上一期就两门名企网课谈了谈数据分析的流程和所需要的软件工具，这一期我将结合实际工作中的案例谈数分流程。虽说上期我提到的Google课程总结出的流程是——Asking提问， Preparing准备，Processing加工， Analyzing分析，Sharing分享和Acting行动，但真实的工作并不一定完全包含这些步骤。比如你已经有了完整的数据表格，可以直接拿来做数据处理和分析，这种情况下就不再需要preparing和processing提到的数据样本确定，和用数据库提取数据的工作。总的来说，针对实际情况，灵活处理。
我刚开始接触到数据分析的时候，只把重点放在了「数据」和「分析」两个词上。而公司招聘，即使不同行业的分析师也都统称为数据分析师，所以直到现在才清楚认识到「数据分析」是个大类。真实的情况是——根据领域和工作性质的不同，下面还有很多小类。可能大家听的比较多的有「商业数据分析师」，「产品数据分析师」和「金融数据分析师」等等。这三种还算容易区别，「商业数据分析」侧重于分析公司的销售额和盈利，帮助公司预测未来营销情况以及提供一些业务建议。涉及到的公司类型可以有很多种，比如淘宝，拼多多，携程，小米等等。「产品数据分析」主要针对产品本身，刚才提到的几个公司中，携程和小米是有自己主攻的产品的，而淘宝和拼多多偏向于业务，没有核心的、类似于旅游项目和新手机这样的特定产品。所以「产品数据分析」更偏向于分析产品性能，和做一些产品版本的A/B测试。「金融数据分析师」就主要集中在银行和证券类公司了，做出的分析跟基金和股市涨跌等等相关。今天想要跟大家分享的数据分析，其实更偏向于「商业数据分析」，也是我正努力学习的领域。其实也可以把它称之为「业务数据分析」，说是「商业」，是因为跟「生意」和「盈利」关系颇深。首先我确信自己对投资理财这类的金融行业不感兴趣，然后我会联系我对产品分析的理解一起进行解释，因为我是通过对比来选择适合自己的类型。首先产品类的数据分析对我来说是更为细化的分类，具象、直观感觉敏锐、针对性和创新性都十分强，同时需要做不同测试来定夺最终的产品呈现。业务类数据分析的敏锐性更侧重于抽象的点、数据跨度也比较大、比较广，相比产品类的结合实际用户需求来说，业务类更多地是为公司的盈利增长服务。还是先来解释一下我这里提到的「具象」和「抽象」是什么意思？具象就是「看得见摸得着的」，你看见的苹果，就十分具象。一个产品，可以是具象的手机，也可以是抽象的旅游项目，但即使是抽象的旅游项目也包含景点和宾馆这样具象的事物。而抽象呢，可以是文字，可以是数学公式，数字和数据。下面来用一个表格详细展示业务和产品类数据分析的异同：
对比阐释也是在做数据分析，这样分析之后，我发现产品类并不适合我，虽然我认为自己的主观感受还算灵敏， 但在用户体验这一块的具象观察能力并不敏感。其次产品设计到很多设计方面的细节，也不是我的强项。回到业务类分析上，我有研究的经验，而这个经验就是比较抽象地深入挖掘结果和影响因素之间的关系。这一点和「分析营业额降低原因」，以及「分析营销渠道对销售额的影响」相关工作十分相似。综合上面的解读，在这里我也希望「对不知道选择什么类型的数据分析师」的朋友给出下面的建议，其实也是咱们做选择的时候可以问自己的几个问题。- 你是一个更善于发现生活小细节（具象）的人还是更善于从书本和数字中（抽象）找答案的人呢？
- 你之前的经验更偏向于具象还是抽象呢？你喜欢之前的工作经历吗？
相信大家和我一样，对数据分析师工作，又有了新的认识，那么接下来我们就进入到具体的数据分流程。小提醒1：这块的内容我在前两期都有提到，大家可以回到数据分析栏目的第一期和第二期对一对，这样也能增加一些理解。小提醒2：这里的分析流程不包括数据库提取数据以及数据效用性查证这两部分，我给出的设想是直接使用公司内部整理好的一手数据表格。小提醒3：分析数据所使用的工具未做说明（这里只是介绍大的流程，不包含代码），但在实际工作中可以使用Excel, R, Python等等。最近我做了好几个案例分析，也总结出了一些规律，虽然这些流程会根据实际工作需求而变动，但是一些底层的思维还是很有效用的，我们不可能在还没正式工作之前就考虑完所有的可能性嘛。谁知道未来的哪一天，你的老板是否让你做超出你能力范围的任务呢？所以，我们能提前做的事情是：尽可能理解这份工作的性质，掌握所需要的基本技能，以及我现在要解读的「通过案例分析对工作流程给出一个自己的预判」。这样的预判，就像一个框架，虽不能包含所有可能性，但也是一个相对完整的支架，可以给找工作的你打一个强行针。提出问题： 这个很有可能是你的上司或者老板给出的，比如他说“最近这3个月的销售额怎么样？”问题界定：这就是你需要做的事情了，可以问问自己，上面给的任务是什么意思呢？老板真正关心的点是什么呢？数据分析： 界定完问题，你就知道自己要争对什么数据进行分析，具体的分析步骤还得详细分分。
- Step 1：数据表格结构和简单统计分析（表格概览、平均值和最大值最小值等）
- Step 4：多变量分析（相关性分析、散点图、箱型图、热力图等）
- Step 5：建模分析（线性回归模型、逻辑回归模型、分类模型、聚类模型等。）
结果详解：通过一系列的数据分析流程，你得到了一些客观结果，结果详解就是你直接陈述结果的过程。业务建议：这一阶段就是在通过结果下结论了。结论一般都与「提升」二字相关，结合实际情况，可以是提升营业额，可以是提升用户对优惠券使用率等等。在作出业务建议的时候，最好详细到可以落到实处（还得看上面对你的要求多高）。上面就是常规数据分析工作的核心框架，可以发现「数据分析」这一步包含的信息最多、涉及到的细节也最多、变数最大、也最能考验自己的技术能力（代码和逻辑思维等）。问题界定是大脑思维碰撞的过程，在此多问几个问题，如果在这一阶段有一个清晰的思路，后面的流程就更容易水到渠成。数据分析这一步考察的不仅是代码使用、逻辑思维，还有观察力，这个观察力真的就是我们看出「数据特征和规律」的能力。Step 1我们若是能一眼辨别需要作出处理的异常数据，那么Step 2就能一次性全部解决，否则你可能做到了Step 4才发现咱们还有缺失值没处理。数据分析这一步还会用到很多可视化图表，如何选择最准确和最直观的图表也是需要考究和学习的，而如何解读图表，又是一次考察观察力的时刻。结果详解最重要的大概就是做到客观性，因为你的主观意见是留在了业务建议这一步。业务建议是我的弱项，因为这一步的关键是咱们的「商业敏感度」，不过没关系，我相信通过不断的经验积累，我们能够创建出良好的商业思维和敏感度。我个人理解的是，「商业敏感度」在某种程度上决定了你的事业高度，大概就是能做到经理级别的人足够敏感，足够有远见。好了，这部分的内容就到这里，我会在后面的分享中，结合代码跟大家详细解剖所有流程。进入今天的最后一个话题，我对数据分析工作的前景有什么展望呢？
数据分析工作发展前景
谈到展望，我想要从两个角度进行探讨，一个是「需求度」，也可以称为「热门度」，另一个是「职业发展」。
首先，「需求度」是指各大公司或者市场对数据分析师这个职位有多需要？这里我没有相关数据来支持，仅仅谈谈我个人的看法，不过我列出了一些相关文章链接，大家可以阅读然后自行辨别可信度。前瞻网：2020热门职业——数据分析师前景如何？https://www.ziida.uk/job-search/2681/一家职场机构：数据分析师：各个行业都高薪争抢，到底何方神圣？https://t.qianzhan.com/caijing/detail/191210-efa7c891.html我个人的观点是「需求度高」但不能仅局限在「数据分析师」这个称号，这里就需要结合另一个角度「职业发展」来看。如果说「需求度」代表的是社会的现状，考虑到大数据和智能时代，数据分析师似乎是个香饽饽。之前有个行家跟我说这一行还十分内卷，我想这是因为数据分析师真正用到的代码是很表面的，你可能粘贴复制别人的分析流程就能完成你的工作（不论质量和见解深度），但是薪资却又很高，像极了表面高大上的工作。我想说的是，如果我们局限在现今对数据分析师的热潮和憧憬中，那么确实我们工作的环境会很内卷，因为大家都忙着用最先进的工具和代码，而忽视了解决问题的本质是深入探索问题的来源。 「职业发展」的思考在很大程度上结合了可持续发展的思维，为什么这么说呢？因为当我们开始考虑我做这个工作能走多远的时候，我们其实在考虑工作的持续度。为什么警察和医生这两种职业延续数百年呢？因为人们并不是一味追求它的光鲜靓丽，而是真正理解了我们需要「安全」和「健康」。所以，我希望咱们也能用这样的思维来理解数据分析师的工作。字面上来说，我对自己的职业发展规划是——从数据分析到数据科学。还是警察和医生的例子，当我们不再执着于一种称号的时候，我们就知道我们真正追求的其实是「安全」和「健康」。那么，数据分析师和数据科学家是一种称号，我们追求的其实是数据、分析和科学，再深入了说，是发展和进化。总而言之，数据分析工作的前景需要我们自己去探索和定义，其次能做到本质探索和理解，相信你就能真正与之产生联系，也就能信任它，坚持做这件事情。
今天的分享就到这里，感谢大家的阅读，我们下期见咯！
