全文共13806个字，建议阅读需10分钟

大家好，看到一篇数据分析好文，分享给大家，主要讲数据分析方法论、经验总结以及个人成长！希望能给你带来收获~

前言

我是一个数据从业者，很早以前就想把自己在工作和学习中的心得做个总结。一方面是对自己过往经历的一个总结和回顾；一方面最近几年大数据是越来越火了，也希望自己的经验能帮到那些对数据有热情、希望从事数据行业的新人们；还有一方面，也非常重要，是希望跟广大同行们做一个交流，互相帮助，共同成长。

在开写之前，先做下自我介绍。我在企业里从事数据相关的工作已经有11年了，在这些年里，我做过咨询顾问、数据分析师、售前工程师、开发工程师、数据分析经理直至总监。在管理岗上，我带过数据分析、数据挖掘、数据产品、数据仓库等各种团队，其中带数据分析团队时间是最长的。先后就职于国企、传统制造业和互联网企业。总的来说，比较杂。现在想来其实有得有失。缺失的是，在任何一个细分领域上都没有做得特别深入，不算是一个合格的专家；得到更多的是，我对整个数据的产生、处理、分析直至为企业提供价值的过程都有过体会和思考，从而也使我能够站在一个更高的角度上看问题。到底是成为一个专才好还是通才好，我觉得这没有一个确定的答案。个人觉得T型人才是比较受欢迎的，也就是自己的技能和业务面同时要有宽度和深度。当然，到底多宽或多深才合适，取决于个人的职业发展意向。基于我的经验，我分享的更多是对这个行业的理解、做事情的思想和方法论，而不会侧重于具体的实现技术。想学技术的同学请绕行。

后面我预计要分享的内容包括数据分析、产品、仓库、数据团队建设等等。个人经验最多的是数据分析，就从这里开始吧。可能包括以下话题：

什么是数据分析

一句话定义，数据分析是一个从数据中通过分析手段发现业务价值的过程。这个过程的起点是获取一份数据，这个过程的终点是发现业务价值。过程可以大致为分数据获取——数据清洗——数据处理——数据建模——分析结果呈现——业务价值发现——业务价值实现这几个阶段。

在具体说明每个阶段之前，首先要谈下我对数据和业务价值这两个概念的理解。

过程的详细说明：

在开始做分析之前，首先要有分析目标！分析目标！分析目标！重要的事情说三遍。

数据分析有哪些分类

1、面对的问题不同：战略、运营

战略分析：是为了解决公司战略方向问题，回答要向哪里去的问题。

运营分析：不同于战略分析，运营分析以解决实际运营问题为目标，比较微观。

2、服务的部门不同：业务、数据

3、分析的范围不同：行业、公司、部门、业务环节

4、项目的阶段不同：咨询、实施

综上，根据数据分析的使用场景、业务阶段、服务人群、范围及层次不同，可以分为很多种。以上只是列举出一部分。在每种场景下，数据分析的目标、关注的重点和难点都有所不同，分析师要在分析过程中时刻关注自己有没有偏离目标，并对重点和难点有充分的准备。

如何设定分析目标

从我的经历看，数据分析的目标主要来自两方：一方是业务，一方是数据部门自身。

对于一个具体的数据分析项目来说，可能以上两方的因素都会存在，只是占比多少而已。以下详细说明这两种方式的场景、前提及“坑”。

总结一下，分析目标的设定是数据分析最初也是最重要的一步。一个合理的分析目标应该具备以下特征：

怎样才算是一个合格的数据分析师

可以从分析师的工作目标、工作内容和能力要求三个方面回答这个问题。其中工作目标和工作内容是息息相关的。要说清楚这个问题，我认为除了一些公认的标准之外，还有一些标准是因公司和行业而异的。也就是说，必须把它放在一个具体的公司业务框架之中考虑。

1、工作目标主要由公司的业务发展阶段决定

一般来说，无论是哪个公司，都希望分析师能有效地利用数据引导和驱动业务发展，实现数据的价值。但是，公司发展的情况不同，对数据分析师的价值定义也会不同。

2、工作内容主要由公司的数据建设程度决定

参照第一章，分析师的主要工作内容数据获取、数据处理、数据清洗、数据建模、分析结果呈现、数据价值发现及实现。无论分析的目标是什么，大体总要经过这几个阶段。由于数据建设的阶段不同，分析师在这几项工作内容上所花费的时间也不同。在公司数据建设早期，分析师可能在数据获取、数据处理和清洗、指标建设上花费更多的时间；数据建设到达一定阶段之后，分析师的工作更多会在数据建模、呈现和数据价值实现上。

3、分析师的能力要求

对分析师的能力要求可分为通用能力和技术两部分，同时也可以分为业务和数据两部分。

① 业务能力：业务要求又可以分为微观和宏观两方面：

②数据通用能力：

③数据技术：

好的分析师在实际的业务操作中至少会做好三点：

什么企业需要数据分析师

企业需要数据并不等于需要数据分析师。

如果仅是想看数据，其实有很多企业可以提供这样的服务和工具。比如流量统计工具GA，比如报表工具Tableau。这些工具都可以在不需要分析师的情况下，对业务人员做简单的培训就可以用起来。

分析师承担的是相对复杂的、个性化的、以分析为目的（而不是查询）的任务。

如果企业有如下情况之一，那么可能是需要建立一支分析师队伍了。

怎样建立一支分析师团队

从企业层面看，如果要建立分析师团队，要弄清楚几个问题：

建立分析师的目的是什么？

分析师属支持角色，那么他们支持的对象是谁？

分析师的主要工作内容什么？

分析师的规模多大较为合适？

如何评估分析师的绩效？

弄清楚这五个问题之后，就会知道应该招聘具备什么经验的人，招聘多少人，以及对水平的要求有多高，如何考核他们等等。

那么如何思考这五个问题？

建立分析师团队的目的：虽然成立分析师团队的决定通常是由高层做出的，但是主要目的不一定只是为了做决策支持，也许是自底向上产生的需求推动。有很多情况下，管理层觉得他们需要看数据，因此招聘了有决策支持经验、具备宏观思维的分析师，但实际上又安排了分析师去支持具体业务；或者反过来，管理层希望分析师能支持具体的业务，但是他们又安排分析师评价整个公司的运营情况，甚至提出战略方向。这两种情况都会造成人才的浪费。要知道业务分析和决策支持对分析师的要求是不同的。至少，前者需要分析师能关注到细节，而后者要求分析师不拘小节，视野要足够高。

分析师支持的对象：如果目的明确了，通常支持的对象就清晰了。

分析师的主要工作内容：这同样主要取决于团队定位，具体的工作内容可参照《数据分析有哪些分类》

分析师团队的规模：规模取决于多种因素，比如工作内容的复杂程度、业务需求的多少和缓急、能招聘到的人员的技能水平等。

分析师的绩效评估：最直接的评估方法是看分析师产出的数量和质量。如果只看产出的数量是比较容易的，比如可以看完成需求的多少、分析报告的数量等。但由于分析负责的业务线不同，这会忽略工作的难度。需要注意的是，分析师很多工作的投入和产出是不成比例的。比如沟通、业务梳理等基础性的工作占据他们大部分的时间，而这些工作可能只有很少的可见交付物的输出。除了产出量，还需要看产出的质量。最理想的质量评估就是看对业务的贡献，即提升了多少业务价值。但这同样是比较困难的，因为有时候业务价值也很难量化。除了对外的产出，还有一个维度是看对数据团队内部的支持，因为分析师通常是作为联系数据团队和业务团队的桥梁存在。比如，对数据指标体系的建设和数据仓库、数据产品的建设中做出的贡献。但是同样，这些贡献也很难量化。

如何实现数据分析的价值

在之前的章节中已经提到分析的价值在于业务价值，而业务价值实现的最后一步是把分析结论应用于业务中，并反复迭代。

我想从一个例子来说明分析师在整个价值实现链条中的位置和作用。

假设我们在考虑如何实现一件工具的价值，这件工具可以是一把钳子，或者更复杂点，比如一部电脑。在这个例子中：

也就是说，数据分析的价值除了分析师这个因素之外，还受到其他因素的影响。

比如：

呃。。。是不是漏了点什么？分析师哪里去了？其实分析师的作用正在于对上述因素形成过程中的影响：

数据分析师团队的分工与合作

个人感觉分析师团队很不好带，数据分析师团队最大的三个痛点是：

散：在公司级别的团队中表现尤其显著。由于支持的业务多，而各业务的发展目标不同，导致无法设立一个统一的业务目标，只能按人去设定目标，管理效率很低。

乱：正是由于业务目标散乱，造成分析师之间的工作无法统一和协同。很多时候都是各自为战，没有配合，甚至出现目标冲突的情况。

弱：不能影响业务，不能建立话语权。这个在上文中已经说过，此处不再赘述。

这里面的关键是解决“散”的问题。很显然，如果把眼光放在部门级的业务上，是无法解决这个问题的。因此，需要把视野扩展到全公司。基于公司统一的发展目标，建立一个统一的分析框架。正如数据分析是服务业务的，分析框架也要基于业务模型来建立。业务模型的标准是：

有了业务模型，现在需要建立分析模型。我的经验是对着业务模型提问题。首先是公司级的：公司的发展目标是什么？需要哪些要素来完成这个目标？各要素之间如何互相促进？然后将上述问题分解到部门级。

最后可以将问题归类，可以分为：目标分析、运营分析、要素分析等。这些分类好的问题就是分析师分工的基础。

传统的分工方式是分析师按支持业务部门分工，或者按支持的业务模块分工。

这种分工方式的结果是：

第一、分析师对业务的了解如同盲人摸象，每个人都只能了解到部分业务，不能也不会从整体考虑业务问题，对问题的定位缺乏深度；

第二、分析师的工作是割裂的，自己的分析结果不容易被其他分析师采用。

以电商平台模式举例，运用上面的方法：

建立业务分析模型：用户、商品两个主要要素。链接这两个要素的是用户购物体验。用户自身会有用户生命周期，商品自身会有商品生命周期。还可以进一步细化：用户购物体验包括查找商品信息、下单、配送、付费、售后等体验。商品生命周期可以包括采购、仓储、上下架等。商品要素包括定价、分类、功能、用户评价等。

提问：公司的发展目标？假设公司的发展目标就是追求销售利润最大化（实际上很多电商平台不是通过这个模式来盈利的）。要素？利润的大部分通常是由高净值人群和高毛利商品贡献的。要不断发展壮大高净值人群和提升高毛利商品的销量。各要素之间如何促进？高净值人群不会只买高毛利商品，平台也不可能只卖高毛利商品。链接这两者的是用户体验。

分析师可以根据分析主题分成两个大组：一组的分析任务包括识别高净值人群、分析高净值人群的购物体验、分析高净值人群的生命周期；二组的分析任务包括识别高毛利商品、分析用户对高毛利商品的购物体验、分析高毛利商品的生命周期。当然，还可以把购物体验单独作为一组或者在上述基础上进一步细分。比如高净值人群分为A、B、C等几个不同特征的人群，如果其特征差异很显著，可以基于人群分组做进一步划分。

这样分工的好处是：

第一、分析师是基于分析模型的分组，组内目标一致，组内分析结果是可以共享和互相借鉴的；

第二、组内大目标的设定可以较为宏观，促使分析师从整体考虑问题。

第三、组内对大目标的分解最终会落实到具体业务上，不会太虚。

第四、不同分组间的分析师虽然目标不同，但是使用的数据维度基本一样，很多的基础性工作是可以共建的，且分析结果也可以互相借鉴。

一篇好的分析报告有什么样的标准

写分析报告应该是每个分析师的必做功课之一，不管是简单的或者复杂的，正式的或者非正式的。

什么是分析报告？我定义为有特定的主题、分析过程和结论的都可以算作分析报告，而不拘泥于表现形式。

那么怎么才算是一篇好的分析报告？相信每一个分析师都会有自己的标准。比如：对业务有意义、数据准确、逻辑严密等。这些都没有错，但是报告是给人看的，而每个人的背景和需求不同，那么从报告读者的角度出发去衡量报告的好坏会更加客观。

既然要从读者出发，那么首先就要对读者分类。从我的经验出发，我们可以把报告的读者按职级不同简单分为决策层、执行层；按对业务的了解程度不同分为了解和不了解两类。那么读者可以细分为四类：

我将从选题、数据选择、分析过程、结论、报告结构、可视化这几个方面去说明对不同类别的读者，一篇好的分析报告的标准是什么。

总结下，我认为报告选题、数据选择、分析过程、结论、报告结构、可视化是影响一篇报告质量的主要因素。但是分析报告如同一件艺术品，没有放之四海而皆准的标准，只有是否迎合和满足的受众的需求。

因此，分析师必须清楚谁会看你的报告、你的读者希望从你的报告中得到什么、读者的背景（包括业务和数据方面的知识）是怎样的、读者对你和数据的信任度如何。如果分析师要写出一篇好的分析报告，需要了解的不只是数据和业务。

数据分析三元论：势、道、术

1、势

有个成语叫“大势所趋”，顺应趋势、迎合潮流的事情做起来总是事半功倍的。

在做数据分析之前，我们要问一问：在这个时代、行业、公司做数据分析是大势所趋吗？

要回答这个问题，首先要搞清楚哪些因素构成了数据分析的“势”。我列举如下几个：

行业：我以为只有那些能够产生大量数据、且市场需求和业务模式变化较快、竞争较为充分的行业更适合做数据分析。大量数据是基础和原材料；市场需求和竞争压力是内在的驱动力。比如To C的电商行业，数据量已经到了一定量级，而人的需求往往是变化较快的，且这个行业没有形成事实上的垄断。虽然阿里、京东的电商平台已经占据了很大的市场份额，但是他们之间仍然存在竞争，而且垂直电商也还有生存空间。再比如电信和金融行业，也能满足以上几个条件。但是有些行业，看起来业务规模大，但实际上不适合去做数据分析。比如家装、餐饮，这两个行业虽然古老，但除了某些巨头之外，信息化做的相对较差，数据采集都是问题，更谈不上做数据分析了。再比如能源行业，也能够产生大量的数据，但是因为市场需求相对稳定，且基本形成了国家垄断，没有做数据分析的内在需求。

公司的数据环境：数据环境包括信息化水平、数据文化、老板对数据的重视程度等。这几个因素是很好理解的。信息化水平决定了数据的量和质量，消除数据不一致、清洗脏数据要花多少时间和精力，做过的人都知道。。。数据文化包括数据相关的流程、规章、制度，公司内部对数据认知和利用的程度等。最后，我向来认为数据是一把手工程，由于数据从采集到价值产出，都是涉及多个部门的利益，没有老板的支持，做好数据是天方夜谭。

2、道

所谓“道”，主要指分析体系和框架、目的和价值。

而这些主要受公司的业务模式和业务需求的影响。说白了，业务模式越简单、越清晰，数据分析越容易出成果。因为简单的业务模式能显著减少数据分析师学习业务的成本。分析体系和框架也会简单明了，在分析时需要考虑的影响因素就越少。而价值链短业务模式更容易让分析主题直接与业务收益挂钩，更容易让数据分析成果变现。而分析需求越稳定，就可以给分析师更多的时间深入研究下去，不断迭代，最终产出更大的价值。分析需求越清晰，花在需求讨论中的时间就越少，最终分析成果被转化的可能性就越大。

3、术

所谓“术”，是指数据分析的方法和过程，其中分析思维和分析技术对分析结果的影响。

正如我在开篇所述，数据分析所涉及技术体系非常庞大，而且学习资料也很多，不在本专栏范围之内。我重点想说说我经验中的一些分析技巧（包括思维和方法）：

是的，业务老鸟就是比新手能更快地“嗅”出问题的根源；其次要对数据有足够的敏感度，数据之间都是有关系的，某个相关的指标变化也许就能告诉我们答案。究竟这个假设是不是问题的答案，最终取决于数据验证。“小心”的意思是，一定要保证在验证过程中不受其他因素的干扰，AB测试无疑是个很好的方法。还有，在求证过程中要保持逻辑的严密。