对不同级别的数据分析师的要求是什么？

所以当我进入数据分析行业时，我和很多刚进入这个行业的学生一样困惑，不知道该学什么，为什么需要什么样的职业规划。刚开始选择了国内一线品牌的电商公司，具体工作是做网站分析师。所谓网站分析师，就是监控电商网站的各种常规指标，解释异常数据的现象和原因，是什么导致流量波动，还是网站埋点有问题。以及网站推广、访问、点击、投资回报率等不同渠道的优缺点。例如，如果公司需要做一些大型活动，它还需要分析不同特殊活动的效果，并知道用户对点击感兴趣的内容是什么。当时，没有人听说什么是大数据，数据挖掘仍然停留在亚马逊神奇的推荐算法和60万算法工程师的故事中。当时，在我们的数据行业，大多数人开玩笑地称BI为商业智能。他们都在做数据仓库的底层建设和OLAP、OLTP这样的报表。正是因为从底层数据开始，我才明白了整个数据的全貌或者整个生态链是什么。可能有同学会说我学统计，对太技术不感兴趣。其实不然，就像我们读历史一样，作为数据分析师，我们需要有追根溯源的精神。当你知道数据是如何生成和存储的时候，你就会知道为什么我的数据量这么少，为什么数据处理环节异常，为什么公司没有存储所有的数据。好了，我们来谈谈今天的话题，数据分析师应该如何从初级数据分析师转变为数据分析专家和数据分析大师。让我们来看看一家著名的互联网公司对不同层次的数据分析师有什么要求。图1(1)数据分析师的不同层次要求可以看出，在成长为数据分析专家之前，在问题识别、分析和规划、数据获取、显示、价值应用、执行和管理能力以及影响力方面有不同层次的要求。作为一名新的数据分析师，我们需要能够巩固数据分析的基本技能。掌握基础数据分析知识(如统计、概率、数据挖掘基础理论、运筹学等)，掌握基础数据分析软件(如，VBA，Matlab，Spss，Sql等。)，掌握商业经济的基本知识(如宏观和微观经济学、营销理论、基本投资知识、战略和风险管理等。).这些基础知识在学校尽可能多地学习，我来到了一些商学院，这样我就可以在商业分析和经济分析中学到一些东西，提高我的数据分析能力。在这里，我推荐几本书，《统计学》《图表之道》《谁说菜鸟不会数据分析》。另外，课后我会把之前整理过的知识点发给大家。我们称之为合格的数据分析师，在数据分析岗一年多后如何推广，在数据分析领域做得更深入。此时，不仅要掌握基本的统计知识或工具应用，还要能够独立完成完整的数据分析工作，通过数据准确定位业务问题，独立完成完整的数据分析报告，尝试告诉他人他们的分析结果，被他人接受和采纳。怎样才能做到这些点呢？1.学习如何写报告；首先，要有一个好的框架。就像盖房子一样，好的分析必须有基础、层次、坚实的基础和清晰的层次，让读者一目了然。只有结构清晰，主次分明，别人才能轻松理解，让人有阅读的欲望；第二，每个分析都有结论，结论必须清楚。如果没有明确的结论，分析就不叫分析，失去了自己的意义。因为你必须找到或确认一个结论才能进行分析，所以不要忘记结果；第三，分析结论不太好，如果可以分析最重要的结论，大多数分析是发现问题，如果分析能发现重大问题，达到目的，不要寻求更多，宁愿桃子，不要烂杏篮，简化结论也容易让读者接受，减少重要读者的阅读心理门槛(通常是事务多的领导，没有太多时间看那么多)。如果别人看到问题太多，结论太复杂，不读，100个结论等于0；第四，分析结论必须基于严格禁止的数据分析和推导过程。没有猜测性的结论。太主观的东西不会令人信服。如果一个结论甚至不确定，就不要误导别人；第五，好的分析应该具有很强的可读性。这意味着易读性。每个人都有自己的阅读习惯和思维方式。你总是按照自己的思维逻辑写东西。你觉得很清楚，因为你做了整个分析过程，其他人可能不太了解。你知道，读者通常只花10分钟阅读，所以考虑谁是你的分析读者？他们最关心的是什么？你必须从读者的角度写分析电子邮件；第六，数据分析报告尽可能图形化，这实际上是第四点的补充。用图表代替大量堆叠的数字将有助于人们更生动、更直观地看到问题和结论。当然，不要有太多的图表。太多的图表会让人不知所措；第七，好的分析报告必须合乎逻辑，通常遵循：1、发现问题2、总结问题的原因3、解决问题，在这样一个过程中，逻辑分析报告也很容易被接受；第八，良好的分析必须来自于对产品的理解。做数据分析的产品经理本身必须非常了解你分析的产品。如果你甚至不了解分析对象的基本特征，分析的结论必须是空中的城堡。无根树怎么能说服人们呢？！第九，良好的分析必须基于可靠的数据源，事实上，收集数据会占用更多的时间，包括规划定义数据、协调数据报告、让开发人员提取正确的数据或建立良好的数据系统平台，最后在正确数据收集的基础上进行分析，因为一切都是为了找到正确的结论，所以有必要确保收集数据的正确性，否则，一切都将成为误导他人的努力；第十，一份好的分析报告必须有解决方案和建议。既然你努力了解产品，并在理解的基础上进行了深入的分析，那么这个过程决定了你可能比其他人更清楚发现问题和问题的原因，那么基于你的知识和理解，建议和结论一定会更有意义，你的老板当然不希望你只是一个会发现问题的人，请你的薪水更多的是让你解决问题；11、不要害怕或避免“坏结论”。分析是为了发现问题，为解决问题提供决策依据。发现产品问题也是你的价值。我相信你的老板邀请你，不仅仅是让你唱赞美诗。他想要的不是粉饰和平的工具。发现产品问题，解决产品缺陷和问题造成的重大错误是你分析的价值；12、不要创造太多难以理解的名词。如果你的老板花10分钟看你的分析，让你三次解释名词，你写的价值在哪里？最好直接说算。当然，如果你不可避免地想写一些名词，最好有一个易于理解的“名词解释”；十三、最后，感谢那些为你的分析报告做出贡献的人，包括那些向你报告或提取数据的人，那些支持和帮助产品的人（如果分析是你自己的产品），肯定和尊重合作伙伴的工作将赢得更多的支持和帮助，我认为你不仅仅是一个锤子业务，知道如何感谢和分享结果可以成为一个有素质和受人尊敬的产品经理。2.学习如何从业务的角度看待问题；第一层:通过建立数据监控系统，我们可以掌握发生了什么和程度，从而“知道”。2.学习如何从业务的角度看待问题；第一层：通过建立数据监控系统，我们可以掌握发生了什么和程度，以实现“知道”。具体来说，切入数据的角度主要包括这些方面。首先是“观天”，观察行业整体趋势和政策环境影响；然后“了解土地”，了解竞争对手的表现；最后，“反省”，你做了什么，你的数据表现如何。从看数据的周期来看，“看天”可以是季度性或更长的周期；“知地”按周或月计算，特殊时间点和事件除外；“自省”数据是最全面的，需要天天看，有人看，有人研究。在这个层面上，分享两个看数据的观点:1。数据是分散的，需要一个看数据的框架。如何看数据很讲究。零碎的数据很难发挥真正的价值，只有把数据放在一个有效的框架中，才能发挥整体价值。所谓有效框架至少包含两个功能:(1)数据多，不同的人对数据有不同的需求，比如CEO。、中层管理者和底层员工通常关注不同的数据，有效的框架可以让不同的人得到他们需要的东西。(2)有效的框架可以快速定位问题。例如，每个人都关心交易量指标。如果有一天交易量指标下降20%，业务很可能会出现问题，但问题是什么？若只有几个高度抽象的指标，如转化率、交易人数、客户单价等，则无法定位问题。一个好的框架可以支持我们向下钻，从类别、流量渠道等方面找到问题，板也可以击中具体的负责人。这就是我们通常所说的，看数据要落地。2.数据，有比较才有真相。我有120斤，你觉得重还是轻？一个孤独的数据很难解释这个问题。要判断一个指标的增长速度，需要选择正确的比较对象和参考系，即基准线。这条基准线可以是预设的目标，可以是同行业的平均水平，也可以是历史的同期数据。第二层:知道为什么通过数据看到问题是不够的。数据只是表象，用来发现和描述问题，在实践中解决问题更为重要。数据与业务相结合，找出数据外观背后的真正原因并解决。解决问题的过程将涉及数据和数据处理，也可能涉及数据模型等方法或工具。技术含量比较高，这里就不介绍了。第二层分享两点:1。数据是客观的，但对数据的解读可能有很强的主观意识。数据本身是客观的，但消费数据是主观主动的人。人们在解读数据时往往会带来主观因素：同样的数据在A看来可能是好的，但在B看来可能会产生相反的结果。并不是说这种情况不好，真理越辩越明。但如果不是通过数据来发现问题，而是先定性问题，然后有选择地使用数据来证明你的观点，这是不可取的。但事实上，这样的事情经常发生在我们身边。2.只有了解业务，才能真正理解数据。车品觉老师的博文《不懂商业就不谈数据》深刻阐述了这一观点，这里就不谈了。只是因为这个观点的重要性，作者特意拿出来强调。第三层:利用数据找到机会可以帮助业务找到机会。例如：淘宝上有中老年服装细分市场和大型女装市场。通过对周围环境的感知，这些市场可以了解到，我们周围的一些中老年人或胖MM在淘宝上没有满足需求。那么有没有其他渠道可以找到更多的细分市场呢？数据可以！对比用户搜索的关键词和实际交易数据，发现很多需求没有得到很好的满足，反映出需求旺盛，但供给不足。假如发现了这样的细分市场，公布给行业小二，公布给卖家，是否能帮助大家更好地为消费者服务？这个例子就是我们现在正在做的“潜在细分市场发现”项目。说到这个案例，我不想吹嘘数据有多强大，但我想告诉你：数据就在那里。有些人视而不见，但有些人可以挖出“婴儿”。有什么区别？商业感觉。很多人可以看到刚才提到的搜索数据和交易数据，但以前没有人把这两个数据联系在一起，这反映了商业感。第四层：建立数据操作系统，我理解数据操作，包括两个含义：数据作为间接生产力和直接生产力。1.数据作为间接生产力。所谓间接生产力，是指数据工作者通过运营向消费者传递数据价值，即通常称为决策支持、数据工作者输出报告、分析报告等，供各级业务决策者参考。我称之为决策支持1.0模式。然而，随着业务发展和业务人员对数据重要性认识的增强，对数据的需求将如雨后春笋般涌现。显然，仅仅依赖少数分析师是无法满足的。教人钓鱼不如教人钓鱼，让所有操作和产品的学生都能进行数据分析，这是我脑海中2.0模式的决策支持。决策支持2.0模式有三个关键词:产品、能力和意愿。让操作和PD掌握SQL等取数语言，掌握SAS、SPSS等分析工作不现实也不必要。实现决策支持2.0模式的基础是提供低门槛、良好用户体验的数据产品。这里提到的产品不仅是操作功能集，还需要承载分析思路和实际案例。然而，数据分析的门槛始终存在。这就对操作和PD提出了新的基本能力要求，即基本的数学能力、逻辑思维能力和学习能力。最后一个意愿，也许是最关键的，只有内心有强烈的驱动力，想做好这件事，才有可能做好。2.数据作为直接生产力。所谓直接生产力，是指数据工作者通过前台产品直接将数据价值作用于消费者。时尚点，叫数据实现。随着大数据时代的到来，公司管理层越来越重视这一点。大数据时代带来了巨大的机遇，但也可能是巨大的灾难。如果不能利用数据产生价值，那么它就是一场灾难——产生的数据越多，存储空间和浪费的资源就越多。一个更容易理解的应用程序是关联推荐，在你购买商品后，推荐最有可能再次购买的商品。个性化是数据作为直接生产力的新浪潮，越来越近。