日期进行分析方法有

趋势分析对比分析（比昨日、比上月、比年初、同比）

当然还有一些其它的业务分析形式，我们都可以进行尝试。在进行数据分析的时候，我们应该养成看到时间维度就能立马复现出这些分析方法的习惯，不管不是所有对日期进行分析的方法都应该囫囵吞枣，但是把每个分析方法都过一遍是十分有利于我们的思考过程，从而甄别出适合出当前分析的分析形式和指标。

先对日期进行趋势分析。研究存款总额、对公存款和对私存款的时间变化趋势。而历史数据对于当前的业务影响小，我们更关心近期的数据走势，因此可以过滤出最近10天的数据。

可以看出南京支行的主体存款业务是由对公存款组成，因此存款总额的变化趋势几乎只受到对公存款业务的影响；对公存款是处于起伏不定的状态，处于停滞不增长的状态，而对私业务乍看也是处于一条水平线，没有什么起伏，然而，当我们取消关注对公存款和存款总额的时候，可以发现对私业务的存款总额竟然是下降的。

综上，我们发现，最近该支行的总体存款业务是下降的，对公业务没有什么增长，对私业务虽然体量相对较小，但是呈下降趋势，发展出现问题。因此我们可能需要对该机构的存款业务进行重要调整，想办法推进对公业务的继续增长，考虑改变对私业务的推广策略或者放弃相对该支行来说比较鸡肋的对私存款业务。

同样地，对日期继续进行对比分析，研究比昨日、比上月、比年初、同比的对比情况。

将当日的营业额度和历史同期比较是非常有说服力的，也可能更能反映时间的周期性问题。可以发现，对公业务和对私业务尽管在近期的发展态势一般，但是较历史同期而言，都几乎有着成倍的增长。

这说明，过去的经营策略确实取得了巨大的成效，但是可能由于市场饱和或者过去的经营策略所能取得的成效已经饱和，导致了近期的业务增长一般。说明，对于现在支行的发展，可能到达了一个瓶颈，需要对经营的策略进行重大调整，以适应现在的业务情况。

b. 固定时间，分析它的机构维度。常见对机构进行分析方法有：

排名分析比例分析机构分析穿透分析指标（平均值）

同样地，我们只需要将这些分析方法逐一套用，最后结合我们实际的业务需求，选择出合适的分析形式和指标。

这里对最常用的排名分析和机构分析进行一个介绍。这里由于存款总额是每天累计汇总的，因此关注当天具体的额度变化情况更加有意义。

可以看到各机构存款总额较上日增幅的排名；对于增幅靠前的机构，可以研究具体这些机构的业务策略进行推广，而对于存款净增额落后的机构单位，一般我们都比较关注在平均值以下的机构，可以进行标红处理做警示作用，同时对于尤其关注的某些特别支行，如瑞金二级支行，可以进行特别关注处理。同样的分析还能用于产品类别、产品、供应商等品类。

穿透分析、比例分析的落地过程我们略去。这样将我们熟悉和常见的分析形式和指标，结合分析决策的过程去套用，创建我们所需要的仪表板，很快就可以做出以下存款分析报表。

贷款分析和不良贷款分析，我们也同样地按着存款分析的分析思路过程进行落地。FineBI有一个比较方便的功能，可以直接将模板复用，然后简单地替换成贷款分析和不良贷款分析的各个指标，就快速生成了对应的分析模型。

分析总结

在从无到有搭建完业务模型之后，一定要对我们形成的分析模型进行总结，沉淀成为企业内部的指标库，这部分是我们数据分析最终沉淀的内核。

同时，在进行数据分析时，小唐给了大家两个非常受用的小贴士：

1、自主分析是个反复尝试的过程，实际上也是思维不断突破的过程。需要养成良好的设计习惯，用常见维分析形式和分析指标去落地，不要希望每次都能一步到位精准反映业务问题，需要踏实做好数据分析，用实际问题来改进分析模型。

2、不要企图用一张报表解决所有问题 。往往需要制作多张报表来分析发现问题，需要建立系统性，同时也鼓励多部门对于同一类需求/问题进行分析，可以对结论形成互补。

欢迎关注天善智能，我们是专注于商业智能BI，大数据，数据分析领域的垂直社区，学习，问答、求职一站式搞定！

本文作者：天善智能学院学员张龙祥。

原文地址：https://ask.hellobi/blog/zlx19930503/8745

本人于2018年6月份硕士毕业，2017年，为了找实习找工作四处奔波，前前后后投了100多次简历，面了30多家公司。在这期间，经历的丢手机从人间蒸发的惨状，也经历了两个半月减掉15g体重的神奇现象。总而来说，过程很艰辛，结果还是很美好。下面是我的面试经过。

第一个单位：北京互联网金融公司。一共有三面，第一面是技术面，是一个男同胞面试的我，首先是来了一个自我介绍，这个自我介绍也是很有讲究，干一行说一行，不相关的废话一字不要提。自我介绍完就开始技术面了，因为这是个金融公司，因此对于分类算法很是注重(大家在面试的时候要针对行业常用算法来进行准备，做到烂熟于心)。问题一：决策树算法中的信息熵具体阐述一下？问题二：决策树算法中ID3、C45、CART算法，根据自己的理解进行简要叙述，并且对剪枝问题进行叙述？问题三：阐述一下自己对过拟合的理解以及一些解决措施？问题四：叙述一下K-means算法的流程？问题五：阐述一下自己对逻辑回归的理解？问题六：模型评估的一些指标？问题七：数据结构中的排序算法说几个，以及时空复杂度？问题八：数据库的连接问题，叙述几个。

我的回答：前五个问题回答的都可以，我第六个问题说了ROC曲线，我的妈，他让我说横纵坐标，我不记得了，我很直接，就说这个我忘记了，看一下书就可以了，原理我晓得。对于第七个问题，我当时真的很无语，我直接说的“面试官，数据结构我学过，但是四年时间我不记得了，就连最简单的冒泡排序都不记得了，我工程方面用R和Python，如果您招的是要精通C的，那这个岗位不适合我”。最终一面通过。

第二天下午，是二面，是大数据部门的女总监面试的，先是自我介绍，后来是问了这么一个问题：你的职场规划是什么？讲真，这些问题我和专门的大神聊过，回答的也还不错，当然也是自己的内心想法，只是逻辑更加完善而已。然后就是技术面，一面的有的问题我就不再重复，说了一下组合算法，我实话实说：“当时对于三大组合算法看的还不是很细，马上会进入这方面的学习”，下一个问题是叙述PCA降维技术，我就从特征值、特征向量巴拉巴拉的说。之后女总监说“回去把组合算法搞一下，Python好好看看”我这边通过。

之后就是HR面，谈了薪资就没啥了。

总结：

①夯实一些名词的含义，比如：评价模型的指标。

②近期把组合算法搞定。

③过拟合发生的原因以及解决措施梳理一遍。

第二个单位：杭州互联网金融公司。第一面试的时候，我在无锡接的电话，是个男面试官，人很温和，我就不害怕了。首先自我介绍，之后又是分类算法搞了一圈，还有模型评价的指标，这里有一个KS指标被提到，这个在上面已经说了，就不在赘述。(当你面试较多的时候，你就有一种倒背如流的赶脚，但是你必须沉得住气，慢慢说，这样一二三四的你会更有逻辑性)，一面就这样很愉快的结束了。

那个面试官让我从无锡去杭州面基，我正好第二天去杭州，我说可以的。但是中午到杭州的我和一个网易的朋友吃饭聊天的就超时了，又急急忙忙赶回上海，就错过了去公司的机会。我说明原因之后二面改为电话面试。

觉得二面的面试官真的很有质量，面试官的语速很快，搞得有点压抑，我适当笑一下，缓解一下气氛。他说了这么一句话我很佩服：我们先不谈别的，从数据处理到建模有一个很重要的特征选取，说一下对特征工程的理解，好高端，我当时有点冒冷汗呀。这个问题得谈了20分钟吧，“L1正则化可以进行特征筛选的原因：从几何和后验概率两个角度”“L1和L2正则化的区别”等等，后面，对于决策树的问题又来了一拨：“决策树算法中的剪枝，预剪枝和后剪枝，自己根据自己的理解来简单叙述”“决策树在连续型变量的处理方面的一些方法”，这方面我们聊得还是很开心，本来以为要结束了，面试官又问了我的研究方向，又被问的有点懵，最后又问了我分布式什么的，我直接说的不会。不过好在面试还是过了。

总结：把面试中提到的不懂的问题理清楚。

最后我总结以下几点：

①面试单位要看缘分，假如你准备的问题面试官都没问，面试官问的问题你都不会，孩子，这个单位不适合你。

②面试的时候，要把面试官引入自己擅长的领域，不要哪里不会点哪里。

③向面试官展示最真实的自己。

④保证足够的营养，我已经好多年没吃过药了，哇哈哈！

⑤重要的是查漏补缺，时间不等人，只争朝夕啊！

⑥给大家推荐天善智能，来进行学习，我也会陆续在里面发文章。

天善学院svip正火爆报名中！包含Excel BI、Python3爬虫案例、Python机器学习、Python数据科学家、大数据体系、数据分析报告、数据分析师体系、深度学习、R语言案例共10套课程，其他课程只需五折即可，欢迎大家关注报名！

在对数据分析岗位进行整理与研究时，通过对于这些岗位的企业性质、从事数据分析岗位职责、岗位要求及薪资待遇进行研究。我们对于未来的数据分析这个职业充满了希望，但是也对于这个职业二极分化充满了担忧。

一、数据分析职业概述

越来越多的企业将选择拥有项目数据分析师资质的专业人士为他们的项目做出科学、合理的分析，以便正确决策项目；越来越多的风险投资机构把项目数据分析师所出具的项目数据分析报告作为其判断项目是否可行及是否值得投资的重要依据；越来越多的企业把项目数据分析师课程作为其中高管理层及决策层培训计划的重要内容；越来越多的有志之士把项目数据分析师培训内容作为其职业生涯发展中必备的知识体系，数据分析这个职业应运而生，毫不夸张的说，数据分析师带给企业的不仅仅是一个个数据报告，更是一桶桶黄金，一片片亟待探索的蓝海。

二、数据分析职业现状分析

这个职位目前呈现是二八原则，好的数据分析师的收入是非常高，差不多平均水平在13k左右，但是处境不好的数据分析人员只能拿到跟内勤同等收入的水平。比如数据分析招聘中，185号岗位，这是一家公司需要大量招聘初级的数据分析师进行长期的培养广告公司；高级数据分析师在全国的范围内来说还是很少一个群体，主要承担对于某个数据分析项目进行建模与分析及算法研究等，这批人员一般的薪资待遇在16K以上，大多数在互联网与金融行业等利润率比较高的行业，数据分析招聘中，199号岗位，该岗位是杭州大型电商公司为其呼叫中心招聘数据分析师，待遇在P7左右，也就20-22K/月，还有盛大招聘数据分析师岗位也其实有很有代表性；最高端是一些互联网数据分析部门的管理层与数据科学家，一般是大型公司对于某个项目进行数据挖掘研究，全国也只有微软与阿里及一些从事数据挖掘公司里有这些数据科学家，一般的待遇差不多在50万以上年薪，这个大家可以关注一些互联网公司的招聘信息。

三、数据分析师的能力标准

格局是决定一个数据分析师的能力标准，一个好的数据分析师应该从行业的层面来分析公司现在所处的位置以及整个行业的分析，而且通过内外的数据得出富有逻辑性的结论，然后从这些结论中提供公司战略层面思考的策略，当然我也明白现在我们很多的分析师朋友都在沉浸在业务或者项目分析中，但是我认为格局观是决定一个数据分析师的能力标准。

数据分析师要做到基于内部与外部的数据结合通过严密的完整商业思考及严密逻辑推理，得出针对业务好坏的结论，并得出业务改进的策略。

什么内部与外部的数据的结合，我们即要看内部的数据还要结合行业的数据，而商业思考是做数据分析师通用的技能，那么结论是基本产出物，策略是分析师高级产出物。

四、数据分析师的三类素质

第一类是基本素质，第二类是通用技能，第三类是专业技能。

基本素质包括：1、聪明与好奇心；2、愿意学习并愿意能沉下心来付出；3、耐心与专注。

通用技能是核心思考能与展现自己的能力，第一点，结构化的思考能力与逻辑推理能力即智商不能差，如果是这样你看到的越多就做的越好，怎么来判断呢？第二点，良好商业感觉与商业判断能力；第三点，要有宏观思考能力，你要看到的格局要到；第四点，要有良好沟通能力。

专业能力从专业上要有基本统计学知识，从能力上要包括扎实数据分析能力与数据处理能力包括SAS\R\SPSS及tableau、FineBI等可视化表达的能力。那么高级数据分析师，我们应该更看中基本素质与通用能力，如果专业操作类分析师那么我们需要基本素质与专业技能。

五、企业要求及需备的知识点

大多数的互联网行业特别是电商行业对于数据分析师这块还是比较看重，主要的原因其主要的资产除了产品、人员就是长期积累的数据而这些海量的数据已经不能用人工经验来还原业务，这就需要数据分析师对于数据进行归纳与还原商业规则与逻辑，一般主要涉及商业分析、用户分析、产品分析、运唯支撑等这几块；从各家公司招聘信息来看，要求几乎雷同，同时也说明这个职业的互通性很强，说白了就是换个行业都可以在职场上存活下来；一般需要以下几个要求：

1、数据分析经验；

2、商业数据敏感度；

3、基本工具（SAS、SPSS、SQL、EXECEL等）；

4、建模；

5、知识点（统计学、会编程）；

六、如何获得数据分析知识点？

1、数据分析经验，大家可以每天浏览我们西线学院官网的文章，我们每天都会发布一些最新的分析实战文章；

2、基本工具类，我们西线学院帮助学员从零基础学会数据分析工具编程，丰富的知识扩展，实用性强,不掺杂无用讲解,只为给学员最极致的教学体验!

编者按：本文来自公众号秦路（ID：tracykanc），作者秦路；36氪经授权发布。

最近有不少同学在后台问我数据分析的职业发展相关，这里先列一个简易大纲。它更多是以我所在的互联网行业展开的。

入门和职业规划应该从两个角度考虑：领域和路线。

领域是不少新人常忽略的要素，其实数据分析不会脱离业务存在。你进入哪个行业，很大程度会决定你初期的技能树和技能点。譬如金融领域的风控模型、营销领域的生命周期、广告领域的点击率预估等，各有各的特色。

如果是一位应届生，不妨多了解自己感兴趣的领域，和专业相关是最好的，并且积累相关的经验，为面试做准备。

如果已经有一定行业履历，只是想要转岗数据分析师，那么跨岗不跨行，避免跳到一个陌生的领域。

领域经验太宽泛，我给不了太多的指点，主要也就三点：1.自己感兴趣的，2.自己擅长的，3.有钱途的。从职场生涯看，成为某领域的数据专家，会是一个更好的筹码。

而路线大致可以划分成四大方向：

数据分析，数据挖掘，数据产品，数据工程。

数据分析/数据运营/商业分析

这是业务方向的数据分析师。

绝大部分人，都是从这个岗位开始自己的数据之路，也是基数最大的岗位。

因为基数大，所以这类岗位通常鱼龙混杂。有些虽然叫数据分析师，但是每天只需要和Excel打交道，完成leader布置的表格整理工作就行。混个几年，成为一位数据分析主管，给下面的新人继续布置Excel任务。

又有一种数据分析师，岗位职责要求你掌握常用的机器学习算法，面试首先推导一个决策树或者逻辑回归。入职后也是各类代码，和分析打交道的情况不多。

都叫数据分析师，其实天差地别。

这里更多指互联网行业，偏业务的数据分析师，一般属于运营部门。不少公司也称数据运营或者商业分析。

这类岗位的职位描述一般是：

负责和支撑各部门相关的报表；

建立和优化指标体系；

监控数据的波动和异常，找出问题；

优化和驱动业务，推动数据化运营；

找出可增长的市场或产品优化空间；

输出专题分析报告；

实际情况是，不少业务端的数据分析师，主要工作只做第一点。别管它用汇总、分析、数据支持什么修饰词，基本是跑SQL，做报表。硬生生活成了业务端的表哥。

这是很常见的情况，也是入门新人的第一个坑。因为从头到尾，这类分析师，都没有解决问题。

业务部门往往更关心，某个指标为什么下跌或者上升。产品的用户是什么样的？怎么能更好的完成自己的KPI。

以活跃指标的下跌举例：

活跃指标下跌了多少？是属于合理的数据波动，还是突发式？

什么时候开始的下跌？

是整体的活跃用户下跌，还是部分用户？

为什么下跌？是产品版本，还是运营失误？

怎么解决下跌的问题

这是一套标准的解决思维。分别对应what、when、who、why、how，每一部分都不是三言两语可以解释清楚。不要看它简单，例如你通过多维分析，发现某个地区的活跃下跌了，不要急着把它作为分析的结论，这是不合格的数据分析。某地区的活跃下跌，只是现象，不是原因，把它作为结论提交，肯定会被骂的。

你要解决的是，为什么这个地区的活跃下跌了。是该地渠道，是该地竞争对手，是该地市场环境？这些问题都是细化深入的范畴。并且，它们要能以量化解释，而不是我认为。

做好了这点，才是一个真正的业务端的数据分析师。

当然，这一点看的是leader。leader能否带你进入业务分析的大门，决定你将来是不是成为一个表哥。新人切记切记。

解决问题是一方面工作，另外一方面，数据分析师的职责是将业务数据体系化，建立一套指标框架。活跃下跌的问题，本质上也是指标问题。什么时候开始下跌，哪部分下跌，都能转化成对应指标，如日活跃用户数，新老用户活跃数，地区活跃数。

你不能衡量它，就无法增长它，指的就是指标体系。指标体系可以是业务部门建立，但数据分析师也挺合适。一方面他们比数据挖掘这类技术岗位更贴合业务，一方面不像业务岗位对数据抓瞎。

两者结合，这岗位也能称为数据运营。

指标体系如果工程化自动化，也就是BI，所以数据分析师可以算半个BI分析师，这里不包括BI报表开发。BI如果采购第三方，数据分析师负责BI没问题，如果自有开发，那么BI岗技术的色彩更浓厚。

数据分析思维和业务的理解，是分析师赖以生存的技能。很多时候，工具是锦上添花的作用。掌握Excel+SQL/hive，了解描述统计学，知道常见的可视化表达，足够完成大部分任务。机器学习这类能力，对此类数据分析师不是必须的，Python也一样，只是加分项。毕竟为什么下跌，你无法用数据挖掘解答。

数据分析师是一个基础岗位，如果专精于业务，更适合往管理端发展，单纯的工具和技巧很难拉开差距。数据分析的管理岗，比较常见的有数据运营经理/总监，数据分析经理等，相对应的能力是能建立指标体系，并且解决日常的各类「为什么」问题。

商业/市场分析是另外一个方向，更多见于传统行业。你要开一家超市，你得考虑哪里开，这就要考虑居民密度，居民消费能力，竞争对手的多寡，步行交通距离，开车交通距离等。这些数据是宏观的大指标，往往靠搜索和调研完成，这是和互联网数据分析师最大的差异。

若往其他分支发展，比如数据挖掘工程师，则要继续掌握Python和机器学习等。从业务型发展上来的好处是接地气，具备商业洞察力（天天搞报表，怎么可能不熟），这点是直接做数据挖掘，或者程序员转岗，所不具备的。

新人，比较普适的发展路线是先成为一位数据分析师。积累相关的经验，在一两年后，决定往后的发展，是数据挖掘，还是专精数据分析成为管理岗。

学习资料：

这里对学习资料不再多做推荐，看历史文章：如何七周成为数据分析师

数据挖掘/算法专家

这是技术向的数据岗，有些归类在研发部门，有些则单独成立数据部门。

数据挖掘工程师要求更高的统计学能力、数理能力以及编程技巧。

从概念上说，数据挖掘Data mining是一种方式，机器学习Machine Learning是一门方法/学科。机器学习主要是有监督和无监督学习，有监督又可划分成回归和分类，它们是从过去的历史数据中学习到一个模型，模型可以针对特定问题求解。

数据挖掘的范围则大得多，即可以通过机器学习，而能借助其他算法。比如协同过滤、关联规则、PageRank等，它们是数据挖掘的经典算法，但不属于机器学习，所以在机器学习的书籍上，你是看不到的。

除此之外，还有一个领域，属于最优化问题的运筹学。现实中的问题往往有很多约束，比如护士排班，一共有三班（早、中、晚），现在要求每班满足最低护士人数，每位护士尽量不能连班，每位护士不能连续工作5天。每位护士的夜班数要均衡，每位护士每月的班数要均衡…这些问题很难用机器学习的方法完成，而在最优化领域，则有遗传算法、模拟退火算法、蚁群算法等。

实际的应用场景中，如外卖行业，如何寻找骑手效率最大化的最优路径，同样属于最优化，也是数据挖掘的工作范畴。

数据挖掘工程师，除了掌握算法，同样需要编程能力去实现，不论R、Python、Scala/Java，至少掌握一种。模型的实施，往往也要求Hadoop/Spark的工程实践经验，精通SQL/Hive是必须的。

常见数据挖掘项目的闭环如下：

定义问题

数据抽取

数据清洗

特征选取/特征工程

数据模型

数据验证

迭代优化

单看环节，数据挖掘对分析能力没有业务型那么高。这不代表业务不重要，尤其在特征选取方面，对业务的理解很大程度会影响特征怎么选取，进而影响模型质量。用户流失是一个经典的考题，如何选取合适的特征，预测用户会否流失，能够考察对业务是否深刻洞察。

数据挖掘的业务领域一样可以细分。金融行业的信用模型和风控模型/反欺诈模型、广告模型的点击预估模型、电商行业的推荐系统和用户画像系统。从需求提出到落地，数据挖掘工程师除了全程跟进也要熟悉业务。

因为要求高，所以数据挖掘的平均薪资高于数据分析师。

一个分工明确的团队，数据分析师负责将业务需求抽象成一个具体的数据假设或者模型。比如，运营希望减少用户流失，那么设立一个流失指标，现在需要预测用户流失率的模型。模型可以是数据分析师完成，也能是数据挖掘工程师。最终由数据挖掘团队部署到线上。

在一些公司，高级数据分析师会等价于数据挖掘工程师（其实行业内，对Title并没有严格的标准），只是工程能力可以稍弱，模型部署由专门的工程团队完成。

数据挖掘工程师，往后发展，称为算法专家。后者对理论要求更严苛，几乎都要阅读国外的前沿论文。方向不局限于简单的分类或者回归，还包括图像识别、自然语言处理、智能量化投顾这种复合领域。这里开始会对从业者的学校和学历提出要求，名校+硕士无疑是一个大优势，也有很多人直接做数据挖掘。

深度学习则更前沿，它由神经网络发展而来，是机器学习的一个子集。因为各类框架开枝散叶，诸多模型百花齐放，也可以算一个全新的分支。除了要求熟悉TensorFlow, Caffe, MXNet等深度学习框架，对模型的应用和调参也是必备的，后者往往是划分普通人和大牛的天堑。

算法专家和深度学习专家，薪资level会更高一级，一般对应于业务型的数据运营/分析总监。

数据科学家是上述岗位的最终形态之一，要么理论能力非常强，往往担任研究院的一把手。要么工程能力突出，上述的系统都能完成平台化的部署。

这类岗位对基础知识要求扎实，所以书籍需要比较大的阅读量，而且要保持领域新论文的吸收。

统计知识，除了「商务与经济统计」外，国外有一本「The Elements of Statistical Learning」，评价不错。

机器学习的入门，李航的「统计学习方法」，周志华的「机器学习」都是好书，英文好也能看PRML。

Python入门书籍的推荐太多，略过。「用Python进行数据分析」是必备的，当然这本书有点老，活用官网最新文档和stackoverflow，基本无碍。Python可视化查阅文档也够了，不用看书。

再进一步，则是机器学习的代码实现，比较知名的有「集体智慧编程」，「机器学习实战」等。其实最近还有不少新书，「Python DataScience Handbook」等，我当然不可能都看过，所以也不好推(hu)荐(you)。

除了基础，行业领域的也别落下，诸如推荐系统实战、计算广告…按需学习。如果你们公司对于人才有较高的挑战（一个人当两个人用），大概Spark/Hadoop机器学习相关的框架也得了解。

数据产品经理

这个岗位比较新兴，它有两种理解，一种是具备强数据分析能力的PM，一种是公司数据产品的规划者。

前者，以数据导向优化和改进产品。在产品强势的公司，数据分析也会划归到产品部门，甚至运营也属于产品部。这类产品经理有更多的机会接触业务，属于顺便把分析师的活也干了，一专多能的典型。

他们会运用不同的数据源，对用户的行为特征分析和挖掘，达到改进产品。最典型的场景就是AB测试。大到页面布局、路径规划、小到按钮的颜色和样式，均可以通过数据指标评估。

下图的案例，就是弱化心愿单按钮的存在感，让用户更多的聚焦在直接购买而不是收藏，最终让销售额提高了35%。

俗话说，再优秀的产品经理也跑不过一半AB测试。此类数据产品经理，更多是注重数据分析能力，擅长用分析进行决策。数据是能力的一部分。

后者，是真正意义上的数据产品经理。在公司迈大迈强后，数据量与日俱增，此时会有不少数据相关的产品项目：包括大数据平台、埋点采集系统、BI、推荐系统、广告平台等。这些当然也是产品，自然需要提炼需求、设计、规划、项目排期，乃至落地。

我们不妨看几个数据产品经理要求：

负责大数据产品的设计，输出需求文档、产品原型；

负责推荐算法的产品策略，完成相关推荐及个性化推荐产品的需求分析；

负责分析和挖掘用户消费内容的行为数据，为改进算法策略提供依据；

负责客户端数据需求的对接，制定相关埋点规范及口径，相关业务指标验证；

报表展示工具的落地和应用；

和C端注重用户体验不同，数据产品，更注重整体的分析能力和逻辑。除了产品经理最基础的Axure、Visio、MindManager等工具。往往还需要很多技术型的能力。比如了解BI/DW原理和实施、了解常用的推荐算法、了解机器学习模型等。这也很容易理解，C端要求你了解用户需求，而在数据端，主要用户就是数据。

这当然不是说，用户体验不重要，拿推荐算法来说，除了满足用户最基本的感兴趣，也要考虑时效性，考虑新兴趣的挖掘，考虑无数据时的冷启动问题…这些一样是用户体验，只是解决方案也得从数据出发。再多思考一步，模型是离线还是实时，实时怎么实现它？技术细则不用�...

让数据驱动落地企业，要先明确商业目的是什么，找到方向才能更好地指导业务。在互联网金融企业中，用户与交易额是各部门工作开展的核心所在。互金企业重点关注资金量和资产量，工作都是围绕此目标而展开。

不同部门有着不同的数据分析需求。例如，商务部门的工作核心是获客、拉新；运营部门关注如何提升客户活跃度并减少用户的流失，产品部门聚焦产品功能与优化，以提升用户的体验；管理层关心各个部门运营状况，以及业绩的达成情况。

数据分析虽然不能直接带来业绩增长，但为产品改进和决策提供了方向，让产品以最符合受众需求和体验的方式促进企业业绩提升。结合我在曾经的实际工作中，以及商务部门、运营部门、管理者的数据分析的真实案例，介绍如何应用数据满足不同部门的分析需求、以及企业在数据分析过程中存在的通病和应对之策。商务部门、运营部门、老板关注都有哪些数据分析需求?

商务部门：用户投资转化率

先从商务部门的获客说起，为监测渠道推广的效果，我会给每个渠道分配唯一标识，用来区分各渠道用户的来源。为了让相关渠道的推广人员能清晰了解渠道状况，我会推送一些渠道分析的报表，包含了渠道流量、注册用户数、投资用户数、投资转化率、用户的整体投资额、人均投资额等。

在整个渠道分析的过程中，我们经过异常指标、定位问题、解决问题等流程，最终驱动获客的提升。下面是我工作中真实的案例。

场景1：为何注册用户的投资转化率下降了2%？

当发现这个异常指标，我们要做以下判断：是大部分渠道均有所下降，还是单渠道的影响？在转化过程中，客户会在哪个环节中卡壳？出现问题的原因是什么……

通过分渠道查看并对比近一周的用户转化漏斗，发现前一天注册的用户在申请充值到充值成功步骤的转化率明显降低。为进一步挖掘原因，我通过分时段查看每个时段的充值成功率，发现晚上7点到9点充值成功率出现问题。最终技术调取日志确定是第三方支付平台的问题，因为在晚上7～9点间服务器出现故障。

为此，我们增加充值成功率指标监测，设置预警值，发生异常可及时反馈到相关人员。

场景2：为何注册用户充值成功，却没有转化为投资用户？

用户充值成功，初衷一定是希望在平台上完成投资的，因此没有转化投资用户属于异常情况。通过分析发现，是“标”的供给不足。老客户熟悉秒杀“标”的规则和“标”的发放时间，导致新手抢不到“标”。为此我们开辟了新手专区，从而保障新用户的转化率。

运营部门：资金管理、理财产品管理

互金行业的运营部门关注资金管理、理财产品管理。在投金额、回款&投资、充值&提现、净流入、沉淀资金等指标是监管平台资金常用的指标。与此相比，更重要的是如何看待和理解这些指标，若指标发生异常波动，要及时定位问题来驱动业务增长。

例如，为什么金融企业需要关注沉淀资金？沉淀资金是金融客户在平台的可用余额，是企业平台所募集的资金，若未能转化为投资额，是无法给企业带来价值的。若发现沉淀资金数值出现异常，背后有各种可能，如产品供给不足造成资金闲置；产品功能异常（自动复投失败）；或者大客户回款忘记复投，都可能会产生沉淀资金。

在理财产品管理实践中，数据分析给予了一些指导意义，例如：

我们通过分析发现，临近春节前 3 个月，短期标会供不应求，其中原因不难理解：一些用户尽管手头有很多闲置资金想投资，但春节期间会有较多的花费。这个结论为短期标的管理与发放提供了一些引导。

再如，通过分析发现，不同客户对产品偏好的差异性较大。大客户承受的风险能力很强，该用户群追求高收益，因此在其投资的产品中，长期标占比是最高；而小客户因为资金有限，这部分群体有灵活性的考虑，故短期标的占比最高。

老板：数据报告、目标管理

老板最喜欢看报告！数据部门最基本的工作是提供日报、月报、季度、年报、各团队业绩考核报告等。呈交老板的数据报告通常会包括综合指标统计、部门业绩拆分、产品分析、用户分析等内容。

除了报告之外，老板还希望达到资金与资产的平衡：资金是企业通过营销渠道拓取客户，若资产有限用户无法投资，将导致用户流失，造成营销费用的浪费；若资产较高却没能及时募集相应资金，企业会为资产付出较高的成本。在我们的数据分析工作中，会通过回款和复投率等指标进行资金预测，帮助老板解决目标管理等问题。

在这些年的数据分析实践中，以及在神策数据与众多行业客户交流中，不难发现企业在数据分析过程中普遍存在众多问题。如数据资产问题：用户行为数据的采集难以在内部实现，以及数据安全性无法保证；数据孤岛，用户明细数据拿不到，企业内部数据存在孤岛；用户行为数据与业务数据割裂； CRM、第三方数据、业务数据无法打通等；分析效率，即业务人员数据需求求助于分析师，沟通成本高；需求排队、不能得到及时反馈；低价值、重复的工作，人力严重浪费等。

作者：接地气的陈老师链接：https://zhihu/question/264164580/answer/357527397来源：知乎

被业务呼来喝去的跑数据，是做数据分析的同学一个极大的痛点。出力不讨好不说，自己还没啥成长。如果扒皮抽筋看真相，你会发现这压根就不是个技术问题，而是政治地位的问题。是数据分析到底在公司里算老几的问题。

我就见过相当多大企业，做了BI系统，还有拖拉拽的数据集市，还有日、周、月报，到头来数据分析部还是天天在接一堆零时取数需求。我们还尝试过收集各个公司的报表打开率数据，非常有意思，大概10%左右。有兴趣的同学可以尝试下，最简单的方法，就是你群发日、周、月报的时候，加一个邮件阅读回执。看看有几个人真的每天会看。你会发现不但看的人很少，而且一般等级都很低O(╯□╰)o所以自动化的报表救不了数据分析师。你会发现业务部门照样会把你当哆啦A梦的口袋，需要数据的时候直接丢一纸需求单了事。你要是不肯做，他们就搬出：“这是XX总监面授的需求，要抓紧完成，老板需要精细数据”来镇压你。是滴，这帮哥们常常宁可把时间浪费在打嘴仗上，也不肯抽10分钟研究下现有的报表，这都是常有的事。

虽然做数据分析的同学喜欢讲“数据驱动决策，分析提升效率”，然而这句话是有主语的，应该叫：“老板用数据驱动决策，业务部门用分析提升效率”。因为本质上看，想驱动决策需要的不是数据而是权威；想提升效率，需要的是把数据优化的结果融入业务过程。如果老板数据化管理意识淡薄，喜欢讲经验、拍脑袋，那驱动决策就无从做起。如果业务部门只喜欢按自己的路子来，对分析结果不管不顾，或是喜欢在分析里夹自己的私货，那提升效率也无从谈起了。所以真的想改变这个情况，需要的不是更复杂的方法或者自动化报表，而是：想办法争取老板的认可、业务部门的参与。不要让我们的分析结果躺在PPT里。

具体的做法写本书都够了。这些年做项目，和不少甲方企业的数据部门一起为了提高地位而努力过，可以分享一些心得给大家。

第一，目标清晰。数据驱动决策不是数据替代决策哈。很多会争取地位的数据部门领导们，把目标设定在：让业务方认可数据的用途上。正如医生不能包治百病，但有病了还是得去看医生一样。只要能证明看数据比拍脑袋、土办法、憋思路多那么一点点的用就行了。与此对应的是，凡是大吹大擂大数据人工智能怎么怎么就把业绩拉动基本都死无葬身之地。因为拉业绩是业务部门的活。跨过业务部门想直接促成业绩，不但很难做到，而且抢了业务部门的生意。人家随便做做手脚，数据都得吃瘪。

第二，选好对象。做数据的同学切记：我们人微言轻，我们做报告给老板看和我们就是老板是两个概念。因此所有人都有兴趣听我们说话，也不是所有人都适合服务的。我总结了经常碰到的业务部门类型，归纳为下图。大家体验一下。如果想挤出更多时间来做真正的分析，肯定要拒绝掉一些需求的，搞清部门的风格，可以帮你减少摩擦。

第三，切中痛点。既然业务部门会有零散的需求，至少说明他们还有需求。业务部门的工作，可以粗略的分为平常思考-事前策划-事中执行-事后评估四个阶段，其实每个阶段都有很多很多和数据有关的抱怨（详见下图），因为分析原因，测算效果，监控进度，总结经验始终是业务所需要的。只要我们能和业务部门说上话，一定能从他们的痛点切入，找到体现数据分析价值的地方。围绕痛点，把零散的需求转化为有具体目标的数据分析项目。

与其空谈”人工智能时代““大数据价值”不如结结实实的帮业务部门解决一些痛点。有痛点的才是真实需求。

第四，循序渐进。当我们能争取到一个项目，就比单纯写取数需求表大大前进了一步。下边就看如何把这个项目变成常规性的数据产品。其实数据产品的形态也不限于一个APP或软件。定期月例会汇报，定期的信息公报，数据资源库都是产品。关键，只要让业务部门能用起来，能在老板面前刷足存在感。这样以后的路才能越走越宽，而不是自己憋在格子间里跑数了。

至于如何具体操作，涉及的内容太多，有机会慢慢和大家分享。这里只提一点：只要是打包成一个整体能满足特定需求的都是产品（没打包要一步步做的叫服务）。很多同学觉得报表不算产品，其实是因为只知道跑报表，没见过报表如何应用。如果能结合具体场景，就会发现，其实好用的报表自有好用的理由，为什么选这些字段，为什么定这个周期更新，都是很有讲究的。

当然，并不是所有企业都有努力的空间，如果企业的老板、高层、业务部门真的很冥顽不化，还是趁早离开的好。但庆幸的是，现在“大数据”“数据挖掘”“人工智能”的春风吹遍大江南北，为我们营造了很好的外部环境。下一步，就是看怎么把朋友圈里《时代淘汰你的时候连问都不问一声》《震惊！又一个行业即将被颠覆！马云刚刚宣布》带来的对人工智能的恐慌，转化为切切实实的数据分析部门的地位提升。与大家共勉。

作者介绍：陈老师，在咨询行业打拼了9年，在如何诊断经营问题、建立分析体系、解决专项问题上有超过30个大型项目积累与实战，天善智能特邀专家。数据分析职场路上有困扰吗？不妨到《数据分析师八大能力培养课程》https://edu.hellobi/course/272 里聊聊！视频课程特色：从真实数据分析工作场景出发，训练实战能力启发式教学+大量实际操练，培养属于自己的能力不依赖于某个具体技术，也适合对数据分析感兴趣的学生、业务部门人士学习=

数据时代的到来使企业越来越意识到数据的价值,企业纷纷建立自己的数据分析团队.花重金招揽的数据人才怎么融入到本企业组织中才能发挥他们的才能呢？本文试图分析数据分析部门组织架构形式的优劣及影响.

从数据分析部门与传统IT部门的关系来看,分析部门有两种形式：设立独立的分析部门或设在IT部门下，由一个CIO管辖。

从数据分析人员是否集中来看也分两种情况：数据分析人员集中在大数据中心或者数据分析人员分散在各个业务部门。或者混合情况：两者都有数据分析人员，但职能分工不同。

下面具体分析三种典型组合情况：

第一种形式为传统式，

如下图：大数据中心设立在IT部门下，数据分析师集中在大数据中心。

这是一种大信息中心的形式。这种形式的特点是大数据中心与IT合并在一起，贴近数据源，业务部门向大数据中心提需求，大数据中心根据需求统一排期开发、分析。这时一般传统的报表、临时需求分析等也可能会与业务系统分开，由大数据中心管理。大数据中心对接各业务系统数据源在部门内部即可解决。各业务部门只需要跟大信息中心一次提需求即可。业务部门没有自己的分析挖掘团队，但一般会有传统的报告分析。

这种形式大多由传统BI部门演变而来。传统的经营分析中心或商业智能部演变为大数据中心，在数据仓库基础上增建大数据平台，增加大数据及数据挖掘人才，在原来的报表的基础上建设更深入的数据分析应用。

优点：数据中心与IT在一个部门，离数据近，数据整合便利，保障数据质量高。集中的需求管理也使内部沟通有效，避免重复开发，也可以使分析师内部总结提高。

缺点：离业务较远，尤其是分析团队与业务部门的工作地点不同时，容易与业务部门沟通不畅，闭门造车。如果业务变化快，无法跟上业务的步伐，对数据的思考不够深入，与业务部门沟通成本加大。

针对分析师集中后离业务较远的弊端有一种方法为：分析师仍然集中在大数据中心，但分析资源的使用、请求在各个业务部门，企业各业务部门自己根据项目需求请求所需的分析师。这种情况下分析师需要同时向本部门和业务部门汇报工作。

第二种形式为集中式。

这种形式与第一种的主要区别在于大数据中心是否独立。

这种形式的特点是公司所有与数据相关的平台建设、数据应用、数据分析挖掘都归属到一个部门，此部门是数据管理的唯一出口，业务部门不设立自己的分析团队，IT部门也不负责相应平台开发维护。

优点：部门职责明确单一。指标由一个部门计算，口径统一，且与业务部门独立，所以立场独立，分析结果更中立。

缺点：同时具有第一种形式的缺点，并且离业务部门及业务系统都较远，无论是数据理解还是业务理解都可能不够深入，同时如果大数据平台开发维护能力不强，会有技术困难难以推进。

第三种形式为混合式

此图与之前的主要区别在于业务部门是否有分析师。这里不再分析大数据中心是否独立的问题。主要分析大数据中心下分析师与业务部门分析师的职能及定位。

大数据中心分析团队职责主要集中在整个企业级的数据产品、数据应用、数据分析。服务的对象也主要是公司级的部门和领导。他们技术能力和业务能力更强，能利用最新技术解决业务问题，同时必要时对业务部门分析团队给予指导。

而各业务部门自己的分析团队主要服务于自己部门内部，技术能力不等，以前主要根据报表做统计或分析报告，但他们本身在业务部门对业务理解深入，主要是利用数据解决业务问题。有些强势部门可直连仓库自己写SQL提数，定制开发简易报表，技术强的业务部门甚至要求建设自己的数据集市，搭建自己的挖掘团队。

这种形式下的主要缺点是两者职责有时划分不清，造成部门利益为重、争抢项目、职责推诿、重复开发、口径不一致等问题。各业务部门的分析团队之间交流不畅，技能提升有限。有一种变通的方法为打破各部门利益障碍，建立横向的虚拟分析团队，加强虚拟团队内部沟通交流，甚至团队内部成员作为共享资源可根据项目周期流动。

通过以上分析可以发现为发挥分析优势，是在集中分析部门便于内部交流与靠近业务便于理解业务的矛盾的平衡。

每个形式都有各自的优点与缺点，没有对错之分。没有最好的只有最合适的，每个企业都要根据自己的实际情况进行调整。