数据分析部

虎扑篮球4月18日讯 据雅虎记者Adrian Wojnarowski报道，消息人士透露，在国王工作了两年之后，篮球分析部门副总裁罗兰-比奇（Roland Beech）将离开国王。

两年前，国王从小牛处高薪聘请了数据专家比奇。

比奇是82games的创始人，这个网站是第一批关注球员正负值的网站之一。

在2010年，比奇被小牛雇佣，他帮助球队选择了正确的球员组合，以此帮助小牛获得了2011年的总冠军，他也因此饱受赞誉。在小牛的比赛中，他有一个固定的座位——在助理教练旁边。他也是第一个在NBA场边占得一席地位的“数据流”人员。

第一、明确分析目的和思路

数据分析目的要明确，一切以解决问题为中心。

如何确定分析思路？

明确分析目的－＞梳理分析思路－＞搭建分析框架－＞把分析目的分解成若干不同的分析要点（数据分析指标）

重难点：很多人做数据分析时，常常疑惑，比如不知道从哪一方面入手，分析的内容和指标常常被质疑是否合理、完整、而自己也说不出个所以然。解决这个问题最好就是使用分析框架，系统化就是让你的分析框架更具有说服力，分析体系化也就是逻辑化，简单来说就是先分析什么，后分析什么，使得各个分析点之间有逻辑联系。主要是以营销、管理等理论为指导，结合实际业务情况，搭建分析框架，这样才能保证数据分析维度的完整性，分析结果的有效性及正确性。

第二、数据收集

数据收集是按照确定的数据分析框架，收集相关数据的过程，他为数据分析提供了素材和依据。

数据包括第一手数据和第二手收据，第一手数据是指可以直接获取的数据，第二手数据是指经过加工整理后得到的数据。

一般数据来源：数据库、互联网、公开出版物、市场调研。

第三、数据处理

收据处理是指对收集到的数据进行加工整理，形成适合数据分析的样式。这是数据分析前必不可少的步骤。数据分析的基本目的是从大量的、杂乱无章的、难以理解的数据中，抽出并推导出对解决问题有价值意义的数据。

数据处理的步骤：数据分析主要包括数据清洗，数据转化、数据提取、数据计算等处理方式。一般拿到手的数据都要进行一定处理后才能用于后续的数据分析工作，即使在干净的原始数据也需要先进行一定的处理才能使用。

第四：数据分析

数据分析是指使用适当的分析方法与工具，对处理过的数据进行分析，提取有价值的信息，形成有效结论的过程。在确定数据分析思路的阶段，已经为需要分析的内容确定了适合的数据分析方法，等真正进入数据分析阶段时，就能从容进行分析和研究了。

数据分析多是通过软件来完成，一般通过Excel完成，更高级的数据分析需要借助专业软件。

常用的数据分析法：对比分析法、分组分析法、结构分析法、平均分析法、综合评价分析法、交叉分析法、杜邦分析法、矩阵分析法。

第五、数据展现

每个人看待事物都有自己的理解方式，所以数据分析在展现结果时一定要保证绝大部分人的理解是一致的。一般情况下，数据是通过表格和圆形方式来呈现的，也就是图形化表达。

大多数情况下，人们更容易接受图形化的数据展现方式，能更加有效，直观的传递出要表达的观点。

一般情况下，能使用图说明问题的就不用表格，能用表格说明的问题就不用文字。

常用的数据图包括饼图、条形图、折线图、散点图、雷达图等，在经过加工可以变成金字塔图、矩阵图、漏斗图、帕累托图等。

第六、报告撰写

数据分析报告是对整个数据分析过程的一个总结与呈现，通过报告，把数据分析的起因、过程、结果、建议等完整呈现出来，供决策者参考。

数据报告的一般结构：报告封面－＞目录－＞内容－＞总结与建议。

结束语：通过了解数据 分析的六部曲及每个环节关键点，让你在工作中更如鱼得水。

作为刚毕业的大学生程序员，对大数据非常感兴趣，想从事大数据挖掘的工作，不知道未来前景如何，而且面临选择是去纯大数据公司还是传统行业单位的大数据分析部门。目前大数据和人工智能、物联网一样可以说是大热门。根据中国商业联合会数据分析专业委员会统计，随着大数据及AI等新兴业务的发展，未来中国基础性数据分析人才缺口将达到1400万。这是一个很大数量的缺口，所以选择大数据方向应该是不错的选择。而数据挖掘这种比较偏应用的就业前景也应该不错。

大数据挖掘人员，要做的事情就是从数据库或其它形态的数据文档中发掘出显性或隐性的有价值的数据。除了有一定的数学统计知识等之外，还要具备一定的编程能力，熟悉开发环境等，比如Hadoop、NoSQL、Python、Java等。至于就业去向可以根据自己的性格及发展方向来确定。大数据公司、传统行业的大数据部门各有优点。

大数据挖掘技术在哪里都是差不多的。大数据公司一般会承接各种行业的数据分析，从个人见多识广或大多数人的选择来说可能到大数据公司应该是比较好的选择。长期下去各行各业的数据以及业务形态等等都能够见得到，都会了解一些，而且大数据公司里收入来说相对会高一些。而且对于大数据技术的前沿知识也是很快会接触到，学得到，同行之间交流也多，成长可能更快。但除了几个规模比较大的数据分析公司之外，大部分还是比较新比较小，可能稳定性并不是太好。对于那些有冲劲，不怕冒险的人员来说是个不错的选择。

另一方面如果想成为某一个行业内的专家，那么到某一个传统行业单位也许是一个好的选择。传统行业单位数据更细分，而且更专一。每天接触的，研究的都是这个行业里的数据，长久下去对这个行业更深入，通过数据更能够看到本质，更容易成为某个行业里的专家。比如卫生领域、金融领域、零售领域等等，每一个领域都会有很深的业务知识。这种大数据分析部门依附在传统行业企业里，相对来说可能收入稍低，但稳定性不错。如果人年轻把数据挖掘作为一份工作，有更高一些的收入，想学到更多的知识提升自己，或者觉得一个行业的数据太单调，那么到大数据公司也就是比较好的选择。

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=

作为刚毕业的大学生程序员，对大数据非常感兴趣，想从事大数据挖掘的工作，不知道未来前景如何，而且面临选择是去纯大数据公司还是传统行业单位的大数据分析部门。目前大数据和人工智能、物联网一样可以说是大热门。根据中国商业联合会数据分析专业委员会统计，随着大数据及AI等新兴业务的发展，未来中国基础性数据分析人才缺口将达到1400万。这是一个很大数量的缺口，所以选择大数据方向应该是不错的选择。而数据挖掘这种比较偏应用的就业前景也应该不错。

大数据挖掘人员，要做的事情就是从数据库或其它形态的数据文档中发掘出显性或隐性的有价值的数据。除了有一定的数学统计知识等之外，还要具备一定的编程能力，熟悉开发环境等，比如Hadoop、NoSQL、Python、Java等。至于就业去向可以根据自己的性格及发展方向来确定。大数据公司、传统行业的大数据部门各有优点。

大数据挖掘技术在哪里都是差不多的。大数据公司一般会承接各种行业的数据分析，从个人见多识广或大多数人的选择来说可能到大数据公司应该是比较好的选择。长期下去各行各业的数据以及业务形态等等都能够见得到，都会了解一些，而且大数据公司里收入来说相对会高一些。而且对于大数据技术的前沿知识也是很快会接触到，学得到，同行之间交流也多，成长可能更快。但除了几个规模比较大的数据分析公司之外，大部分还是比较新比较小，可能稳定性并不是太好。对于那些有冲劲，不怕冒险的人员来说是个不错的选择。

另一方面如果想成为某一个行业内的专家，那么到某一个传统行业单位也许是一个好的选择。传统行业单位数据更细分，而且更专一。每天接触的，研究的都是这个行业里的数据，长久下去对这个行业更深入，通过数据更能够看到本质，更容易成为某个行业里的专家。比如卫生领域、金融领域、零售领域等等，每一个领域都会有很深的业务知识。这种大数据分析部门依附在传统行业企业里，相对来说可能收入稍低，但稳定性不错。如果人年轻把数据挖掘作为一份工作，有更高一些的收入，想学到更多的知识提升自己，或者觉得一个行业的数据太单调，那么到大数据公司也就是比较好的选择。