
首先,大环境不尊重数据,尤其是老板的态度。如果数据分析师只要随便给一个报告就行,数字多一点和少一点,大家也是一笑而过,并不会追根到底,那么很难让数据分析师以严谨的态度对待数据。例如,国内这几家数据分析机构,基本都在着急扩张行业,争着占领行业,对于其推出的数据有多精准却不那么在意,所以艾瑞的数据最近才会经常被人说“不靠谱”。数据分析,今天做得不准,明天再改是没有用的。比如艾瑞,如果数据不稳固,抢着做很多行业,这是不靠谱的做法,指不定哪天砸了自己的牌子。有人和我提过FACEBOOK数据分析师为什么那么牛,因为他们不觉得数据分析是一个苦事,十几个人在一个房子里把数据分析当做一件很开心的事情来做,数据分析对于他们来说是在追求科学。
第二,好的数据分析师需要一点天分,同时也需要高人点拨,但是电子商务这个圈子,真正懂数据分析的人不会超过10个,所以一般人很难取得真经。这和信仰一样,没有师傅领进门,难度也会大很多。我回顾自己从微软到易趣,再从敦煌到支付宝,在数据分析上有一次长足的进步,得益于从两位老师的身上得到了许多启发。一位是亚马逊的首席科学家韦思康,曾经,我告诉韦思康,KPI报告显示敦煌网需要4秒钟,他立马让我叫来做技术的同事(他要听到一线同学的反应),问这个4秒钟怎么测算出来,是美国人打开用4秒钟,还是英国人打开用4秒钟,用的是甚么Browser等等。这个4秒钟和商业价值(例如交易量)有关系吗?我当时很触动,连这么一个很基础的数据,他都是以求证的心态来分析的。更令我印象深刻的是,只请他当敦煌网顾问半天,按照他的工作经历来说,随便忽悠我半天是很容易的事情,但是韦思康非常严谨,先是以一个普通人的身份花了半个小时在敦煌网买东西(坚决要真实付钱),切身体会敦煌网的用户体验,然后也不先看数据,而是先问很多能更了解敦煌网的生意形态的问题。讲真他的问题比很多投资分析师来得专业。而现在许多数据分析师,包括当时我自己,只看数据就开口说问题,不深入去体会公司的商业形态。韦思康告诉我数据是一种态度,让我明白做数据的人就是要全身心投入,好像一种信仰一样,中间有许多路要走;而且,数据与商业密切相关,不能局限在数据的死角里。另一位是清华大学的教授谢劲红,有一个夏天碰巧去旁听他的课,拿一堆的数据给他看,他一边看一边给我演绎他的思维,他可以很快在一堆数据找到他们之间的关系。后来我带着团队常常去清华找他聊,他教我如何看网络数据,用联动的思维来看网络数据。可以说是他启蒙了我用 “关系”的思维看数据。一听完就回到敦煌跑到敦煌看很多数据,发现了新世界。
第三,数据分析师感叹落不了地,只能谈数据,而不懂商业。如果不懂商业,而单纯看数据,不仅很难有创意的思维,而且是没有意义的。而对于一般的数据分析师来说,大部分人没有系统思维,而且也只能看一部分数据,无法从大面儿上了整个公司的运营数据,这样就令数据分析师难以形成全面的思考方式。以我自己的工作经历来举例,为什么我在敦煌的时候数据分析能力会突飞猛进,也是因为我在前两家公司只能看到一部分数据,而到了敦煌之后我爱看什么就看什么,受谢教授启发之后我更是天马行空地把营销数据、市场数据、财务数据、产品数据、卖家和买家数据等等联动起来看,这大大改变了我对数据的运用方式。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23