数据分析师的思维是如何练出来的

一名数据分析师的日常工作流是怎样的?

「数据分析师」这个职位，不同的公司，不同的行业，对于它的理解，以及它覆盖的工作范围不太一样。在有些传统行业，数据分析师工作重点是「做行业报告」等;在阿里巴巴等大型互联网公司，职位区分比较明确，数据分析师大部分时间只做产品和运营的分析工作，至于「基础数据处理」、「搭建数据产品」等等不涉及;在创业公司等相对小型公司，「数据分析师」要干的活可能要不仅仅是「产品和运营分析」，「基础数据采集和处理」，「数据产品搭建」都属于「数据分析师」的工作范围。

明确了数据分析师的工作范围，大概也就清楚了每天要做些什么，比如：

产品和运营的数据提供(正常分析师工作)

基础数据采集和处理(类似ETL工作)

数据产品的思考和搭建(类似数据产品经理工作)

数据价值的挖掘(类似数据挖掘工程师工作)

每日的工作流大概如下：

上午：日常项目的跟进，包括跟产品，运营，开发同学的沟通，这部分主要通过 Tower 和项目 PM 每天的邮件来互相协作和周知进度，当然，每个项目会有5-10分钟晨会;

每天不定时：日常运营需求的沟通比较多，这个主要是面对面，固化需求以后，邮件周知和记录;

下午晚点和晚上：数据平台自己的活，包括基础数据开发、数据产品搭建等等，就需要我们自己去安排时间完成。创业公司的一个优点就是人员相对少，大家互相协作都是面对面。

如何进行时间和日程管理?

数据分析师工作因为涉及内容比较多，所以经常会被产品/运营叫过去讨论某些项目，营销活动，等等，或者，被不同业务线主管召唤，讨论如何对某个业务线效果进行深入分析，所以，很多时候自己计划的「什么时间干什么事情」，基本得不到保障。就算得不到保障，每天早上过来以后，也要大概列清楚今天要干的几件事情，提醒自己去抽时间做完。每做完一件事情，就划掉。尽管有很多工具使用，比如，Trello，但是我还是喜欢一个笔记本，一支笔的方式。

时间是一个很奇怪的东西，只要你想要，它就来到你身边。比如，我想晚饭后来写采访的内容，就会拒绝同事邀请去做其他事情。我看过很多时间管理方面的书，也尝试过「番茄」等各种方法，最后发现，任何想基于「时间安排」去做「时间管理」的方法都很难有很好的效果，反而，基于「待做工作」来做时间管理，更合适。

比如，今天需要做三件事情，按照轻重缓急排序，1)2)3)，然后就开始做，不想需要多少时间做完，尽量自己控制时间把它做完。很多人可能觉得这样很糟糕，万一做不完怎么办啊。其实，你自己尝试一下就行了，为什么自己会不得不、不情愿也要做、非要做完。因为，第二天工作又来了，今天做不完，明天这些工作还是你的。除了一浪一浪每天工作的累加的压迫，它更需要一个人的「自律」。如果有点时间就刷微信，微博，或者找同事闲扯几句，很容易打断工作流，所以最好是一气呵成。不管计划如何完美，如果没有「自律」，也没有结果。

数据分析师的思维是如何练出来的?

可能提到数据分析师这个职业，「思维」是被提到最多的一个词。或许这个跟数据分析师思考比较多，沟通过程中更理性，让大家得到的错觉。个人觉得，任何一个职业，任何一个人都应该有一套自己的思维体系和一个好的思维方式。数据分析师的思维仅仅是其中的一个不同的看世界的方式。比如，每个人的思维是一条道路，条条大道通罗马，虽然每个人看世界的方式不一样，但是可能得到的结果一样。

想知道数据分析师思维，首先要了解「思维」是什么，bing一下，得到「思维」的定义：

①思维与“感性认识”相对。指理性认识，即思想;或指理性认识的过程，即思考。是人脑对客观事物间接的和概括的反映。包括逻辑思维和形象思维，通常指逻辑思维。

②与“存在”相对。指意识、精神。

显然，定义①是我们这里想讨论的思维。这个定义也清楚的说明了思维是每个人看世界的方式。

数据分析师通过数据来认识产品/业务，所以，它确实有一套跟别人不一样的思维，即「类统计学的逻辑思维」。除了这个之外，其他基本跟其他同学一样。

从我打篮球、乒乓球的经历，加上5年数据分析师的体验来说，很难通过一些简单的训练就学会某种思维方式，主要还是要自己在工作过程中通过实际的案例多踏几个坑，多开拓眼界来学习。所谓「九折臂而成医」，大概如此。

在这里分享给大家我平时常用的方法：

-看书，看别人的总结。

学习大牛是如何认识世界，分析案例，比如《穷查理宝典》——查理芒格，《把时间当做朋友》——李笑来，《系统思维》——德内拉?梅多斯，等等，分析为什么这些作者的思维如此的独特?我和他们认识世界的方式为什么不一样?我们彼此的认识事物的方式哪个更好，哪个更接近真相?为什么他们看到的世界是这样，而我是这样?多问问为什么，多找差异，然后再去找其他的书看，一步步丰富自己。这些作者可能也没得到真相，而是他们可能距离真相近一点。

-学会举一反三。

做分析师，非常需要「举一反三」的能力。去食堂吃饭，看到排队的效率如此低，分析一下为啥效率这么低?我们的产品上某个地方是不是也有类似的效率问题?滴滴打车这种叫车模式，我们的产品可以用么?为什么不能用?反正，多问几个为什么，多举一反三，思考，思考。「对或者错」有些时候不重要，重要的是我们感知世界的能力在变化。

-研究别人家的产品和别人家的数据。

比如，我非常推荐新的分析师看各个公司的财报。为什么呢?一个大公司的财报如果能看懂了，基本就了解了一个公司的运作模式和重要产品，也明白了如何写一份报告。再者，研究别人家的产品，不管是工具类还是用户类，看看他们的交互，设计，体验上怎么会不一样，别人的用户数为什么是这个，而我们的是多少?

-关注「经济」和「社会」新闻，多串联起来看新闻。

北京大雨了，河北大雨了，南方干旱，南北方需要什么?我们的产品是否能提供这些东西?长征7号上天了，哪些东西可能会不一样?多把不同事物串联起来想，思考，分析。

总结一下，数据分析师要有一个「系统、整体和部分的思维」，也要有一个「事物类比思维」，更要对「事物敏感」，可以很迅速的把不同的事物串联起来(敏感)，很快的抓到事物的本质特征(类似思维)，然后局部整体的来分析和研究(系统思维)。

如何进行跨领域学习?

其实，数据分析师经常面临「跨领域」，只不过跨的大和小的区别。比如，我之前在阿里妈妈研究广告的竞价，来到空格研究共享经济、服务，也算是一个很大的跨领域。从「分析方法」和「研究产品」的角度来说，两者没有差别，但是研究的领域确实不一样了。「跨领域学习和交流」对于分析师来说还是比较重要的，毕竟，我们不能保证自己所做的东西都是拿手或者了解过的，很多业务和产品都是新产品，新业务，自己要保证快速的跟上。

跨领域学习其实没有那么难。很多事物都是相似的，比如，足球和桌上足球相似，足球和篮球在某些方面也相似，乒乓球和篮球，其实在练习方法上，技巧上也有一些共同的地方。分析师研究产品和业务也一样。如果学会了分析事物背后变化发展规律，也就不存在「跨不跨」领域学习的问题，比如，一个用户留存模型，即适合 Facebook 的研究，也适合 Uber 的研究，为什么呢?因为用户使用产品过程中，行为和体验过程是类似的。

大家可能都被教育过，「看事情要看本质，不要浮于表面」。这个对于分析师来说更重要。如果看懂了一个商业模式，比如「共享经济」的模式，不管它是滴滴，还是Airbnb，还是空格，基于「大众参与的闲置资源的使用权的让渡」特征是不会变的，唯一不同的是三种产品运营和用户体验上的差异。所以，推荐大家建立一套自己认识事物的思维模式。

就像一个 VC ，或者巴菲特，为什么他们可以投资不同的行业的公司和买不同的股票，为什么他们能看懂看准呢?因为他们各自都有一套认识世界和事物运作的思维模式，这套通用的模式会让他们在跨领域的投资中都能受益。

所以，大家不要局限于「怎么样跨领域学习，怎么样学习，学习些什么」，以为学了这么多肯定就无所不知，通行天下，但你看到的「星星」还是星星，「太阳」还是太阳，从没发现「太阳出来了，星星不见了;太阳下山了，月亮出来了」的天体运行规律。

归根结底，跨领域学习，要学一套「认识事物的思维模式」，而不是一点点具体的知识。推荐大家学习一下投资公司评估公司价值的一些原则和方法。还有，可以看看《易经》等从系统和整体上看待事物相关的书籍，锻炼自己系统思维和「凡事看本质的」能力。

数据分析的本质是什么?

查理芒格说过一句话：「不要做一个股票分析家，而是做一个商业分析家。」

对于数据分析来说，不管我们通过何种「分析方法」，「挖掘算法」，还是「数据可视化」，都是为了「分析和研究产品，以及使用产品的人」，而「产品和人」会给我们带来商业上的利益。做产品的目的是为了让别人使用，成立公司是为了获得商业的最大化利润。所以归根结底，数据分析的目的是「更好的了解使用产品的人的行为，体验和想法」，基于这些了解，「再做产品上的改变，获得商业的利益最大化」。

比如，很多互联网公司都要分析「用户行为路径」，为什么要分析这个呢?如果我们非常清楚的知道「用户怎么进来，去了哪里，哪里看的多，哪里看的少，从什么地方跳失」，我们就可以优化「产品的交互和设计」，让用户的体验更好，让用户点击「我们想让他们点击的东西」，从而实现我们产品上的某些成功。

为什么亚马逊会通过分析用户购买的东西，做「推荐算法」?如果可以找到每个人购买的东西，然后根据「概率」计算出TA可能潜在购买的商品，然后在用户经过的页面上放上「概率大」的这些商品，用户购买的概率就会高很多。 一切都为了更好的了解用户，服务用户，最终让用户买更多的东西(或者留存率高，可以卖更多广告)。