职场效率及注意点，数据领域职业选择有哪些

01 关于数据分析和基本技能

如今，数据科学家，数据工程师，数据分析师的职位越来越热门。这些职位不仅跟数据密切相关，同时又需要具备一定的业务理解能力。大多公司也越来越重视数据在业务上的影响力。这篇文章主要想谈谈的数据分析师的微笑经验。

内容基于笔者5年多数据分析岗位上的经验及体会。面向的读者是：

①专注成为数据分析师的同学。

②对数据分析感兴趣，平时工作中也需要数据分析的同学

③同行（欢迎交流指正）

入门数据分析并不难，但想成为优秀的数据分析师并不容易。首先要过硬的数据技能，其次要有敏锐的商业嗅觉，再次是流畅的沟通和表达能力，最后不断地实践这些能力，在实战中应对商业的变化，提升分析能力，从而发挥在业务端的价值，甚至产生你的影响（make business impact）。

关于“数据分析”(Data Analyst)这一职位，通常一定规模的外企和国内的互联网、IT、金融等行业会设有专门的数据分析岗位，也有着不错的发展路径。而在一个公司里面，数据分析师可以存在于不同的部门，销售支持，财务，市场研究，R&D等等。但每个部门的侧重点也是不一样的，我原来在销售支持部门，虽说是数据分析，但理解业务，与销售端交流是很重要的。但如果是在R&D，技能上的编程要求，对架构的理解可能更重要。

数据分析最擅长的工具一定包括Excel，通常好的数据分析师一定是一个非常非常专业的Excel使用者，这其中包括了对Excel常用公式和功能的理解及使用（数据透视表，各种图表等）。其实掌握Excel基本功能也是很多其他岗位（Marketing，Finance等职位）的必须。作为一款数据处理的基础工具，市面上有太多的Excel教程。我个人的建议，可以从一本书+视频教程+自我练习的方法来入门或者进阶。

Excel更进阶的另一个大技能是VBA，它是以Visual Basic为基础的编程语言。但，掌握或者使用并不需要太强的编程背景。这也是为什么知乎上很多用户推荐用VBA作为高阶Excel的技能。VBA用的好可以玩转各大金融投行，咨询公司的数据处理自动化，报表批量产出等。VBA的优势是跟Excel的无缝衔接，能够用简单的编程实现数据自动化，或者金融模型实现，预测分析。即使在今天Python、R非常火热的数据挖掘，数据科学领域，仍然有不少公司选择使用VBA。

另一大数据技能就是SQL,SQL和Excel已经成为这一岗位在发布职位时的标配了。SQL是结构化查询语言，对接的是后台较大较系统化的数据库。它的优势是基于不同逻辑的数据抓取会很方便和有效率。基本的语法其实并不难，会使用join table、sub query,
case when、rank这些功能其实不是太难，难点在于通过不同的练习，训练出一个良好的逻辑思考能力。简言之，就是知道什么商业需求可以实现，哪些需求需要更久的时间。此外，对业务的理解也至关重要，千万不要小看这个简单的数据抓取，好的SQL实现者一定是对业务理解透彻，事半功倍的。

如果致力于从事数据分析工作，那除了掌握Excel， VBA，SQL之外，还需紧跟趋势，学习最新技能，但同时也得夯实基础。记得我2011年本科毕业的时候，跟现在2018年同样一个数据分析职位的JD是完全不一样的。而且公司或者业务层面对数据分析的重视程度也不一样。建议要不断更新自己的技能储备，至少了解现在在发生着什么，什么是基础，什么是进阶。随便贴一个Linkedin上面的数据分析岗位要求，感受一下。

这里更想强调一下对数据和商业的理解。一般三年以内可能还是在磨练技术，过了三年就开始思考更深一层的东西，就是在有了“术”的基础上，往“道”的方向思考。

理解数据并非易事，至少需要几年经验的。通常在掌握了基本技能并且熟练使用的基础上，加上累积的商业实践，一般来讲都会产生一种数据直觉。具体体现在：

第一：当遇到一个数据需求会先分析，而不是上手就做，因为有时候需求并不合理。

第二：会评估不同数据项目的时间进度和反馈频率，新手很容易不沟通，很苦逼地做了很长时间之后发现结果不是用户想要的。

第三：当出现不合理的数据时第一时间能够反应过来并调整。如果能做到这几点，效率会大大增加。

02 职业选择

①坚持数据分析师，当然这个title是可以变化的，但工作内容本身还是一脉相承的。比如我现在是在Finance部门下面的Business Finance做Finance Analyst，但我们team有专业的CFA分析师，FP&A分析师，我就是做Data Analysis。

② 转型为数据科学家（Data Scientist），需要恶补统计学，Python和R，还有不断地应用到商业实践。

③ 商业分析经理(BA Analytics Manager)，该职位商业性强，沟通强，懂技术但不用去做基层的“苦力”工作，并且能够找到得力的下属做事。

④ 数据工程师（Data Engineer），比较后端的职位，技术性强，对架构，数据底层的了解更深，我的理解是比较适合理工科出身，不太希望与业务端打交道，代码逻辑很强的童鞋。

⑤咨询师（Consultant），此职位更偏重商业分析能力+沟通能力+表达能力，这个对于硬性的技术要求不高，但软性特别高。但好的咨询公司待遇相当棒，招人的条件也是很高，名校背景，很高的GPA成绩，自信表达能力，精准沟通等等，总之非常不容易。不过一般有一个咨询团队，有前段后端之分，后端（支持段）偏技术分析，前段偏表达沟通。这个职位的跨度就比较大，但是我还是鼓励各种可能性的发生。要敢想。

当然还有其他很多职位，比如数据挖掘，数据可视化工程师，产品或策略分析等等，各自有侧重。

03 职场效率及注意点

技术永远只是手段，产生价值才是王道。这里面涉及到诸多的能力需要不断磨练，比如意志力，沟通能力，演讲能力，好奇心，创造力，影响力等等。这些都是能不断塑造一个好的数据分析师的重要素质。要去make the change and influence，不只停留在数字展示。

好的身体会使你拥有更多能量。职场里面那些充满能量，对新鲜项目感兴趣，滔滔不绝做presentation的人通常都是有着很好的生活习惯，处理事情很快，吸收知识很快，愿意学习了解新事物，坚持锻炼的人。这个法则适用于大多职场。拼到后面其实是持久的耐力，就是不松懈，坚持对的事情。

别钻牛角尖，要灵活。如果一种方法试了好久都不行，停下来，问一问，试一试别的，可能会有新的出路。职场不是一个学术的地方。我们要认真做事，但是不要追着一个小的问题不放，这样很容易丢失掉大的东西， 负责任地讲，有很多项目是半途而废的，有很多数字不是准确的，我们要做的是顺势而为，抓住重点。Always focus on big picture.

先做倾听者，再做思考者，然后做好的提问者，最后做实现者。这里每一个环节都重要，先知道别人关心的是什么，有什么问题，然后要系统性考虑，有时候不要着急解决小问题，Focus on big picture，此外，提问出关键问题甚至能够帮助stakeholder更清楚了解他要的是什么，最后搞清楚了这些之后就是Action。

有意识地去跟人交流，特别是业务相关人员，以及各个条线的stakeholder，如果仅仅利用必要的时间，比如开会的时候交流彼此对业务对分析的看法，通常是不够的。我们作为分析人员，最好要走在前面，试探性的问问题，交流想法。提升自己举例子的能力，把复杂的东西通过简单的描述让别人理解很重要。

不停的总结，迭代。其实数据分析里面的分支学科还是很多的，ETL, Data Cleansing, 一些基本分析模型，Data visualization等等，不管是自己做过的项目经验，还是网上看来得好文章，或者同行交流来的新的好的内容，都可以不停的总结，试用，反馈，以此循环。长期来看是非常有好处的并且容易形成自己的体系。