来源：数据猿 作者：abby

从游戏产业诞生开始，数据分析就一直伴随游戏的研发和运营的全过程。 2001 年，盛大网络通过《热血传奇》开启了中国网络游戏产业。网络游戏的 24 小时在线和高度的用户互动，为游戏数据分析提供了前提条件；通过数据分析输出的结果，及时有效地反馈到游戏的研发设定和线上社区，形成了良性和有效的循环。

早在2003年，盛大网络向行业输出了 PRAPA 分析模型，针对游戏的用户推广（Promotion）、注册用户（Register）、活跃（Active）、付费（Pay）、平均用户收益（ARPU）进行有效的分析指导，为游戏行业的成熟提供了标杆。在当时的盛大内部，我们针对游戏的用户体验瓶颈环节，设立“卡外掉充安”（卡机、外挂、掉线、充值、安全）专项，通过数据分析不断进行验证和调整，使得用户体验满意度持续行业领先。

同时，游戏数据分析还指导着产业变革。在2005年，盛大率先变革游戏商业模式，从之前的时长计费变为道具收费，这意味着之前的逾10亿元年收入归零后重新开始。在此之前，公司内部已进行了超过半年的数据分析和业务试点，最终全面施行，深刻影响了游戏产业。伴随数据分析技术的发展、游戏形态从端游到手游的进化、渠道与社交网络的演进，基于大数据的用户画像和数据多维交叉分析，为游戏的精细化运营提供了新的契机和动力。

而《游戏数据分析实战》的作者黎湘艳就是盛大游戏数据分析专家，从事游戏行业16年，历经多种岗位，亲历了中国游戏行业从萌芽到蓬勃发展的历程。她在本书中集结了她完整的数据分析思想及50多个游戏项目数据支持的积累提炼。

《游戏数据分析实战》贯穿整个游戏生命周期，提供了丰富的数据分析案例，从预热到封测，再到公测， 均为作者在实际工作中经历的真实案例。案例分析包含数据来源、分析方法、分析过程、分析结论及小结。通过学习本书不但能较深入地学习数据分析方法，还能了解到运营和市场的相关知识。

该书主要分为三部分：

第一部分：主要介绍游戏数据分析相关指标体系，通过这套体系，可以初步监控游戏整体运营情况；

第二部分：主要介绍游戏正式发行前期的市场调研、渠道用户质量分析、竞品分析及投资收益预测，对游戏品质进行定位，评估正式上线后的效果；

第三部分：主要对游戏正式发行后的用户流失、活跃用户分类、付费习惯、版本迭代效果、区服合并等主要问题进行深入探讨，实现游戏的精益化运营。

该书的特色是以详细案例为主，通过SPSS、Excel 等工具逐步展示实施步骤，用手把手的方式让读者快速掌握游戏数据分析方法。

适读人群：

黎湘艳，盛大游戏数据分析专家，从2008年开始在盛大游戏从事数据分析工作，先后主持或参与50多款游戏的数据分析工作，主要产品有：《热血传奇》《传奇世界》《龙之谷》《永恒之塔》《最终幻想14》《血族》《超级地城之光》《Love Live》《城与龙》等。

叶洋，游卡桌游资深数据分析师，具有7年游戏行业数据分析、数据挖掘工作经验。

购买链接：https://item.jd/12248029.html

大数据分析师是指基于各种分析手段对大数据进行科学分析、挖掘、展现并用于决策支持的人员，在国内顶尖互联网公司，大数据分析师的薪酬可能要比同一个级别的其他职位高20%至30%，且颇受企业重视。现在魔据教育大数据培训专家就来和大家说一说，一个大数据分析师需要掌握的知识技能。

大数据分析师的能力体系　　

如下图：

1.数学知识

数学知识是大数据分析师的基础知识。对于初级大的数据分析师，了解一些描述统计相关的基础内容，有一定的公式计算能力即可，了解常用统计模型算法则是加分项。对于高级数据分析师，统计模型相关知识是必备能力，线性代数（主要是矩阵计算相关知识）最好也有一定的了解。而对于大数据挖掘工程师，除了统计学以外，各类算法也需要熟练使用，对数学的要求是最高的。

2.分析工具

对于初级大数据分析师，玩转Excel是必须的，数据透视表和公式使用必须熟练，VBA是加分。另外，还要学会一个统计分析工具，SPSS作为入门是比较好的。对于高级大数据分析师，使用分析工具是核心能力，VBA基本必备，SPSS/SAS/R至少要熟练使用其中之一，其他分析工具（如Matlab）视情况而定。对于大数据挖掘工程师……嗯，会用用Excel就行了，主要工作要靠写代码来解决呢。

3.编程语言

对于初级大数据分析师，会写SQL查询，有需要的话写写Hadoop和Hive查询，基本就OK了。对于高级大数据分析师，除了SQL以外，学习Python是很有必要的，用来获取和处理数据都是事半功倍。当然其他编程语言也是可以的。对于大数据挖掘工程师，Hadoop得熟悉，Python/Java/C++至少得熟悉一门，Shell得会用……总之编程语言绝对是大数据挖掘工程师的最核心能力了。

4.业务理解

业务理解说是大数据分析师所有工作的基础，大数据的获取方案、指标的选取、乃至最终结论的洞察，都依赖于大数据分析师对业务本身的理解。对于初级大数据分析师，主要工作是提取大数据和做一些简单图表，以及少量的洞察结论，拥有对业务的基本了解就可以。对于高级大数据分析师，需要对业务有较为深入的了解，能够基于大数据，提炼出有效观点，对实际业务能有所帮助。对于大数据挖掘工程师，对业务有基本了解就可以，重点还是需要放在发挥自己的技术能力上。

5.快速学习

无论做大数据分析的哪个方向，初级还是高级，都需要有快速学习的能力，学业务逻辑、学行业知识、学技术工具、学分析框架……

魔据教育大数据培训专家告诉大家：大数据分析领域中有学不完的内容，需要大家有一颗时刻不忘学习的心。

你还在为数据分析如何入门而苦恼吗？

该学哪些课程呢？

要不要学习Excel？

要不要学习SQL？

要不要学习数据可视化？

不会数据分析方法？

面对数据毫无头绪？

没有统计学基础怎么办？

……

现在再也不用烦恼了，以上问题，统统帮你解决

CDA数据分析员是中国商业联合会数据分析专业委员会针对企业基础数据分析岗位推出的基础项目。帮你从小白一步步进阶到数据分析大师。

课程架构

数据来源：互联网数据；内部数据；调研数据；

数据处理：清洗与加工；

数据分析方法：描述分析；推断分析；方差分析；回归分析；时间序列；聚类分析；因子分析等，更多数据分析方法咨询课程老师喽！！

报告展示：优秀作品展示；数据可视化

授课方式

CDA数据分析员采取远程学习方式，课件由行业内专家、讲师录制而成。

采用远程学习，可以让任何人在任何时间、任何地点，从任何章节开始学习任何课程，其便捷、灵活的“五个任何”，在学习模式上最直接体现了主动学习的特点，充分满足了现代教育和继续教育的需求。

加入课程后，你将从零开始，熟悉完整的数据分析流程，掌握从数据清洗到数据可视化各环节的关键技能，最终成为顶尖数据分析师，获得国家认证。

以下是一位在数据分析领域打滚了N年后，写下的一些体会，一定能给新人一些借鉴的地方。（总结的不错，大家可以借鉴学习哦）

一、数据分析师有哪些要求？

　　1、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。

　　2、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。

　　3、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。

　　4、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。

二、请把数据分析作为一种能力来培养

　　从广义来说，现在大多数的工作都需要用到分析能力，特别是数据化运营理念深入的今天，像BAT这样的公司强调全员参与数据化运营，所以，把它作为一种能力培训，将会让你终生受益。

三、从数据分析的四个步骤来看清数据分析师需具备的能力和知识：

　　数据分析的四个步骤（这有别于数据挖掘流程：商业理解、数据理解、数据准备、模型搭建、模型评估、模型部署），是从更宏观地展示数据分析的过程：获取数据、处理数据、分析数据、呈现数据。

　　（一） 获取数据

　　获取数据的前提是对商业问题的理解，把商业问题转化成数据问题，要通过现象发现本质，确定从哪些纬度来分析问题，界定问题后，进行数据的采集。此环节，需要数据分析师具备结构化的思维和对商业问题的理解能力。

　　推荐书籍：《金字塔原理》、麦肯锡三部曲：《麦肯锡意识》、《麦肯锡工具》、《麦肯锡方法》

　　工具：思维导图、mindmanager软件

　　（二） 处理数据

　　一个数据分析项目，通常数据处理时间占70%以上，使用先进的工具有利于提升效率，所以尽量学习最新最有效的处理工具，以下介绍的是最传统的，但却很有效率的工具：

　　Excel：日常在做通报、报告和抽样分析中经常用到，其图表功能很强大，处理10万级别的数据很轻松。

　　UltraEdit：文本工具，比TXT工具好用，打开和运行速度都比较快。

　　ACCESS：桌面数据库，主要是用于日常的抽样分析（做全量统计分析，消耗资源和时间较多，通常分析师会随机抽取部分数据进行分析），使用SQL语言，处理100万级别的数据还是很快捷。

　　Orcle、SQL sever：处理千万级别的数据需要用到这两类数据库。

　　当然，在自己能力和时间允许的情况下，学习新流行的分布式数据库及提升自身的编程能力，对未来的职业发展也有很大帮助。

　　分析软件主要推荐：

　　SPSS系列：老牌的统计分析软件，SPSS Statistics（偏统计功能、市场研究）、SPSS Modeler（偏数据挖掘），不用编程，易学。

　　SAS：老牌经典挖掘软件，需要编程。

　　R：开源软件，新流行，对非结构化数据处理效率上更高，需编程。

　　随着文本挖掘技术进一步发展，对非结构化数据的分析需求也越来越大，需要进一步关注文本挖掘工具的使用。

　　（三） 分析数据

　　分析数据，需要用到各类的模型，包括关联规则、聚类、分类、预测模型等，其中一个最重要的思想是对比，任何的数据需要在参照系下进行对比，结论才有意义。

　　推荐的书籍：

　　1、《数据挖掘与数据化运营实战，思路、方法、技巧与应用》，卢辉着，机械出版社。这本书是近年国内写得最好的，务必把它当作圣经一样来读。

　　2、《谁说菜鸟不会数据分析（入门篇）》和《谁说菜鸟不会数据分析（工具篇）》，张文霖等编着。属于入门级的书，适合初学者。

　　3、《统计学》第五版，贾俊平等编着，中国人民大学出版社。比较好的一本统计学的书。

　　4、《数据挖掘导论》完整版，[美]Pang-Ning Tan等着，范明等翻译，人民邮电出版社。

　　5、《数据挖掘概念与技术》，Jiawei Han等着，范明等翻译，机械工业出版社。这本书相对难一些。

　　6、《市场研究定量分析方法与应用》，简明等编着，中国人民大学出版社。

　　7、《问卷统计分析实务—SPSS操作与应用》，吴明隆着，重庆大学出版社。在市场调查领域比较出名的一本书，对问卷调查数据分析讲解比较详细。

（四） 呈现数据

　　该部分需要把数据结果进行有效的呈现和演讲汇报，需要用到金字塔原理、图表及PPT、word的呈现，培养良好的演讲能力。

　　推荐书籍：

　　1、《说服力让你的PPT会说话》，张志等编着，人民邮电出版社。

　　2、《别告诉我你懂ppt》加强版，李治着，北京大学出版社。

　　3、《用图表说话》，基恩。泽拉兹尼着，马晓路等翻译，清华大学出版社。

　　（五） 其他的知识结构

　　数据分析师除了具备数学知识外，还要具备市场研究、营销管理、心理学、行为学、产品运营、互联网、大数据等方面的知识，需要构建完整广泛的知识体系，才能支撑解决日常遇到的不同类型的商业问题。

　　推荐书籍：

　　1、《消费者行为学》第10版，希夫曼等人着，江林等翻译，中国人民大学出版社，现在应该更新到更高的版本。

　　2、《怪诞行为学》升级版，艾瑞里着，赵德亮等翻译，中信出版社

　　3、《营销管理》，科特勒等着，梅清豪翻译，格致出版社和上海人民出版社联合出版

　　4、《互联网思维—独孤九剑》，赵大伟主编，机械出版社

　　5、《大数据时代—生活、工作与思维的大变革》，舍恩伯格等着，周涛等翻译，浙江人民出版社

四、关于数据分析师的职业发展：

　　1、数据分析师通常分两类，分工不同，但各有优势。

　　一类是在专门的挖掘团队里面从事数据挖掘和分析工作的。如果你能在这类专业团队学习成长，那是幸运的，但进入这类团队的门槛较高，需要扎实的数据挖掘知识、挖掘工具应用经验和编程能力。该类分析师更偏向技术线条，未来的职业通道可能走专家的技术路线。

　　另一类是下沉到各业务团队或者运营部门的数据分析师，成为业务团队的一员。他们工作是支撑业务运营，包括日常业务的异常监控、客户和市场研究、参与产品开发、建立数据模型提升运营效率等。该类型分析师偏向产品和运营，可以转向做运营和产品。

　　2、数据分析师的理想行业在互联网，但条条大道通罗马，走合适你的路线。

　　从行业的角度来看：

　　1）互联网行业是数据分析应用最广的行业，其中的电商企业，更是目前最火的，而且企业也更重视数据分析的价值，是数据分析师理想的成长平台。

　　2）其次是咨询公司（比如专门的数据挖掘公司Teradata、尼尔森等市场研究公司），他们需要数据分析人才，而且相对来说，数据分析师在咨询公司成长的速度更快，专业也会更全面。

　　3）再次是金融行业，比如银行和证券等行业，该行业对数据分析的依赖需求，越来越大。

　　4）最后是电信行业（中国移动、联通和电信），它们拥有海量的数据，在严峻的竞争下，也越来越重视数据分析，但进入这些公司的门槛比较高。

五、什么人适合学习数据分析？

　　这个问题的答案跟“什么人适合学功夫”一样，毫无疑问，功夫是适合任何人学习的（排除心术不正的人），因为能够强身健体。而功夫的成效，要看习武者的修炼深浅。常常有人争论，是咏春拳厉害，还是散打厉害，其实是颠倒了因果，应该看哪个人练习得比较好，流派之间没有高低，只有人修炼的厚薄。

　　实际上，问题的潜台词是“什么人学习数据分析，会更容易取得成功（比如职业成功）”，这个要视乎你的兴趣、付出和机遇。但要做到出类拔萃，除了上面三点，还需要一点天赋，这里的机遇是指你遇到的职业发展平台、商业环境、导师和同事。

　　借用管理大师德鲁克的话“管理是可以习得的”，管理并非是天生的，而数据分析能力，也可以后天提升。或许做到优秀，只需要你更加的努力+兴趣，而这个努力的过程，也包括你寻找机遇的部分。

六、关于如何学习：

　　学习方法千万种，关键是找到适合自己的，最好能够结合你的工作遇到的问题来学习。

　　1、搜集书籍、案例库和视频，先弄懂理论，然后学会软件操作，自己制作属于自己的教程。

　　比如，你学习聚类分析模型。1）搜集相关的聚类分析模型的书籍、案例和教学视频，了解聚类分析的原理，主要有哪几种算法（划分、层次、密度、网格）、模型适用的范围和前提、如何评估模型的精确度等。

　　2）自己学会用软件来实现。

　　3）总结整理成一份PPT和制作操作视频，成为自己的学习教程，不断完善。

　　4）学习到一定程度后，可以在博客、微信等渠道分享，授人与渔，而自己也会有所收获。

　　2、关注名人、名博、网站，多渠道学习。

　　1）关注专业的数据分析、咨询公司网站和论坛，特别强调，统计软件公司的网站如SPSS的官网有很多案例库，值得关注。

　　SPSS的案例库，可在官网上搜索各类案例：http://ibm/developerwork … 8zhangzy/index.html

　　另外，你最好建一个自己的网址导航目录，提升你的学习效率

　　2）关注名人名博，最好能加他们的微博、微信和微信公众号，看牛人的博客和微信等内容，还是能得到很多引导，这个你懂的。

　　3）加入一些有共同爱好的QQ群，互相学习交流。通常群里有人会提出一些真实的运营问题，然后大家用不同的方法去解决，对思路很有启发。

　　4）碎片化学习，最大化你的时间价值。为了把零散的时间利用起来，通常我会把一些资料上载到网盘，在零碎的时间里通过手机进行视频、文档学习等。目前使用百度云盘和360网盘。百度云盘应用比较广，通常在网络上搜索“关键词+百度云”后，搜到结果可以直接保存在云盘上，搜索保存速度极大提升。360网盘则空间比较大，可以到达40T，同时有保险箱加密功能，安全性高一些。

　　手机上安装一些APP，随时随地学习。

七、最后的建议

　　请再次问问自己，是否真的喜欢数据分析，能否忍受处理数据时的寂寞？如果是，那就开始学习，给你几条建议。

　　1、把数据分析作为一种能力培养，让自己在现在的团队中展现出良好的数据分析能力，为你以后内部转岗做好准备。如果内部转岗不成，你可以考虑跳槽到我之前分析的行业中，但我强烈建议你还是需要把系统开发的编程能力学习好，并且对商业智能系统（BI和CRM）有一定了解，这也许是应聘数据分析的优势。如果没有数据分析经验去应聘，相对会难一些，用人单位会考你统计和数据挖掘模型方面的知识，以及工具使用情况。

　　2、在公司里找一些有共同爱好的同事一起学习数据分析，平时多请教数据分析做得好的同事，它山之石，可以攻玉。

　　3、扎实学好一、两门数据挖掘软件，基于你有编程的基础，建议你可以学SAS或者R，同时辅助学习SPSS Modeler。如果没编程基础或者希望短期能够取得成效，那也可以先学习SPSS。SAS+SPSS，基本能够满足很大部分企业的需求，三者都会，那更好。

　　4、要了解公司是如何运营，产品是如何开发的，如何做客户研究锁定客户需求，如何做产品营销，这些需要不断工作积累和广泛的阅读。

　　5、开始学习时，先读几本有趣的数据分析类的书，然后系统学习一下统计知识（建议教材用《统计学》第五版，贾俊平等编着），接着网上快速搜集软件操作视频和案例，然后逐个分析模型进行学习和总结归纳，学习最好能够结合实际工作中的问题进行。

　　6、学习到一定程度时，参加一些数据分析师的职业认证，进一步梳理知识结构，同时认识一些志同道合的朋友和老师，也是对你有很大帮助。

　　希望你能够成为你想成为的人！

End.

来源：36大数据

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�...

今天跟大家分享狮子和老虎谁才是真正的王者？专家大数据分析得结果，不可思议！在当今影视作品泛滥的今天，许多导演都喜欢将百兽之王这个卖点加于电影中，可是一时是老虎，一时又是狮子，搞得观众们头都昏了，根本无法判断最终的结果。到底谁才是真正的王者。

众所周知，若要成为百兽之王，那么打架能力绝对是最终要的标准，也就是说只要让狮子和老虎认认真真地干上一架，那么便可知道哪种动物能胜任百兽之王的称号了。当然，谁赢了谁就是王者。

可是由于种种因素的阻扰，我们不可能无缘无故地让狮子老虎打架，这也很不公平，所以只好以大数据的方式，对这两种动物进行分析比较，根据动物形状分类，老虎和狮子都属于猫类动物，老虎是猫类动物中身形最强壮的存在，狮子只是排行第二。除了身体外形，还有两个因素可决定最终的结果：心脏容量以及爪子。是不是感觉很不可思议？

据生物观测得知，老虎前掌是猫科中最大的，雄虎的掌宽约10.5-11.5cm，雌虎约8.5-9.5cm，雄狮约7.5cm。而在心脏容量方面，老虎的远大与狮子的，这便有助于老虎迅速地回复体力。因此，除非狮子天生奇异，不然的话在正常情况下是绝对打不过老虎的，老虎才是真正的百兽之王，这下你们都知道谁才是王者了吧。

得益于大数据的蓬勃发展，数据分析师已成为当下企业招聘中最热门的职位。在不久前小编参加的《探秘数据可视化》沙龙活动上，有不少大学毕业生甚至是博士后，表示未来想从事数据分析方面的工作。

在这之前，如果你想提高自己的专业能力，不妨去考取一些高含金量的认证证书，这对于未来的求职将有很大帮助，以下是我们整理的一些国内外普遍受到认可的数据分析认证，仅供参考。

分析认证资质：大数据优化

这是一套本科课程，主要面向企业业务人员、市场营销、数据分析师、金融行业人员以及中小企业领导层。该套课程涵盖了数据统计、数据分析和沟通技巧等内容，包括各类大数据分析工具介绍、数据导入、探索式分析、构建分析模型等等。想要学习这套课程，最好有一些统计学知识背景。

课程来源：特拉华大学

课程价格：2895美刀，约合2万元人民币

大数据分析与优化工程卓越认证（CPEE）

该证书由印度国际工程学院颁布，其在海得拉巴和班加罗尔都有校区。想要取得该证书，学员需要在18周内完成10项课程，包括使用Hadoop和R语言处理大数据、统计建模、数据分析、机器学习、数据挖掘和优化等。学员在此期间可以接触到世界顶尖项目以及一系列的测试评估。

课程来源：国际工程学院（INSOFE）

课程价格：3000卢比申请费，325000卢比课程费+15%服务税，约合4万元人民币

数据科学专业成就认证

该项认证主要面对具备基础数据科学技能的人群，主要包括四项课程：数据科学算法（CS/IEOR）、概率统计（STATS）、数据科学机器学习（CS）以及探索式分析和可视化（STATS）。

课程来源：哥伦比亚大学

课程价格：每学分1936美元（至少完成12学分，其中包括四门必修课程），约合15万元人民币

认证分析专家（CAP）

认证分析专家（CAP）是国际上广为流行的一种数据分析资质认证，该项认证主要考核学员对于整个数据分析流程的认知和理解。目前，在全球一百多个国家都可以进行CAP报名和考试。

课程来源：INFORMS

课程价格：INFORMS会员价格495美元，非会员695美元，约合3500元人民币

CCA数据分析师

想要考取CCA数据分析师，你需要掌握一些SQL语言知识。相比于其他认证，CCA的技术门槛更高，它主要面向SQL开发人员、数据分析师、商业智能专家、发人员、系统架构师和数据库管理员。

课程来源：Cloudera

课程价格：295美元，约合2000元人民币

EMC数据科学家助理（EMCDSA）

这是EMC提供的一套培训教程，主要介绍如何利用大数据和数据分析解决现有业务所面临的挑战，具体包括数据分析生命周期、分析工具、统计建模、数据可视化等。

课程来源：戴尔EMC教育服务

课程价格：在线学习，600美元/每节课；讲师指导，5000美元

CPDA数据分析师

CPDA是国内较为知名的数据分析认证之一，其官网介绍，CPDA数据分析师是中国数据分析行业唯一认可的职业证书。该课程包括为期8天的面授，以及远程培训，具体课程包括数据采集、清洗、数据挖掘、数据分析、可视化展示、实际应用等。

课程来源：中国商业联合会数据分析专业委员会

课程价格：8800人民币/人，费用包括八天课程面授及远程中心一年使用期，全套教材（四本）、讲义（一套）、考试费、证书费。

CDA数据分析员

CDA数据分析员是一个入门级的认证，它主要面向想从事数据分析工作的大学毕业生。CDA数据分析员采用远程授课方式，课程也比较简单，主要包括数据源、数据处理、数据分析方法以及可视化展现。

课程来源：中国商业联合会数据分析专业委员会

课程价格：1500人民币/人，包含培训费，教材费，考试费，证书费

CDA数据分析师

CDA数据分析师一套专业化，科学化，国际化，系统化的人才考核标准，分为Level I（业务分析师）、Level II（建模分析师）、Level II（大数据分析师）、Level III（数据科学家）四个等级，涉及金融、电商、医药、互联网、电信等行业大数据及数据分析从业者所需要具备的技能。

课程来源：经管之家CDA数据分析研究院

课程价格：Level I 1000人民币；Level II 1500人民币；Level III 1800人民币

看了这么多，最后希望大家可以根据自己的知识结构和经济能力合理选择，期待你早日成为数据科学家！

大数据分析师为目标，从数据分析基础、JAVA语言入门和linux操作系统入门知识学起，系统介绍Hadoop、HDFS、MapReduce和Hbase等理论知识和hadoop的生态环境

大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。

大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。

大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。

大数据分析广泛应用于网络数据挖掘，可从用户的搜索关键词、标签关键词、或其他输入语义，分析，判断用户需求，从而实现更好的用户体验和广告匹配。

大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。 大数据分析的基础就是以上五个方面，当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。

要明白分析什么数据，大数据要分析的数据类型主要有四大类：

大数据平台能够获取时间跨度更大、更海量的结构化交易数据，这样就可以对更广泛的交易数据类型进行分析，不仅仅包括POS或电子商务购物数据，还包括行为交易数据，例如Web服务器记录的互联网点击流数据日志。

非结构数据广泛存在于电子邮件、文档、图片、音频、视频，以及通过博客、维基，尤其是社交媒体产生的数据流。这些数据为使用文本分析功能进行分析提供了丰富的数据源泉。

能够上网的智能手机和平板越来越普遍。这些移动设备上的App都能够追踪和沟通无数事件，从App内的交易数据（如搜索产品的记录事件）到个人信息资料或状态报告事件（如地点变更即报告一个新的地理编码）。

器、工厂机器和连接互联网的家用电器。这些设备可以配置为与互联网络中的其他节点通信，还可以自动向中央服务器传输数据，这样就可以对数据进行分析。机器和传感器数据是来自新兴的物联网（IoT）所产生的主要例子。来自物联网的数据可以用于构建分析模型，连续监测预测性行为（如当传感器值表示有问题时进行识别），提供规定的指令（如警示技术人员在真正出问题之前检查设备）。

三、如何区分三个大数据热门职业——数据科学家、数据工程师、数据分析师

随着大数据的愈演愈热，相关大数据的职业也成为热门，给人才发展带来带来了很多机会。数据科学家、数据工程师、数据分析师已经成为大数据行业最热门的职位。它们是如何定义的？具体是做什么工作的？需要哪些技能？让我们一起来看看吧。

数据科学家的工作职责

数据科学家倾向于用探索数据的方式来看待周围的世界。把大量散乱的数据变成结构化的可供分析的数据，还要找出丰富的数据源，整合其他可能不完整的数据源，并清理成结果数据集。新的竞争环境中，挑战不断地变化，新数据不断地流入，数据科学家需要帮助决策者穿梭于各种分析，从临时数据分析到持续的数据交互分析。当他们有所发现，便交流他们的发现，建议新的业务方向。他们很有创造力的展示视觉化的信息，也让找到的模式清晰而有说服力。把蕴含在数据中的规律建议给Boss，从而影响产品，流程和决策。

数据工程师的工作职责

分析历史、预测未来、优化选择，这是大数据工程师在“玩数据”时最重要的三大任务。通过这三个工作方向，他们帮助企业做出更好的商业决策。

大数据工程师一个很重要的工作，就是通过分析数据来找出过去事件的特征。通过引入关键因素，大数据工程师可以预测未来的消费趋势。在阿里妈妈的营销平台上，工程师正试图通过引入气象数据来帮助淘宝卖家做生意。比如今年夏天不热，很可能某些产品就没有去年畅销，除了空调、电扇，背心、游泳衣等都可能会受其影响。那么我们就会建立气象数据和销售数据之间的关系，找到与之相关的品类，提前警示卖家周转库存。

根据不同企业的业务性质，大数据工程师可以通过数据分析来达到不同的目的。

与传统的数据分析师相比，互联网时代的数据分析师面临的不是数据匮乏，而是数据过剩。因此，互联网时代的数据分析师必须学会借助技术手段进行高效的数据处理。更为重要的是，互联网时代的数据分析师要不断在数据研究的方法论方面进行创新和突破。

数据分析师的工作职责

就行业而言，数据分析师的价值与此类似。就新闻出版行业而言，无论在任何时代，媒体运营者能否准确、详细和及时地了解受众状况和变化趋势，都是媒体成败的关键。

此外，对于新闻出版等内容产业来说，更为关键的是，数据分析师可以发挥内容消费者数据分析的职能，这是支撑新闻出版机构改善客户服务的关键职能。

1、懂业务

从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。

2、懂管理

一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导，如果不熟悉管理理论，就很难搭建数据分析的框架，后续的数据分析也很难进行。另一方面的作用是针对数据分析结论提出有指导意义的分析建议。

3、懂分析

指掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效的开展数据分析。基本的分析方法有：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高级的分析方法有：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。

4、懂工具

指掌握数据分析相关的常用工具。数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作。

5、懂设计

懂设计是指运用图表有效表达数据分析师的分析观点，使分析结果一目了然。图表的设计是门大学问，如图形的选择、版式的设计、颜色的搭配等等，都需要掌握一定的设计原则。

首先，各个公司对数据科学家的定义各不相同，当前还没有统一的定义。但在一般情况下，一个数据科学家结合了软件工程师与统计学家的技能，并且在他或者她希望工作的领域投入了大量行业知识。

大约90%的数据科学家至少有大学教育经历，甚至到博士以及获得博士学位，当然，他们获得的学位的领域非常广泛。一些招聘者甚至发现人文专业的人们有所需的创造力，他们能教别人一些关键技能。

因此，排除一个数据科学的学位计划（世界各地的著名大学雨后春笋般的出现着），你需要采取什么措施，成为一个数据科学家？

复习你的数学和统计技能。

一个好的数据科学家必须能够理解数据告诉你的内容，做到这一点，你必须有扎实的基本线性代数，对算法和统计技能的理解。在某些特定场合可能需要高等数学，但这是一个好的开始场合。

了解机器学习的概念。

机器学习是下一个新兴词，却和大数据有着千丝万缕的联系。机器学习使用人工智能算法将数据转化为价值，并且无需显式编程。

学习代码

数据科学家必须知道如何调整代码，以便告诉计算机如何分析数据。从一个开放源码的语言如python那里开始吧。了解数据库、数据池及分布式存储。数据存储在数据库、数据池或整个分布式网络中。以及如何建设这些数据的存储库取决于你如何访问、使用、并分析这些数据。如果当你建设你的数据存储时没有整体架构或者超前规划，那后续对你的影响将十分深远。

学习数据修改和数据清洗技术

数据修改是将原始数据到另一种更容易访问和分析的格式。数据清理有助于消除重复和“坏”数据。两者都是数据科学家工具箱中的必备工具。

了解良好的数据可视化和报告的基本知识。你不必成为一个平面设计师，但你确实需要深谙如何创建数据报告，便于外行的人比如你的经理或CEO可以理解。

添加更多的工具到您的工具箱

一旦你掌握了以上技巧，是时候扩大你的数据科学工具箱了，包括Hadoop、R语言和Spark。这些工具的使用经验和知识将让你处于大量数据科学求职者之上。

练习

在你在新的领域有一个工作之前，你如何练习成为数据科学家？使用开源代码开发一个你喜欢的项目、参加比赛、成为网络工作数据科学家、参加训练营、志愿者或实习生。最好的数据科学家在数据领域将拥有经验和直觉，能够展示自己的作品，以成为应聘者。

成为社区的一员

跟着同行业中的思想领袖，阅读行业博客和网站，参与，提出问题，并随时了解时事新闻和理论。以大数据分析师为目标，从数据分析基础、JAVA语言入门和linux操作系统入门知识学起，系统介绍Hadoop、HDFS、MapReduce和Hbase等理论知识和hadoop的生态环境，详细演示hadoop三种模式的安装配置，以案例的形式，重点讲解基于mahout项目的大数据分析之聚类、分类以及主题推荐。区别于普通的JAVA程序员，本课程的重点是培养基于Hadoop架构的大数据分析思想及架构设计，通过演示实际的大数据分析案例。

随着数据科学和大数据作为主流职业选择的出现，不少人对相关职位名称的内涵存在一定的混乱，有些人认为大数据等同于数据科学，另外有些人则认为大数据是数据科学的子集。数据科学已经存在了很长一段时间，而大数据则是相当新的，它源于数据科学。

下面是数据分析师，数据科学家和大数据专家之间的一点比较。

数据分析师

1. 定义

使用自动化工具，他们可以获取分离的数据和见解。他们定义数据集并进行广泛的人口统计分析以确定与业务和产品相关的策略。

2. 所需技能

编程，统计学和数学，机器学习，数据可视化和通信技术，数据处理和数据集定义

3. 适用领域

医疗保健，保险，旅游，行政，游戏，分布式系统

数据科学家

1. 定义

获取数据，构建和维护数据库，根据各种需求清理和分离数据，并从事数据可视化和分析工作。

2. 所需技能

SAS/R/类似工具，Python，Hadoop，SQL，重构数据，数据库构建和管理

3. 适用领域

搜索引擎，广告，自适应算法，AI系统

大数据专家

1. 定义

处理连续大量的数据，定义用于分析的参数和数据集，并编制分析系统，为企业提供战略见解。

2. 所需技能

数学和统计学，程序设计和计算机科学，分析技能，商业战略

3. 适用领域

零售，电子商务，金融服务，通信

正如所看到的，数据分析是这些选项中最基本的。数据分析师的工作有更广泛的应用，因此在不同的行业应用更加多样化。即使数据分析师的教育和学术要求也较低。

接下来是大数据工作，这些工作相当复杂，需要高级技能。有时候，大数据认证是获得大数据分析师工作的强制性要求。由于数字技术在各行业的普及，大数据工作的范围日益扩大。

最重要的是数据科学工作。数据科学认证是获得工作的必备条件。数据科学家的范围比大数据要低，这是由于数据科学不同的概况所致。

有了以上信息，数据分析师、数据科学家和大数据专家之间的差异应该清楚。这个信息可以用于在数据分析和商业战略领域制定更好的职业规划。

原文链接：https://blog.csdn/chszs/article/details/80658582

作者：chszs

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。