所谓数据分析能力，指的是能够透过数据现象看到事物本质的能力。外界的表象容易蒙蔽我们的双眼，数据能够帮助我们拨开云雾见青天。

本次主要介绍如何通过数据分析帮助我们快速了解行业趋势。

一、通过行业指数，快速了解行业热度

关于行业指数，每个行业都不同的指数平台，国内的有百度指数和阿里指数，前者属于综合性分析平台，而后者则属于电商平台。

下面以百度指数为例，谈谈如何通过指数搜索了解宏观趋势和行业热点。

1、趋势研究，抓住行业动态

通过趋势研究，我们可以清晰的了解到所关注行业的近期搜索趋势，重点关注异常趋势，深入发掘行业热点事件。

比如滴滴的搜索趋势在2018年8月26日达到的峰值，原因就是滴滴顺风车事件。

再比如京东的搜索趋势，在2018年6月18日达到峰值，原因是京东大促，而导致最近搜索趋势上升的原因则是东哥在美国的那些事。

2、需求图谱，了解行业需求

通过需求图谱，我们能够抓住所关注行业的核心和周边需求点，开拓研究的视角，全面了解所在行业。

比如手机的需求图谱，我们可以了解到和手机有关的周边关键字。

3、资讯关注，查询相关报道

资讯关注，这也是百度指数的优势所在，展现所关注行业的最新资讯，第一时间查看相关新闻。

4、人群画像，帮助产品定位

通过人群画像，能够帮助我们很好的进行人群定位和角色画像，更加有针对性的开展工作。

二、通过第三方分析报告，深度了解行业数据

行业分析报告，一般都由专业的团队，经过长期的数据收集和深度的数据分析而生成，比较具有可靠性和专业性。也正是如此，行业报告大都需要付费才能查看。

现在国内有很多的第三方平台，会不定期发布行业报告，我们可以通过这些报告更加直观的了解行业的相关数据、发展趋势和行业动向。

目前国内主流的分析报告平台有艾瑞咨询、易观智库、企鹅智酷、talkingdata、友盟等等平台。另外大家也可以善用搜索引擎查找关注的分析报告。

三、有条件的前提下，自己抓取数据并分析

这一点说实话我自己都没有做到，这里仅供有能力的人进行参考。我们可以自己去抓取行业数据，只不过这里需要做大量的前期工作。

首先，我们需要了解到我们需要的是哪些数据，并且确定哪些网站可以提供相关数据。

确定好数据来源之后，我们需要将这些数据抓取并提炼出来，有能力的同学可以自己抓取，像我这样的，只能寻找别人的帮助或付费抓取；

最后，数据提炼出来后，我们需要对这些数据进行相关分析，从中寻找我们想要的结果。至此，我们才能够得到一份比较详实的数据分析结果，有能力的同学可以尝试下。

到此，我们已经掌握了为达成商业目的所需要具备的宏观分析能力。下期开始，我们将开始介绍产品经理为了协调各方资源而必须具备的沟通能力和领导力。

尾巴：这是一个最好的时代，互联网带给我们丰富的资讯和数据，只要我们善加利用，就可以帮助我们认清整个行业。这是一个最坏的时代，到处都充斥着大量的虚假和垃圾信息，我们忙于筛选有效信息而忙碌奔波。到最后才发现，我们都只是这个时代的弄潮儿，每个人都扮演着各自小丑的角色。我们能够通过各种方法认清这个世界，却始终没法认清我们自己。

优秀的数据分析师需要具备这样一些素质：有扎实的 SQL 基础，熟练使用 Excel，有统计学 基础，至少掌握一门数据挖掘语言（R、SAS、Python、SPSS），有良好的沟通和表达能力，做好 不断学习的准备，有较强的数据敏感度和逻辑思维能力，深入了解业务，有管理者思维，能站在 管理者的角度考虑问题。

首先，要打好扎实的 SQL 基础。

SQL 基础之所以重要，是因为数据分析师分析的数据大多都是从数据库中提取而来的。有良好的 SQL 功底并能熟悉使用，不仅能提取到需要的数据，还能大大提高工作效率。尽管有部分数 据可以通过报表等其他途径获得，但绝大多数的数据仍需要通过自己写 SQL 语句。对于一些需要 深入分析用户行为的数据， 用 SQL 提取数据的时间可能会占据整个数据分析过程的 50%，甚至 80% ，而对于未开发成数据报表的常用数据需求，比如游戏封测、开测期间的日报和周报，则需 要编写大量的 SQL 语句来查询相应数据，这时如果熟悉存储过程，能够自动化或半自动化地实现 日常数据收集，就会事半功倍了。

目前使用较多的数据库有 MySQL、SQL Server 和 Oracle， 数据分析师必须掌握的常用语句和函数有如下几种 。

（1）合计和标量函数：Count()、Max()、Sum()、Upper()、lower()、Round()等。

（2）distinct——distinct 关键字可以过滤重复的数据记录。

（3）Top——结合 select 语句，Top 函数可以查询头几条和末几条的数据记录（仅限 SQL Server， 在其他数据库，可用 limit 语句、rownum 列等方式实现相似的目的）。

（4）Order By——结合 select语句，Order By 可以让查询结果按某个字段正序和逆序排列。

（5）Group By——Group By 子句可以对查询的结果集按指定字段分组。

（6）Group By & Having 子句——Having 语句基于 Group By，定义分组条件。

（7）Inner Join，Left Outer Join，Right Outer Join and Full outer Join——多表的列关联，即通过 Join 可以将不同物理表中的数据列根据一定的关联条件合并成一个结果集。

（8）Union 合并查询：Union/Union ALL 查询可以把多张表的数据行合并起来，Union 在合并 时重复的数据仅保留一行，而 Union ALL 则是直接合并，不会处理重复行。 在大数据时代，有很多查询工具可供选择。Hive 和 SQL 是目前比较主流的工具。Hive 是基 于 Hadoop 的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供完整的 SQL 查询功能，可以将 SQL 语句转换为 MapReduce 任务进行运行。Hive 和 SQL 是非常相似的， 主要的区别就是 Hive 缺少更新和删除功能。如果你可以熟练使用 SQL，就可以平稳过渡到 Hive。 另外，一定要注意两者在结构和语法上的差异。

其次，要熟练使用 Excel。

Excel 可以进行各种数据的处理、统计分析和辅助决策操作，作为常用的数据处理和展现工 具，数据分析师除了要熟练将数据用 Excel 中的图表展现出来，还需要掌握为生成的图表做一系 列的格式设置的方法，如：系列格式美化、三维格式美化，以及坐标轴和网格线设置等，图表可 以与函数或宏等功能一起联用，制作出模拟图表或带有交互效果的高级图表，比如在中国地图上标注各省的人口分布等，实现这些能得到更好地数据分析和查看效果。Excel 里面自带的数据分析 功能，很大程度上能完成专业统计软件（R、SPSS、SAS、Matlab）的数据分析工作，这其中包括 描述性统计、相关系数、概率分布、均值推断、线性、非线性回归、多元回归分析、时间序列等 内容。熟悉使用 Excel 的各项功能对一名优秀的数据分析师来说非常重要。

再次，要有统计学基础。

统计学是收集、处理、分析、解释数据并从数据中得出结论的科学，其中的理论及依据就是 数据分析的理论和依据。统计学是数据分析的理论基础，可以使数据分析更加系统化，以系统的 数据科学作为数据分析的指导，才会更好地为数据分析服务。没有统计学基础的分析师的职业发 展之路不会长远，因为其在工作中可能会常常遇到不知道该用什么方法找寻数据规律的瓶颈，因 此掌握数据分析的统计学基础知识是成为一名优秀数据分析师的基础，这也是在招聘数据分析师 岗位时要求应聘者具有统计学知识的原因。当然，如果不是统计或数学专业，分析师还可以通过 自学统计学相关书籍的方法学习。

统计学知识主要包含： 用于集中趋势分析的平均数、中数、众数；用于离中趋势分析的全距、 四分差、平均差、方差、标准差；研究现象之间是否存在某种依存关系的相关分析；确定两种或 两种以上变数间相互依赖的定量关系的回归分析；揭示同一个变量的各个类别之间的差异，以及 不同变量各个类别之间的对应关系的关联分析、R-Q 型因子分析；研究从变量群中提取共性因子 的因子分析；用于两个及以上样本均数差别的显著性检验的方差分析；概率及分布、参数估计、 假设检验等经典统计学内容。

最后，至少熟悉并精通一种数据挖掘工具和语言。

以 R 语言为例，R 编程语言在数据分析与机器学习领域已经成为一款重要的工具。R 作为脚 本语言凭借其良好的互动性和丰富的扩展包资源可以方便地解决大部分数据处理、变换、统计分 析、可视化的问题，并可以重现所有的细节。R 的优势在于有包罗万象的统计函数可以调用，特 别是在时间序列分析方面（在游戏行业也有很好的应用），无论是经典还是前沿的方法都有相应的 包可以直接使用。因此，掌握 R 语言可以提高整体的生产力。然而，要成为一名优秀的数据分析 师，仅学会使用一门语言远远不够，还需要修改数据挖掘语言的程序包或模型，因为现有的程序 包或模型有局限性，在前期数据处理上还是不够自由，如异常值的处理、变量处理等，而自己写 代码编程也可以根据自己的需求进行编写，实现更多的个性化需求。

一名优秀的数据分析师，还应该主动熟悉业务。

以游戏公司为例， 如果不熟悉游戏产品制作流程、系统架构、基本运营思路，不知道游戏玩家的基本游戏行为和情感诉求，那么数据分析工作就相当于空中楼阁，所以要多了解策划人员的 游戏设计理念、运营人员的版本计划，抓住一切机会多观察和学习其工作思路和方法，并参与其 具体的实施过程，这样才能逐步积累真正的游戏业务经验。现实情况中很多游戏数据分析师都没有这样的经历，也就没有相关的经验积累，所以他们大多数的工作产出主要是一些非产品相关的 平台数据分析内容和结论；当然，笔者相信并非他们不愿意去积累，而是受限于企业中的一些机 制，比如大多数游戏数据分析师是在技术部门或平台部门，而非具体的产品部门，少有切实深入 到业务现场的机会。 在这种环境下 ，更需要自己主动去了解业务，多玩游戏，多主动和产品部门 联系，若脱离行业认知和游戏业务背景，即使有很好的统计学功底，分析的结果也往往只能停留 在数据解读层面，甚至出现因为不了解业务背景而使结论错误的情况。 从另外一个角度来说 ，懂 业务也是数据敏感的体现，不懂业务的数据分析师，看到的只是一个数字。反之，懂业务的数据 分析师，则看到的不仅仅是数字，他明白这个数字代表什么意义，更能针对数据分析结论提出有 针对性的建议，对产品或者企业来说都是非常有价值的。

懂游戏业务是做游戏数据分析师的基本要求，这种观点不仅适用于游戏行业，对任何其他行业也是一样的道理。优秀的分析师不仅要懂业务，而且要非常熟悉业务。

撰写报告的能力对成为一名优秀的分析师来说也非常重要。

即便有严谨的分析思路和有价值的数据资料，如果不能将其写成报告，或者写的报告未能准确清楚地表达出数据中隐含的规律，那数据的价值将大打折扣。一份好的分析报告，数据资料是 功底，报告的框架是支柱，报告的格式是军装，独特见解是亮点，预测方法是刀枪，正确的判断 是见证。在撰写报告时，深入地思考，深入分析，逻辑严谨，结论有说服力，能提前预测数据趋 势，能从问题中引申出解决方案，提出有指导意义的分析建议，这些都是一名优秀的分析师所体 现的特质。

除了以上的硬实力，数据敏感力、逻辑思维能力、归纳能力、批判性思维能力、交流沟通能力、责任力这些软性的技能也是优秀分析师必须具备的素质。另外，如果分析师能站在更高的角 度思考问题，有管理者的思维，则能在众多分析师中能脱颖而出。

以上有些素质是我们在入职场之前就具备的，而有些则需要进入行业环境后逐步积累和建立。 成为优秀的数据分析师需要具备过硬的业务素养和技术能力，这绝非一朝一夕之功，需要在实践 中不断成长和升华。一个优秀的数据分析师应该以数据价值为导向，放眼全局、立足业务、善于 沟通，认真对待每一次的数据分析工作，在工作中快速成长。

数据分析是一项技术性很强的工作，要想在工作和研究中取得成功，你应该具备多种关键技能和素质。在本文中，我们将深入探讨一些有助于数据分析师完成工作的职业素质。

通常认为分析师需要具备的职业素质有很多，根据我的工作经验，我们将重点关注其中五个。

条理清晰

一个优秀的数据分析师必须能系统地解决问题。数据分析首先就需要你能够仔细、清晰地建立数据搜集的分步指南，以指导他人按照指南搜集数据（数据搜集的工作一般不属于分析师的职责范围）。需要特别重视的一点就是，指南的任何一点歧义都可能导致对数据的严重误读。

洞察力

按照项目的方向设计搜集策略并找到结果是一回事，而根据结果给出专家意见是另一回事。一位优秀的数据分析师不仅要读懂数据给出趋势，还要结合具体项目和公司战略洞察到趋势背后的逻辑（不要认为这是项目经理或产品的工作）。数据分析师的报告应反映这种洞察，你要明白一点，很多时候，你的项目经理、产品经理或其他要看这份报告的人，他们并没有具备像你一样的专业素养，他们不仅仅是要一个趋势，更需要数据分析师视角下的专家意见。请记住，一个优秀的数据分析师一定是积极主动的，一定是具有洞察力的，他们无需等待被告知如何去做即可完成他们应做的事情。

想象力

想象力不仅仅适合孩子。为了使数据真正的独一无二，出色的数据分析师会使数据可视化。这就是我们常说的让你的数据说话。例如，数据分析师可以利用数据可视化工具（我常用的是D3和Gephi）来帮助建立数据“活”模型。通常”活“模型（即动态模型）比静态模型更有表现力，但要注意选用哪种模型目的是为了表现数据而不是好看。一个优秀的数据分析师可以讲述数据的故事，以帮助其他人更好地理解分析结果。

保持怀疑

没有数据收集过程是完美的，所有你将分析的数据集都有其缺陷。对于数据分析师来说，怀疑主义只是对这一事实的认可。数据分析师需要能够识别其数据中的缺陷，并且有义务在报告中讲明这些缺陷和清楚地解释这些缺陷可能是如何影响他们的分析结果。需要注意，数据分析师应该关注数据所反映的任何一种趋势、观点、逻辑，而不仅仅是那些看起来跟项目相关的，这是因为你的专业视角可以帮助你发现问题的本质，但也会阻碍你看到其他视角下的问题。

善于发现模式

这是一个重要素质，因为数据在很大程度上反映某种模式。优秀的数据分析师可以通过查看不同的数据集来确定趋势以及触发这些趋势的原因，最终形成一个模式，这会帮助公司在未来复制成功的模式和规避错误。

结论

虽然计算机可以获取数据并对其进行操作、读取、分析，但只有优秀的数据分析师才能使这些数据变得有意义。他们可以将数字变成其他人可以使用的有意义的模式。顶尖的数据分析师可以帮助他们的公司通过使用通常很难被解释的数据来发现业务中存在的问题。

最后，除了条理清晰、洞察力、想象力、保持怀疑、善于发现模式外，请保持谦虚、谨慎和务实，这是作为一个数据分析师的职业道德。

随着互联网经济的爆发，我们进入了大数据时代，数据成为最重要的生产资料。通过数据看待事物，往往可以更直观、清晰的看到事物的本质，指导我们做出更理智的决策。

数据驱动的时代，不管从事什么行业，掌握一定的数据分析能力，可以帮助你更好的认识这个世界，更好的提升工作效率，更有竞争力。

Excel是我们平时接触最广泛的软件，但它的功能我们大多数人用了1%不到，掌握好Excel,可以让我们应对工作中绝大部分的数据处理需求。

为什么可以和我一起学？

1.自学Excel，学习中的困惑，小编都感同身受有。

2.我是一线数据分析从业人员，从实际工作中案例讲解知识，事倍功半。

3.侧重学练结合，有讲必有练，可有保证跟着学技能会得到大幅度提升。

基于此，小编根据多年实际工作中用到的知识，准备了这套Excel课程，希望你可以加入进来，和我们一起完成一次有意义的学习体验。

未来的两个月，会将Excel中常用的函数，用生动有趣的方式展示给大家。

如果大家在使用Excel中有困惑，可以搜索“进化er”,可以方便的帮助到你。

如何成为一名数据分析师？不仅取决于你的技能和经验，还有教育和培训，都是你成为数据学家的过程中的重要因素。如果全部具备，那么你的数据分析事业将会变得更加顺利。

数据分析师的薪水

数据分析是一个快速增长和利润丰厚的行业，BLS预测到这个行业职位将在2024年前增长11％。数据分析师目前正是一个热门的职业。在Glassdoor的美国50年最佳职位报告中，数据分析师的职位空缺，薪水和总体满意度评级，在各行业中均名列前茅。以下是一些与数据分析相关的最受欢迎的职位以及每个职位的平均薪水：

分析经理 - 92,249美元商业智能分析师 - 66,003美元数据分析师 - 57,768美元数据架构师 - 112,790美元数据工程师 - 90,811美元研究分析师 - 52970美元研究科学家 - 77,330美元统计员 - 71,374美元

当然数据分析师的薪资与能力是成正比的。

数据分析师的技能要求

程序设计：编程提高了你的统计技能，帮助你“分析大型数据集”，并使你能够创建自己的工具。

定量分析：分析大型数据集的一项重要技能，定量分析将提高你运行实验分析的能力，扩展你的数据策略并帮助你实现机器学习。

产品直觉：理解产品将有助于你进行定量分析，它还将帮助你预测系统行为，建立指标并提高调试技能。

沟通：可能是所有行业中最重要的软技能，强大的沟通技巧将帮助你“充分利用以前列出的所有技能”。

团队合作：就像沟通一样，团队合作对于成功的数据科学事业至关重要。它需要无私，接受反馈并与团队分享你的知识。

这些都是数据分析师必备技能，但是对初学者来说面对大量的数据，还是会感觉到困扰。

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。

一：编程能力

　　是否会编程是区别初级数据分析师和高级数据分析师的分水岭。在这里，我定位的是高级数据分析师，所以编程能力尤为重要，我把它放在了第一位。

　　有关数据分析的编程语言有Python和R语言。R语言倾向于统计分析、绘图等。统计学家或者学统计学的喜欢用R语言，而我推荐学习Python，因为Python是面向未来的语言，无论从流行度、可用性还是学习难度来讲，Python都是最好的入门语言。

　　当然，如果可以的话，再掌握一下R语言是最好不过的，学习嘛，永无止尽。

　　书籍推荐《Python编程：从入门到实践》 豆瓣评分：9.0

　　当然，只有Python基础肯定是不够的，既然是学习数据分析，肯定就要有数据才行，数据从哪里来，肯定是从互联网上来。互联网上的信息何其之多，必须要对其加以过滤处理，提取我们想要的信息。这就要用到Python爬虫，这也是学Python一个很重要的目的和作用。

　　学习Python爬虫肯定比学习Python基础要困难一下，但好在网上的学习资源十分丰富，努力学习必定会有收获的。

　　关于Python爬虫的书籍，目前我还没有较好的书籍推荐，如果说实在要推荐的话，我推荐三本书：

　　《Python网络数据采集》 豆瓣评分：7.7

　　《Python爬虫开发与项目实战》 豆瓣评分：8.1

　　《精通Scrapy网络爬虫》 这是十月份出的新书，豆瓣上还没有评分。

　　知乎里面有很多爬虫大神，没事多逛逛知乎总会有收获的。

　　关于编程能力，是一个很深的概念，需要靠大量的撸代码积累经验。先暂且说到这些。

二：SQL

　　学习数据分析，最难最重要的就是编程能力，熬过去了，后面的就稍微简单一些了。

　　既然是跟数据打交道，就免不了要使用数据库。

　　目前主要有四种数据库：

　　1：SQLite 是一个文件型轻量级数据库，它的处理速度很快，在数据量不是很大的情况下，可以使用SQLite。

　　2：MySQL 是一个应用极其广泛的关系型数据库，它是开源免费的，可以支持大型数据库，很多中小型企业都是用的MySQL。

　　3：MongoDB 是一个面向文档的非关系型数据库，它功能强大、灵活、易于拓展。

　　4：Redis 是一个使用ANSI C 编写的高性能key-value数据库，使用内存作为主存储器。

　　它们各有优点，可以灵活使用，如果说非要选一个的话，我建议使用MySQL，因为它使用最广泛。学习最主流的技术，可以在一定程度上发挥更大的作用。

　　关于SQL的学习资源：

　　购买书籍推荐《SQL基础教程》作者：MICK

　　豆瓣评分：9.0，好像这本书出了第二版了，建议购买最新版的。

三：数据分析能力

　　前面说了那么多，都是为了数据分析做准备。数据分析就好比亲手做一顿美食，现在食材有了(通过Python爬虫采集)，盛放美食的容器也有了(数据库)。现在就差开火做饭了，写到这感觉肚子饿了，哎呀，忍住。

　　对于数据分析，我还没有过多的涉足，总之，多看书，多做项目。

　　这里我推荐几本书(都是放在我购物车里还没有买的书)

　　学习数据分析必看的书单：

　　《Python数据分析基础》八月份的新书，豆瓣上还没有评分。

　　《利用Python进行数据分析》2013年的老书，豆瓣评分：8.5

　　《Python数据处理》六月份的新书，豆瓣上没有评分。

　　《用数据讲故事》 豆瓣评分：8.7

　　虽然我还没来得及看这几本书，但是我想认真看了之后，对于数据分析的理解肯定会更加深刻的。

四：数据可视化

　　现在美食做好了，但不能一股脑的装在碗里吧，美食讲究色香味俱全。所以要给它作一个漂亮的造型，呈现在客人面前。这就是数据可视化。

　　数据可视化需要借助工具，什么工具呢?那就是大名鼎鼎的tableau!

　　什么?你没有听说过tableau?现在听我说了也不迟，哈哈。

　　tableau是一款世界级的商业智能工具软件，tableau可以帮助我们快速的分析、可视化并分享信息。在福布斯2017年公布的《10大需求增长最快的职场技能》报告中，tableau高居第三，成为数据分析和可视化的职场必杀技。

　　说了这么多，咱们还是好好聊聊怎么学习tableau吧。tableau是一款收费软件，先看一下它的价格吧：

　　image

　　果然优秀的软件都是收费的，而且还贵的要死。

　　但是，tableau的良心之处在于：学生和教师可以免费使用tableau，只需要用我们的学生证信息去免费申请一个序列码，然后就可以下载激活该软件，有效期为1年，如果一年后还是学生的话，还可以用学生证再去申请一个序列号，然后再免费用一年。

这篇文章从整体框架出发，介绍了数据分析的三大层次。包括对数据分析的整体理解和认识，做数据分析的科学方法，以及数据分析相关的工具介绍。

数据分析目前在国内互联网圈的受重视程度在逐步提升，但是问题也很突出：

大家对于数据分析的认知和理解支离破碎，缺乏一个整体的、系统的思维框架；

大家的视野更多局限在数据报表、BI 系统、广告监测等领域，对于数据以及数据分析其实是缺乏深层次洞察的。

这篇文章就从整体框架出发，介绍一下数据分析的三大层次。包括对数据分析的整体理解和认识，做数据分析的科学方法，以及数据分析相关的工具介绍。

一、数据分析价值观

如何让数据分析真正发挥价值？我认为必须在

价值认同、工作定位和商业模式

三点上取得突破。

（一）数据分析的价值认同

做好数据分析，首先要认同数据的意义和价值。一个不认同数据、对数据分析的意义缺乏理解的人是很难做好这个工作的。放到一个企业里面，企业的 CEO 及管理层必须高度重视和理解数据分析的价值。你想一下，如果老板都不认可数据分析的价值，那么数据相关的项目在企业里面还能推得动吗？然后，企业内部还需要有数据驱动的公司文化。

如果大家宁可拍脑袋做决定也不相信数据分析师的建议，那么数据分析往往是事倍功半、走一下形式而已，反之则是事半功倍。

（二）数据分析的工作定位

做好数据分析，要对数据分析的价值有清楚的定位。既不要神化数据分析，把它当做万能钥匙；也不要轻易否定数据分析的意义，弃之不用。数据分析应该对业务有实际的指导意义，而不应该流于形式，沦为单纯的 “取数”、“做表”、“写报告”。在 LinkedIn 那么多年的工作时间里面，我们对数据分析的工作早已有了清晰的定位：

利用（大）数据分析为所有职场人员作出迅捷、高质、高效的决策，提供具有指导意义的洞察和可规模化的解决方案

。

当时我们还采用了一套 EOI 的分析框架，对不同业务的数据分析价值有明确的定位。针对核心任务、战略任务和风险任务，我们认为数据分析应该分别起到

助力（Empower）、优化（Optimize）、创新（Innovate）

的三大作用。

（三）数据分析的商业模式

做好数据分析，要对企业的商业模式非常了解。数据分析的最终目的还是服务于企业的增长目标，所以务必要对行业背景、业务含义、产品和用户有着深刻的认知。

还是以 LinkedIn 为例，作为企业增长的重要环节，LinkedIn 在产品设计之初就优先考虑到了数据的价值模式。首先是用户的增长、使用和活跃，然后产生大量的数据，最后根据数据进行业务变现（企业广告、企业招聘、高级账号等）和用户增长，从而不断良性循环。

只有认可分析价值、明确工作定位、深谙商业模式，数据分析才能走在正确的轨道上。

二、数据分析方法论

（一）数据分析的框架

在整个数据分析框架中，用户是数据的来源，也是数据分析最终要服务的对象。整个分析框架可以分为四大层次，依次是：数据规划、数据采集、数据分析和数据决策。

从用户、业务系统，到数据采集平台、ETL、数据仓库， 再到分析、BI、DM、AI、洞察，再到决策、行为、价值，最终回到用户。

上面整个分析框架中，越底层的占用的时间和精力越多，而顶层的耗时较少。从产生的价值来看，越底层的产生的价值越低，越顶层的产生的价值越高。大家想一下就会理解，做数据分析的过程大多时间是耗费在数据采集、清理、转换等脏活累活上面，最有价值的分析和决策部分往往耗时很少。

因此，大家做数据分析应该把重心放在最有价值的分析和决策两个层面上，并且尽可能使用工具实现底层的自动化操作。

（二）数据分析的方法论

数据分析应该帮助我们不断优化营销、运营、产品、工程，驱动企业和用户的增长，而不是为了分析而分析。在这里我给大家介绍两个方法论，一个是业务上的 AARRR 模型，另一个是分析上的学习引擎。

AARRR 是著名的 Growth Hacker （增长黑客）海盗法则，依序分别是 Acquisition（获取用户）、Activation（激发活跃）、Retention（提高留存）、Revenue（增加收入）和 Referral（推荐传播）的首字母简称，覆盖用户整个生命周期。我们在进行数据分析的时候，应该考虑用户正处于 AARRR 模型的哪个部分、关键数据指标是什么、对应的分析方法又是什么？

“ 学习引擎 ” 是《精益创业》一书中提倡的精益化运营方式，在硅谷被大小企业广泛采纳。当我们有一个想法的时候，可以采用最简可行化产品（MVP）的方式将其构建（Build）出来。产品上线后，我们需要衡量（Measure）用户和市场的反应。通过分析收集到的数据，我们可以验证或者推翻我们之前的想法，从而不断学习（Learn）和优化。

（三）数据分析的具体方法

这篇文章的目的不是介绍具体的分析方法，而是为了让大家对整个数据分析能力体系有一个系统的认知，所以我就不对每一个方法进行具体的阐述。

懂得每一种方法的原理是一回事，在业务中灵活应用又是另外一回事。以产品经理为例，可以把“用户行为 – 数据分析 -产品设计 & 优化 ”三位归于一体，在不断的实践应用中掌握各种分析方法的精髓和要义。数据来源于用户，数据分析的最终目的也是服务于企业和用户。做数据分析之前，一定要清晰业务目的和数据指标，选择科学的分析方法，用数据来指导产品和用户增长。

三、数据分析工具篇

（一）为什么工具那么重要？

“ 工欲善其事，必先利其器 ” ！

整个数据框架下面的部分可能花费了 80% 的时间和精力，但是产生了不到 20% 的价值。大家都在搭建数据采集平台、都在写代码埋点、都在做 ETL、都在建 BI 系统，哪里还有更多的时间和人力来做 Analytics 和 Insight 。

以前市面上没有好的数据分析工具，大家都只能自己去部署很多的系统、建立很多的机制，甚至雇佣三四个团队去做一件事。

今天市面上有很多好的工具来帮助我们进行数据分析，为了节省时间、资源（特别是成长型企业），大家完全没有必要内部建造一套分析系统，应该擅用好的工具来帮助自己做数据分析。

（二）选择合适的分析工具

选择什么样的分析工具，跟你的工作岗位、分析场景息息相关。每种场景都有若干种工具可以选择，有些工具也可以用于多种分析场景，关键在于你对工具的熟悉和理解。

Excel 绝对是最基本、最常见的数据分析工具了，对于数据量较小的情况，无论是数据处理、数据可视化还是一些统计分析都能支持。一旦数据量大了，这个时候就需要大型的数据库来支持。

市场营销人员需要对广告投放进行数据分析，网站流量监测是他们关注的重点。产品和运营重点关注用户行为和产品使用，用户行为数据分析工具是他们的首选。

以前大家只关注业务数据，然而这些结果型的数据并不能告诉他们中间发生了什么、为什么发生；现在大家越来越关注精细化运营、对用户行为数据的需求也越来越高，这也是我回国创立 GrowingIO 的原因。

如果你能懂一些 R 和 Python，在数据建模、统计分析、数据科学的方向上有所发展，那么你的数据分析水平就更上一层楼了。

上面说的这三点构成了数据分析的能力体系。只有认同数据分析的价值、掌握数据分析的方法并且灵活应用数据分析工具，才能真正做好数据分析。

本文根据张溪梦演讲内容整理编辑。

作者：张溪梦，GrowingIO 创始人 & CEO

本文节选自 GrowingIO 2017 年第 3 期电子书《产品经理数据分析手册》

本文由 @GrowingIO 原创发布于人人都是产品经理。未经许可，禁止转载。

  随着大数据时代的来临，越来越多行业需要大量的数据分析师。以达到公司对于市场、产品、客户有能深刻的了解，从而在制定营销策略和运营策略的时候，数据导向是一个很有力的指导推力。

 如我们所知，数据分析的重要性，那么要作为一个合格的数据分析师的话。我们应该具备哪些潜质。

  第一：理解能力高

    要对公司的业务有很强的理解能力。每个业务都是由很多规则和基本元素组成的。比如公司要达到某一款产品的市场营销推广，那我们首先要通过数据来分析出来，我们的目标受众是什么样的？分布的地域在哪里？年龄阶段？性别？行业等等这些都是我们首先要对业务有一个了解。就是我们的营销目的什么。理解配合的具体业务。与 产品相关的业务和技术同学沟通，尤其在进行数据理解和运营理解的时候，需要知道数据元素的含义以及当前运营的方式和形成这种运营方式的原因;

第二：沟通表达能力强，有充分的耐心

数据分析师日常在做一些工作的时候，通常会面对在各种数据格式不统一，数据表存放混乱，以及业务流程／逻辑异常复杂。这个时候，我们一定要有足够的耐心，沉下来进行全面的数据流程确认，画出对应的流程图，理清楚分析重点。

如我们所知数据分析贯穿了数据仓库，技术，产品，业务等多个环节，这就涉及到我们需要和很多人沟通。沟通能力就显得尤为重要。在沟通之前，需要清楚的知道本次沟通的目的是什么，以及如何通过对方来达成自己有效数据分析的目标。与技术沟通，是理解参数含义，与运营沟通，是理解分析目标，与产品沟通，则更强调产品逻辑以及背后的思考。

第三：善于借助工具和事物

现在网络工具很多，有很多都可以帮助我们解决繁琐的数据问题，帮助我们建立数据模型，例如：SQL，Excle，SPSS，Matlab、Python等等

因此，数据分析师必须掌握并精通一两种数据分析编程技巧。包括从数仓取数据，对数据进行清洗，简化，或者补全，处理数据，计算数据，最后进行可视化表达。这样才能完成数据分析目标。这种技术对产品和运营人员也非常重要，只有学会处理数据，分析数据，才能在每个决策上面有据可依。

第四：独立思考的能力

作为一个高级的数据分析师，不光只会分析数据，还应该能够以现有的数据做出结论，给予相关执行人员参考方向。数据分析者应该在理解业务的基础上，扩大自己的思考范围，提升洞察力。

数据分析师是大数据衍生出来的一个岗位，也在实际的营销运营上起着至关重要的作用。种客观，理性，同时又科学的数据分析心态是非常重要的。

文 | 邹昕-知乎

来源：再生谈|reborn_chat

受本人背景和知识水平所限，本答案局限性如下（包括但不限于）：

1. 更适用于中大型公司；

2. 更适用于互联网公司；

3. 可能更适用于美国的工作环境。

个人以为，一个三年工作经验的数据分析师应该具备以下方面的能力：对技术的掌握，对产品的理解，对数据的敏锐性，数据和产品之间互相转化的能力，分析思维的广度、深度和速度，数理统计的能力，沟通的能力，辅导新人的能力，面试把关的能力。

以下分开来说，同时举例的时候假设这个数据分析师是知乎这个产品的，目的是为了增长活跃用户。

【1】对技术的掌握

不一定需要非常高深的技术，但是基本的一定要过关。比如针对互联网行业的数据分析，SQL 是一定要过关的。在这基础之上，掌握公司惯用的BI工具或者报表工具，譬如帆软系列；Python / R 可以提高长期的工作效率，但在初期并不一定需要。

简单来说，技术能力决定了一名数据分析能力的下限，而对产品和业务的理解则决定了上限。

如果缺乏技术的支持，那就只能去当 CEO 了。

就好比在电影 Margin Call 里，底下的小兵负责分析数据，各种模型预测金融危机什么时候会发生。

而对于 CEO 来说，他的任务就是猜。

【2】对产品的理解

数据分析的目的是为了改进产品。如果缺乏对产品的理解，那么技术再好，也有可能像是无头苍蝇到处乱撞。

或者是变成 data dump，提供一堆一堆的图表，但其中有互相什么关联，能说明什么问题，提供什么样的建议，却并没有好的想法。

如果是初入行的话，这还是问题不大的。

因为新人可以有老板带着，或者是老人带着，但是如果想要更进一步，那就必须能够自己独立的做项目。

尤其是在互联网行业更是如此，除了新人之外，对大多数人的基本要求都是能单兵作战，不需要详细的指导。

同时在很多情况下，问题是很开放性的，对于如何解决并没有一个非常固定的套路，或者是因为这完全就是一个新的问题，或者因为不同产品之间套路无法直接套用，需要做大量的调整和创新。

比如这里面增长的例子，哪些是可以借用于知乎的，哪些是需要调整的，哪些是完全不适用的？

【3】对数据的敏锐性

对数据的敏锐性体现在两方面，一是在结果还不是那么清晰的时候，甚至根本就没有什么数据的时候，能够大致感觉往哪个方向深挖是更有可能出成果的；二是在数据出问题的时候，能够反应出来，及时找出原因。

比如做知乎的数据分析，目的是为了增长活跃用户，可以做的地方有很多，比如增加获新、增加内容、增加用户关注话题数、增加用户关注人数等等。一个经验丰富的老司机可以快糙猛的大概估算一下各个方面的机会有多大，大致的实施难度如何，风险是大是小，产品哪些方面是有缺陷可以改进的。

另一方面，是人就会犯错，最大的区别在于有的人可以很好的纠错，而有的人则需要别人提醒，还有的人即使别人提醒了也反应不过来。

【4】数据和产品之间互相转化的能力

在互联网行业，多数时候问题是很不清晰的，比如说问题可能是2017年新用户留存远差于2015年的用户，如何解决？

对数据分析师来说，并不会有一个详细的单子来告诉你都有哪些步骤，而是需要自己灵活处理。

一方面这些问题本身就比较新，虽然会有一个大致的套路，比如 AARRR 模型，解决增长需要先解决留存等等；然而再往下具体的时候，套路就没有那么固定了，因为不同的产品之间可以差别很大。

即使像是 Quora 和知乎这样理应非常类似的产品，也可能因为一些或大或小的差异，导致给分析数据也带来差别。

比如 Quora 的 upvote 并不完全代表赞同，而更多带有传播的意味。

而对于知乎来说，点赞即是赞同，传播只是副产品而已。

如果只懂数据不懂产品的话，很容易进入一个误区，要么产品/业务方追着问数据，要么没活儿干。

【5】分析思维的广度、深度和速度

速度这个比较好理解，尤其是在互联网行业，讲究快糙猛，没有时间精细打磨。

比如一个项目可以花两个月时间做出 95%，也可以花两周时间做 80%，那么多数时候都会是后者。

广度：产品的各个方面之间总是互相牵扯的。最简单的例子，如果知乎的拉新做得非常好，那么留存就有可能降低，用户活跃度也有会降低。

如何分析各者之间的关系，如何保持一个合理的平衡，如何增加其中一个不过于负面影响其它，这些数据分析都需要在广度上有一定的了解。

深度：有些问题一个人解决不了或者很难，多几个人就可以了，比如说搬砖，十人人搬总会比一个人搬快得多，哪怕不是十倍速度。而有些问题，靠堆人力是没用的。

【6】数理统计的能力

这一部分跟 1，3，5 是相关的。不一定需要特别高精尖，但是对于分析问题会有很大的帮助。比如说如何识别数据分析里可能出现的错误。

【7】沟通的能力

除非兼任软件工程师和产品经理的职，否则数据分析师总是需要通过说服产品和工程方面来改变产品，产生影响力。

有了好的结果是第一位，如何影响合作伙伴，让他们接受自己的建议甚至比有好的结果还重要。

毕竟，没有声音，再好的戏也出不来。

【8】辅导新人的能力

毛主席说过，人多力量大，要把敌人淹没在人民战争的汪洋大海中。

辅导新人，不只是团队 leader/manager 的要求，对于独立贡献者（inpidual contributor）也是一样重要的。

闻道有先后，术业有专攻。

一个人的力量终究是有限的，如果把自己的能力复制到整个团队甚至整个公司，是增大自己影响力最有效的办法之一。

【9】面试把关的能力

大多数人应该都希望自己的公司处于一个增长的状况，如果是高速增长那就更好不过了。

有增长，就必然要招人。

而招人并不是简单的招人来干活，而是招来更优秀的人进一步提高团队的水平。

这对于高速增长的团队来说是一个很大的挑战，所以提高面试技能和精准的判断面试者的能力，无疑是有效的扩张团队的不二法则。

【10】少睡的能力

比如说七周不睡觉，快速成为数据分析师（开玩笑的）。

在互联网时代，数据是重要的资源，随着数据的持续增长和大数据技术的成熟，数据分析变得越来越重要，要看清楚瞬息万变的网络世界，要知道表象背后的真相，非靠数据分析不可，不管是大数据分析还是传统数据分析，其本质是一样的。数据分析是为了通过对数据现象的查看来完成对产品，营销策略，运营策略的优化。达到最低成本，最优效果。因此，数据分析师对应的要求也越来越高。那么，作为一名优秀的数据分析师，需要有哪些基本能力，才能完成数据分析目标，保证结果的正确性？

商业数据分析的根本目的就是要洞察数据背后的规律，基于此，企业可以制订决策、并采取相应措施和行动，进而达成想要的结果。这是商业数据分析的最大价值所在。

数据分析的四个能力

1. 对业务的理解能力

数据分析之前，首先要进行的是业务梳理。只有在实践领域从事过数据分析工作，就会明白所有分析的重中之重都是业务知识本身。而业务知识的学习和掌握，需要的积累之深，培养一个业务专家，需要的周期之长，都远远超过后面所说的那些基本技能，成为业务专家实属不易，数据分析师其实是之于业务专家之上的更深层次的思考和总结，否则，谁指导谁都是个问题。业务学习的方式很多，比如将以前的分析报告和取数案例都拿过来研究一下，不懂就问，总是一个渐进的过程，但需要时间和行业的沉淀。数据分析师最需要不断提升的能力就是行业和业务知识，没有之一。

提升业务理解能力有几个方法

多使用产品本身，只有不断的尝试产品，体验和了解各种产品，才能在分析时有直观的思考和总结；与 产品相关的业务和技术同学沟通，尤其在进行数据理解和运营理解的时候，需要知道数据元素的含义以及当前运营的方式和形成这种运营方式的原因;多思考产品的内在逻辑，多问几个为什么，这样才不至于做分析方案的时候，遗漏其它的业务流程，或者进行错误的数据模型设计。2.有耐心，善于沟通

数据处理和逻辑梳理需要足够的耐心，尤其是在各种数据格式不统一，数据表存放混乱，以及业务流程／逻辑异常复杂的情况下，作为数据分析师，一定要有足够的耐心，沉下来进行全面的数据流程确认，画出对应的流程图，理清分析重点。

同时，数据分析贯穿BIT、数据、技术、业务整个链条，数据分析师将BIT最终转化成决策者理解的语言，跨越的流程很长，你需要面对不同的岗位，碰到不同的角色，采用不同的语言，表达你的要求和获得你需要的东西，成为数据和业务的桥梁，没有足够的沟通能力很难。所以，需要具备一定的沟通能力。在沟通之前，需要清楚的知道本次沟通的目的是什么，以及如何通过对方来达成自己有效数据分析的目标。与技术沟通，是理解参数含义，与运营沟通，是理解分析目标，与产品沟通，则是强调产品逻辑以及背后的思考。同时，如果你容易听取他人的意见，特别是智者的意见，则可以帮你找到另一条出路，你犯错的概率就会降低，相应的，你的分析就更有力量和说服力。

3. 数据分析的技术

数据分析有很多技术可以支持，包括SQL，Excle，SPSS，Matlab、Python等等，这些都是通过编程完成基本的数据分析语言编写，然后进行执行得出结果。

因此，数据分析师必须掌握并精通一两种数据分析编程技巧。包括从数据仓库中获取数据，对数据进行清洗，简化，或者补全，处理数据，计算数据，最后进行可视化的表达。这样才能完成数据分析的目标。这种技术对产品和运营人员也非常重要，只有学会处理数据，分析数据，才能在每个决策上面有据可依。

但在公司的数据分析中，你在看案例时，往往接触到的数据或使用的数据是局部的，因此，你的视野会受局限，在大多数公司里，很多数据分析师其实缺乏全局的数据视野，因为他不知道到底有多少数据，因此，永远只能在已知的数据里转圈圈，

当然，大多数数据分析师可能不需要进行系统数据学习，在实践中慢慢熟悉就好了，但自顶向下的数据学习方式可以让你有一个更好的基础和更全局的数据视野。

4.独立思考的能力

数据分析并不仅仅是为了完成一些业务上面的数据需求和论证。数据分析者应该在理解业务的基础上，扩大自己的思考范围，提升洞察力。

成为一个优秀的数据分析师，需要在不同的业务中进行磨练，同时需要足够的耐心和深入业务的思考进行决策支撑。一种客观，理性，同时又科学的数据分析心态是非常重要的，对于公司和产品的发展也是必需。

数据总是在那里，它不会说话，你不仅要基于业务能力理解它，还要学会推演和分析，从中发现规律，迅速定位某个商业问题的关键属性和决定因素，形成自己独创性的见解，所谓心思缜密，滴水不漏，没有思考逻辑没有数据分析。而要形成独特的见解，则来自于个人不断的学习和思考，这里的学习更多的强调是跨领域和专业，思考则是更多的强调养成思考的习惯。思考本身就是一种实践，它可以将你的知识更加系统化和深入化，数据分析在一定程度上是用来验证思路和启发灵感的，“数据分析”从来不是“数据分析”本身，而是以“数据分析”为手段和表象，对业务的深刻理解、思考和判断。

数据分析的四个层次

描述性分析（Descriptive Analysis）诊断性分析（Diagnostic Analysis）预测性分析（Predictive Analysis）处方性分析（Prescriptive Analysis）描述性分析——发生了什么？

如题目名字一样，该层次主要是对已经发生的事实用数据做出准确的描述。比如某企业本月订单签约额比上月增加2000万，至5500万，但是订单履约率从上月的98%下降到了95%，库存周转率从上月的0.8下降到了0.7。那么，这就是发生了什么？就需要去描述性分析。

诊断性分析——为什么会发生？

知道发生了什么，对我们的帮助不大，更重要的是，我们要明白为什么发生。比如经过分析，发现在描述性分析中提到的订单履约率下降的原因是成品生产不出来，无法完成交付。而成品生产不出来的原因则是部分原材料的供应商未能按时送货，导致原材料不齐套，无法开始生产。那么，这就是诊断性分析。

预测性分析——可能会发生什么？

基于上述两个层次的分析，我们发现了其中的规律，即原材料供应商的未能及时送货会影响成品订单的履约率。假如上月某原材料供应商A送货及时率只有70%，通过建模，我们可以预测本月该供应商会使我们的订单履约率下降2%。那么，这就是预测性分析。

处方性分析——我们该做些什么？

有了预测性分析的结果后，我们无需再做事后诸葛亮，而可以运筹帷幄，在事前就采取措施。上述中，供应商A会导致本月我们的订单履约率下降，我们可能采取的措施就是把A换掉，但是现在有B和C两个供应商供我们选择，该选择哪个呢？通过分析和计算得出：选用供应商B会比选C的订单履约率高1%，因此建议选择供应商B。这就是处方性分析。

四个层次层层递进，经过这四个层次的分析以后，可以对企业的决策和行动提供有力支撑。

分享 IT 技术和行业经验，请关注-技术学派。