
数据分析师,少一点套路,多一点思路
数据分析师在如今大数据时代有着举足轻重的地位。一个出色的数据分析师是能够通过自身对公司业务的理解,为各个层面提供有效,可靠的信息,并对其进行评价和预测。
作为一名数据分析师,了解公司业务是关键。分析师不是单纯地把公司各部门对数据的需求展示出来,而是更有前瞻性的思考提出这些需求的原因。除了他们提出需要的需求外,还有哪些相关的数据信息能够帮助他们理解、衡量业务。
我曾在大数据广告公司分析部门工作过,我们的做法一般是,需求部门提出需求,然后与分析师通过一到两次的会议,对需求目的,以及报表的展现形式达成一致。接着分析师用SQL在数据库读取数据,或写一些自动化程序完成数据的收集,最后用可视化软件制作报表。 但是我们常常发现,当这些部门的stackholder看了报表后,往往会提出其它的额外要求,比如再多加几个维度,比如再原有的报表上建立一张细颗粒度更细的表,等等。
1、这种情况经常发生,产生这种情况的原因有以下几种
1)提出需求的人在一开始并没有非常明确的需求。他可能在提出需求时,仅仅只考虑了一个因素,但是忽略了其它因素。
2)在看到分析师制作完成的报表后,给了需求方更多的启发。
3)提出报表需求的人可能对数据,对业务完全没有理解。
2、为了避免这些情况发生,作为一名有经验的分析师会如何处理呢?
1)加强对业务的理解。一个优秀的数据分析师,不仅需要懂如何写SQL,和编程语言,还必须懂运营,懂财务。曾经公司财务部找我制作一张关于ROI的报表,他们只是很简单的描述了一下需求,然后给我很大的自由度让我发挥。其实对于模糊需求是对分析师最大的考验,在制作这张报表过程中,你除了需要了解数据库各个表的关系,在数据库中拿到准确的数值外,你必须还需要了解公司财务和运营上的业务。在广告行业,通常有第一方数据和第三方数据,这两方的数据都能构建一个ROI的表,在思考用户需求时候,我同时也在思考是否这些数据是否能够帮助他们更清晰的了解他们的需求,或者他们会不会之后再提出额外的需求。提前思考的好处在于,在展示报表给stakeholder看时,你加入了更多对他们更有用的信息,一来帮助他们进一步了解业务,二来增加需求方对分析师的信任。 同时你对他们之后再提出的其它需求也胸有成竹,因为你在他们想到之前已经考虑到了,避免了来回去数据库取数据,重新制作报表的情况发生。
2)对分析工作的技术实施难度,所需时间的准确预测。在需求方提出问题时,分析师必须有能力对需求的难点,可行性,所需时间有一个正确的评估。有些看似容易的需求,但实施起来却相当的不易,如收集数据上的难度,或者可视化制作上的难度。有些问题几分钟就能解决,但有些看似非常小的需求,可能需要花费一天或者更长的时间去完成。比如在可视化制作过程中,经常因为一个小需求,而花费一整天的时间在网上搜索它的做法。最后不得不告知需求方,可能时间会延长,或需求不可行。这时需求方会认为分析师不专业,而分析师觉得为了解决这么一个小问题,耗费了大量的时间。
再比如,在线广告公司的 CRM,DSP系统,由于内部数据,业务的关系,有些信息并不能在两个系统找到相同的对应关系,或者两个系统中的数据有多对一,一对多的mapping情况,这些都需要分析师对数据库有深入的理解。类似的还有制造行业中企业MES与ERP系统。
3、当你已经掌握业务和技术对分析师的要求时,你应该开始着重对以下几点进行思考
1)培养自己随时document的习惯。一是对所有需求和决定都有一个追溯和记录。二来在分析师休假或者休息时,其它同事有个参考,而不是等着你来解决问题。三是避免需求方再三地更改需求,互相扯皮的情况发生。
2) 进一步提高自己的沟通能力。一个好的分析师除了能够满足需求方提出的问题外,还需要有出色的提问和引导技巧能够帮助需求提出者更进一步完善自己的需求。有些需求者并不明确自己的需求,他往往希望通过在和你的沟通中,进一步为需求方理清思路,哪些是high proirity,哪些是must have,哪些是nice to have。
3)有能力预测需求者的需求,将解决问题变为如何避免问题发生。 相信分析师最头疼的就是,需求方每天一个新主意,今天可能只需要5个数据,但是第二天又增加了一个,第三天,又提出其它相关需求。一个优秀的分析师具备预测潜在需求的能力,并且在一开始就有所准备。有时候需求方认为很小的添加,而分析师确需要返回到最开始的数据库搜集数据,有时还需要对原始数据库表格做调整,工作量不容小视。
4)将繁琐的人工重复工作,变为自动化实施,将节省下来的时间,提高并扩展自己的分析技能。作为一名优秀的分析师,当你天天忙着抱怨工作量太大时,你更应该做的是,判断自己的工作性质,哪些tasks是需要花费时间做的,哪些tasks是可以通过其它方法解决高效解决的。当你意识到大良重复的工作将会发生或正在发生时,需要做的是思考如何把重复劳动变为一劳永逸的工作。
5)从被动制作BI报表,变为主动定制KPI,并提供战略方向。当一名优秀的分析师有了足够的行业经验后,必须有能力从被动的制作报表,变为主动的搜集各方面信息,结合内部情况(如:公司财务情况,长短期战略,核心竞争力),外部情况(竞争对手,行业方向等),定制KPI,为公司提供战略方向。
6) 敏感的商业嗅觉。不同的需求那是小需求,但是相同的需求多了,分析师就应该考虑的是不是将需求产品化。毕竟现在企业不缺少做事的人,而是缺少更有行业,商业经验的人才。
将此篇文章献给将要从事数据分析师,或者在数据分析行业中摸爬滚打的你。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
PyTorch 核心机制:损失函数与反向传播如何驱动模型进化 在深度学习的世界里,模型从 “一无所知” 到 “精准预测” 的蜕变,离 ...
2025-07-252025 年 CDA 数据分析师考纲焕新,引领行业人才新标准 在数字化浪潮奔涌向前的当下,数据已成为驱动各行业发展的核心要素。作为 ...
2025-07-25从数据到决策:CDA 数据分析师如何重塑职场竞争力与行业价值 在数字经济席卷全球的今天,数据已从 “辅助工具” 升级为 “核心资 ...
2025-07-25用 Power BI 制作地图热力图:基于经纬度数据的实践指南 在数据可视化领域,地图热力图凭借直观呈现地理数据分布密度的优势,成 ...
2025-07-24解析 insert into select 是否会锁表:原理、场景与应对策略 在数据库操作中,insert into select 是一种常用的批量数据插入语句 ...
2025-07-24CDA 数据分析师的工作范围解析 在数字化时代的浪潮下,数据已成为企业发展的核心资产之一。CDA(Certified Data Analyst)数据分 ...
2025-07-24从 CDA LEVEL II 考试题型看 Python 数据分析要点 在数据科学领域蓬勃发展的当下,CDA(Certified Data Analyst)认证成为众多从 ...
2025-07-23用 Python 开启数据分析之旅:从基础到实践的完整指南 在数据驱动决策的时代,数据分析已成为各行业不可或缺的核心能力。而 Pyt ...
2025-07-23鸢尾花判别分析:机器学习中的经典实践案例 在机器学习的世界里,有一个经典的数据集如同引路明灯,为无数初学者打开了模式识别 ...
2025-07-23解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-07-22解析神经网络中 Softmax 函数的核心作用 在神经网络的发展历程中,激活函数扮演着至关重要的角色,它们为网络赋予了非线性能力, ...
2025-07-22CDA数据分析师证书考取全攻略 一、了解 CDA 数据分析师认证 CDA 数据分析师认证是一套科学化、专业化、国际化的人才考核标准, ...
2025-07-22左偏态分布转正态分布:方法、原理与实践 左偏态分布转正态分布:方法、原理与实践 在统计分析、数据建模和科学研究中,正态分 ...
2025-07-22你是不是也经常刷到别人涨粉百万、带货千万,心里痒痒的,想着“我也试试”,结果三个月过去,粉丝不到1000,播放量惨不忍睹? ...
2025-07-21我是陈辉,一个创业十多年的企业主,前半段人生和“文字”紧紧绑在一起。从广告公司文案到品牌策划,再到自己开策划机构,我靠 ...
2025-07-21CDA 数据分析师的职业生涯规划:从入门到卓越的成长之路 在数字经济蓬勃发展的当下,数据已成为企业核心竞争力的重要来源,而 CD ...
2025-07-21MySQL执行计划中rows的计算逻辑:从原理到实践 MySQL 执行计划中 rows 的计算逻辑:从原理到实践 在 MySQL 数据库的查询优化中 ...
2025-07-21在AI渗透率超85%的2025年,企业生存之战就是数据之战,CDA认证已成为决定企业存续的生死线!据麦肯锡全球研究院数据显示,AI驱 ...
2025-07-2035岁焦虑像一把高悬的利刃,裁员潮、晋升无望、技能过时……当职场中年危机与数字化浪潮正面交锋,你是否发现: 简历投了10 ...
2025-07-20CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-18