空白寫在前面：
歐陽帥氣的照片
我們公司包括我有三位數據專家。除我之外，一位36歲，另一位46歲。我比他們都要小，這說明數據分析是一個新興行業。在十多年以前數據分析的概念還很模糊。在十年或者十五年以前，如果你把Excel表格玩的很溜就很厲害了。但是現在，如果大家去找一個數據分析的工作時，表示對Excel的操作很精通，在面試官看來就是件很基礎的事——說明這個行業變化很快。走到同樣的位置上我花的時間比他們都要短，并不是說我比大家都厲害，更多的是我踩在了時代的浪潮上面。
職場轉型
根據活動前的調查問卷，來參加小數點的小伙伴，大致可以分為以下兩類人：
新手區——關注職場轉型：從0-1 or 從0.5-1
訴求：邁進數據分析的門檻。
人群：一般是大學剛畢業，或者畢業一到兩年、沒有從事過數據分析相關工作的經驗。
思考：職業規劃、職業發展方向、我如何進入這個行業。
成長區——關注職場晉升：從1-2 or 從2-100
訴求：在數據分析這個專業領域內做得更好，發光發熱；職位升遷，承擔更重要的職責。
人群：已經在公司內任職過一段時間數據分析的相關崗位。
思考：增加個人影響力、精進自己的技術水平。部門內部：搭建、管理團隊；部門外部：業務溝通，解決同業務配合不順利的問題。
所以這次分享，我會盡量講一些比較基礎的內容，盡量覆蓋以上兩類人的訴求，也會針對活動前調查問卷各位提出的問題做一些解答。
什么是數據分析：
數據分析—— 一項職場技能
在我的理解里，數據分析是一項職業技能，而非職業。所以數據分析師，就是把數據分析作為主要或者優勢技能的一群人。
我大概看過3000份簡歷，面談、電話、微信面試過接近1000人。面試之外，我接觸過更多，無論是傳統行業還是非傳統行業做數據分析的小伙伴。據我觀察，傳統行業里，數據分析的定位，大部分和銷售、生產或者財務有關。很多傳統行業內從事數據分析的，主要幫助老板規劃這個錢應該怎么花，或者告訴老板哪里的市場增長了，哪里的產品銷量下滑了。財務端的組織很多叫做經營管理處。除了特定行業的研發口，財務規劃以外的數據分析工作往往并不要求專業的數據分析能力（相對而言）。
互聯網行業的話大家可能比較熟悉。數據分析在運營、產品、推廣等各個模塊都有應用。成體系的例如增長黑客，都是基于數據做決策，在數據思維和經驗思維之間轉換，尋求結合點。互聯網企業也有財務部分，所以數據分析＋財務也同樣存在。
有沒有快速提升（升職加薪）的捷徑：
正統的說法肯定是沒有捷徑，但考慮投入產出比，還是有相對更“經濟”的路線可以選擇。很多小伙伴說我對財務不感興趣，運營、產品、推廣之類的數據分析工作又因為不是一線業務人員，或者數據分析專業技能上有欠缺，給出的分析報告價值不大，業務認可度不高，想快速提升自己（主要是漲工資）有困難。那我的觀點，在發現你對銷售不熟悉對生產又不懂，搞研發又扎不進去（很多企業研發部分的數據分析專業度要求很高，需要在本科和研究生階段進行很長時間系統化訓練）的時候，相對來說比較可以快速提升（很快能夠把工資翻幾倍）的路線就是數據分析＋財務。
帶上財務思維的數據分析，往往效果都不差，尤其是在遇見財務思維薄弱的運營、產品和推廣同事的時候。
工作方向
數據分析的相關工作方向有哪些：
數據分析：
基礎工作：統計、報表、數據清洗、一般業務分析等相關工作；
進階工作：有的會涉及商業分析，價格策略、市場分析和戰略分析；高階工作：進入戰略規劃部門，從事經營計劃、發展戰略等工作。
數據產品：種類很多，有廣告數據產品、游戲數據產品、增長黑客相關的數據產品、數倉相關的數據產品等，當然也包括BI。
（說到BI，大家對BI的理解是什么？BI全稱是BusinessIntelligence，小數點數據分析訓練營學的是Tableau，一款幫助我們實現商業智能的工具。所以有的數據分析工作涉及BI，在數據產品的工作內容里也有BI。數據產品這邊是造工具的，數據分析這邊側重的是思考、應用和落地，這倆是有差異的。）
數據科學：Data Science，包括算法、模型、AI等。這個行當我認為是需要看天賦的，要求一個文科生半道轉型去和一個接受了多年專業教育的人競爭算法和模型能力，顯然風險較高。所以這條路建議大家慎選。
數據工程：有些小伙伴是軟件研發出身的，在數據工程里面跟數據有相關性的工作，比如做數倉開發，高級一點做數倉架構，數倉設計等，或者數據治理，定規則定標準。
職業生涯
很多人會問，我怎么從0到1開始數據分析的職業生涯。
首先，要有興趣。我一直堅持興趣是源動力，有興趣才能把這件事最好。
其次，在一個公司內部，如果不學數據分析，沒有數據思維，工資是一個數；具備較為成熟的數據思維，做過一些相關項目，或者說花兩千塊錢報名參加小數點這個課程，工資可能會翻一倍。能為公司創造價值、節約成本、增加收入、提高單位產出，能更有效率的做到這些的，老板理所當然會加工資，個人也會體驗到成就感。
所以不學數據分析，沒有數據思維的人在很多企業里，和懂數據分析的人比，在我看來是野蠻生長的狀態，拼的是體力而不是拼腦力。數據分析一定是靠腦子賺錢，我們的附加值叫做智力。
這里就引出我歸納的九個力（最后一個“立”不太一樣，但發音一樣）也就是先天條件：
智力：智力是必要的，天賦很重要。在座各位都上了大學，那在我看來基本智力都沒問題。
體力：也很重要。學習數據分析過程中會發現很多東西都要消耗體力，在小數點線下學習兩天從早到晚然后還有六周作業等著你，做不完培訓老師還要催你。所以體力很重要，特別對剛畢業的小伙伴，或者從0到1要快速趕上別人，那可能要花更多時間和精力在學習上。
腦力：就是說你能多長時間集中注意力，focus在一件事上，不停的去思考。這個需要訓練，很多人學了五分鐘又去干別的，再學一會有點累再學一會要活動活動，起來喝點水干啥的，斷斷續續是不行的。
記憶力：記性要好。
視力：很重要，我們做數據分析長期面對電腦，很多數據包括圖表在你眼前晃來晃去，如果深度近視兩千度不太建議從事這行。
想象力：這個東西很抽象，我還沒想好怎么解釋，大家自行體會。
最后三點是我發現，優秀的數據分析師都具備的，通俗點講賺錢多的人具備的特點：自驅力、源動力、獨立。
自驅力：很多人有，可能每天早上干碗雞湯，給自己打打氣我是最棒的就覺的有自驅力了，然而光有量沒有質，徒有其形是不行的。你是不是真的“信任”自己，“信賴”自己，很重要。
源動力：很多人搞不清自己為什么要做數據分析，所以浪費了大好年華和天賦，幾年后進步很小。而很多在這個行業做的好的數據分析師，遇見一個新生事務、新的概念，他自己會去學，去歸納，去總結，去想怎么應用。一是他有這個自驅力，而源動力就是不管遇到多大的困難，他都能堅持下來的理由。
獨立：雖然看起來這個是硬湊上去的，但是也是非常重要的。比如經常有人問我python怎么學？我說你做了什么，研究了什么看了什么。他回答說，還沒有開始。我問那你為什么要學呢？答曰因為公司工作需要。我說那你考慮是否要學習花了多長時間，告訴我大概是昨天的想法。這在我看來就是不獨立。
大家都是成年人了，現在網絡這么發達，很多技能和知識在網上都可以學習到。很多大牛幫你整理好了學習資料、學習路徑，總結好了學習經驗和心得體會，你至少花點時間看一下研究一下。哪怕你淺嘗輒止過個大概，都不會問出這種看起來簡單實則很難回答的問題。光一個Excel，大牛都可以給你講很久的課。而大牛們花了這么多時間學習，即使工作再忙也會抽出時間學習新東西，學習其他大牛的經驗分享，然后要求我在幾分鐘內給你講清楚怎么學python，顯然不現實，也不合理。所以，我希望各位都要獨立一點。自己先嘗試，哪怕它很難。可能會花費你一些時間，但學習效率也是有一個增長曲線的。有個說法叫刻意練習，保持專注在學習上（小數點tableau訓練營也不是短時間2天課就結束了，課后還需要不停練習），但也不是就要求你嚴格遵守學習一萬小時的定律，至少不要遇見問題就想著向別人求助。比如學習Tableau，僅僅是工具操作，上官網看教學視頻，全部看完也就兩三天，基本的操作也都掌握了，之后再增加練習量，這時候你再跑到“磁場”提問，問題就很聚焦了，別人就會很樂意和你交流。
（所以如果有人跑來問我怎么學tableau&商業分析 那我只能說來參加小數點，這樣最高效。）
先天之外，我把后天的東西也歸一下類，這個是從大家的問題中提煉出來的。
敏感，分幾種：
對數據敏感、對商業敏感、對業務敏感、對流程敏感、對產品敏感。
業務敏感：
大家對業務方的理解是什么？假如你們從事數據科學和數據算法。業務方在和你們提各種要求的時候你們在想什么？大膽一些，我幫你們說出心里話：很多做數據分析的小伙伴，覺得業務方是豬。他怎么能提這種需求？他覺得你取個數、做個報表、做個看板，簡簡單單就搞定了。他們說“這個需求很簡單”，那我們做數據分析的小伙伴就說“這個需求做不了”，很容易就會有矛盾。
所以，做數據分析，必須要對業務敏感。
（在我眼里，業務方都是“奶奶”。怎么理解？就是很難接受新事物，動作不快效率不高，對專業名詞的理解能力不強，溝通需要耐心的人。一件你認為很簡單的事，可能需要溝通三到五遍。所以在公司看到業務方，你要想奶奶來了。我要求我組里的小伙伴，包括數據分析師、數據科學家，把業務方當作你奶奶，你就很容易理解對方。碰到一些你看起來很簡單的問題，你要慢慢講，拆開了揉碎了講。你做了一些很復雜的東西你認為奶奶看得懂嗎，你奶奶不關心你用的決策樹、增強學習算法之類的東西，因為奶奶看不懂。他只需要你通俗易懂地告訴他這個東西能干嘛，能不能解決我的問題，我要干嘛、我要怎么配合你落地，我的目的通過你的模型有沒有達成——這就夠了。
把業務方當奶奶之后就會對業務很敏感。因為奶奶是你的親人，你要關心她愛護她，關心她的一舉一動。這種感覺不知不覺帶進去之后你就會不自覺的想，我要好好照顧我奶奶。這個時候你看待業務方就不一樣了，你會對業務有敏感性。今天業務方比如在數據報表里面某個指標出現異常了，你就得唉呀這個地方出現問題了。你就會先于業務發現這個問題，你就會先于業務關心這個問題。業務也會覺得你好關心她，你好懂他，你好理解他。）
流程敏感：
流程的敏感性很重要，合理健康高效的流程是可以幫助我們大大提升工作效率的。很多業務方跟數據分析方配合的時候對流程很不關心，很隨性。今天心情好溜達一圈就跑去找數據分析提個需求。這就不符合流程。要有流程、有制度、列好12345把流程梳理清楚，標準化工作后才能避免很多麻煩。說直白點，很多數據分析師在公司都是背鍋的人，有些業務方覺得這個數據分析師好爛啊，怎么還沒解決我的需求，怎么飄在空中不能落地——總之就是不靠譜，怎么這么點需求你都不能幫我完成。我覺得這個鍋不該數據分析師背，很多時候是流程不清楚。才會導致的問題和現狀。
思維：
然后思維方面，需要大家具備幾種思維：首先邏輯思維，然后抽象思維。抽象思維就是把你實際遇到的問題或者困難抽象成你能理解或者你伙伴能理解的問題。
我們公司有個數據科學家算法模型之類的技能很厲害。事業部的數據分析團隊一個月做不出來的模型和算法，在他那一個星期不到就能搞定，而且是質量免檢產品。而他有兩個特點，第一在他眼里業務部門都是豬，第二他不太喜歡和業務去解釋他的交付物是怎么做出來的。他想的是我在這塊很厲害并且在這行干了這么多年，然后公司對我很重視，我做的這些項目，說了你能理解嗎？經管專業的、搞銷售的跑來跟我討論算法的問題，靠不靠譜呀？所以我每次和他配合，我都會把所有的業務問題抽象成數學問題。一個業務類項目，我跟他配合就把業務問題抽象成六個數學問題，他幫我把這六道題解了，解完以后把結果交給我，我再把結果拼起來，整合完，就成了我需要交付項目的交付物。
所以抽象思維很重要。抽象思維在于你跟業務方溝通，和你的合作方溝通，和公司的研發單位溝通。和任何部門溝通都能運用到。因為有的問題，是A部門的專業領域，A部門的都懂，但跨部門到B部門，你可能就要用抽象思維變換一下說辭，用大家都能明白的語言講明白。我希望大家多打比方多舉例，舉一些別人很容易理解的例子。這會很有效得提升你的工作效率。當然老板也會覺得你很厲害，可以把很復雜的問題，用最簡單的方式講清楚。
關聯思維：我們很多做數據分析的反應，通過分析發現不了問題，對業務方提的一些問題，沒有思路，不知道怎么去分析。那在我看來可能是缺乏關聯思維，不會去看前，也不會去看后。比如說，做淘寶銷售，推廣環節、供應鏈環節、商品環節、用戶環節，相關各個數據各個指標中間都是有關聯的，是一條線上面的事，牽一發，動全身。
（再比如，大部分業務都和錢有關——錢是怎么在企業內部流轉的。我們公司雖然是做電商的，但我經常跟我們老板比喻我們是賣水果的：早上從農民伯伯那里把水果進過來花了十塊錢，然后我們找好地方把攤子一擺廣告一打開始賣。有的水果今天賣不完第二天很容易就會壞，當天傍晚就要考慮清倉，而有些生命周期長的比如像橘子哪怕今天沒賣完，明天后天咱們接著賣。如果我今天賺的錢大于運費、廣告費、城管的罰款、爛掉的水果的損失，那么我這個現金流大概率是健康的，基本盤越轉越大。這個時候老板就會說這個事情很好做，比如融資拓寬業務線——找人借點錢搞兩個水果攤。對現金流搞不明白的、缺乏財務思維的人，你直接講資金和周轉問題不一定能懂，財務也不一定能搞懂銷售的內部邏輯，那分析師可以舉個大家都懂的例子來解釋問題，成為業務之間的橋梁和紐帶，而不是只是提供冷冰冰的數據）
思維之外，提個概念——人效。數據分析崗位實際是代表了人效。十個人做的事，通過算法、模型、Bi等，一個人就做完了。比如做Excel報表效率很低，但搞成tableau這樣做成可視化，效率就提升很多。
技能：
很多人會思考學習數據分析我需要會哪些技能？
傳統企業數據分析：必須excel 。SQL甚至都不一定需要——因為不一定有配套的數據庫——雖然他們想建立數據庫，但老板不知道怎么搞，沒有這塊經驗。或者投了很多錢搞最后沒搞成。如果在傳統行業里面，專精Excel的，VBA一定要好好學。再加上扎實的統計基礎，可以應付大部分業務問題。
有個小伙伴問我基礎的數據分析崗位都是6-8k，就擔心薪資的問題。雖然今年經濟不如往年好，但也不至于到這么低呀。我打開招聘網站瞧了瞧，基礎數據分析，傳統企業的，6-8k居多，互聯網類型的，8-12k居多。根據我的觀察，掌握三個基礎技能：excel，SQL，統計。可以保證你拿到8-12k的基礎薪資。那么具體多少看你掌握這三個技能的程度。比如加上VBA肯定就不止這個錢的。很多基礎崗位的數據分析招聘要求會看到要求掌握模型，算法。我可以告訴大家在基礎崗位用不到這些東西。也基本不會面試這些問題。如果真的碰到了只能說運氣不太好。所以基礎8-12k是基本用不到模型算法。但為什么招聘方要寫出來呢？你肯定不愿意一輩子做基礎工作吧？總想著要進步嘛。企業是希望你有潛力掌握這些，或者你有這部分基礎，以后成長性更好。
企業都希望求職數據分析的能掌握一定的模型和算法，包括用python來做數據分析。但其實真的不一定有那么多專業的分析師在用python搞分析。不要認為招聘簡介上寫的，似乎這公司所有數據分析師都在用python搞分析，研究下企業背景，實際數字大概率50%都沒有。但反過來想，如果你會python，那你超過這50%人口的概率是不是就高一點了？可以和另外50%的人競爭了。除此之外，還有評分卡、規劃求解、聚類、分類、F檢驗、T檢驗等，這幾個可以記一下關鍵詞，如果你不會沒聽過可以回去百度知乎，會有各種教程告訴你怎么學，學會并不是很難。
有時候老板給你一個任務會直接問你今晚能給我嗎？——不行。那明天能給我嗎？時間緊任務急，不會有那么多時間留給你細細地做模型搞算法。所以在我看來，好的模型和算法，不一定是100%精準的、最時髦的、最高階的那些數據分析能力或者算法；有效的、一定程度上能說明問題的，解決老板需求和當下困境的算法和模型就是好算法。所以評分卡是很常用的模型，不管你是互聯網、金融，還是什么電商、游戲公司都會用到。他的常用程度在我看來能解決很多問題。哪怕是人事做績效，評分卡都很有效。然后規劃求解在Excel中能很快得出結果。關于T/F檢驗如果你老板不懂數據分析，那么你不做這些東西你老板也不知道。但不是鼓勵大家作弊，如果你做了一個分析報告或者回歸模型，還是要做一下檢驗，這是必要的，也是一個職業操守問題。
高階技能包括時間序列，機器學習，自定義。時間序列像python里面有很多包可以解決這種問題，前提是有相關思維在。機器學習的話可以提高效率，通俗點能幫助你賺到更多的錢的技能，畢竟工作是為了錢。 自定義很重要，比如我們公司現在做的很多模型和算法相關的項目都是自定義。很多業務問題并不一定有現成的歷史參考案例，或者行業案例可以學習，那就把我前面所說的各種敏感性，技能等聚合在一起，定新標準、用新方法、擬新方案。
最后有個附加技能：財務，財務和會計是兩碼事。懂會計不一定懂財務。懂財務是很重要的事情，相關教材看個一兩本，建立正確的財務和管理會計思維后，對業務的理解能力會上一個臺階。
以上所述，可能各個行業要求不同，不同行業有不同特點，所以只是大概做個分類。也許有人和我想法不一樣，也很正常。但是要獨立思考，哪怕你覺得我說的這些都不對都沒有問題，但是要清楚你為什么想做數據分析，目前在怎樣的level，未來打算朝哪個方向發展。
工作內容
數據分析每天都在做些什么。
標準：指標工作流
我們公司過去的指標標準化很不好，開會的時候，各部門講的銷售額都是自己理解的那個值和定義，公司到一定規模后，這種不對稱是很嚴重的問題。光銷售額這一個指標就有很多種定義，隨便給大家列舉下，比如訂單銷售額，出庫銷售額，支付銷售額，真實銷售額，這些銷售額定義各不相同，而財務端看的銷售額，算法跟這些又不一樣。
所以不管你是公司技術部門、業務部門還是銷售部門下屬的數據分析，還是總經辦、經管處等，不管你在哪個單位做數據分析，進入公司之后，第一件事，了解公司業務，了解各個部門誰說了算，了解各部門配合的風格和特點，進而了解這些部門的相關指標是什么。了解不同指標的定義，這件事是個特別有價值的事情，也是能保證你在這個公司干很久的事情。那如果是你定義這些指標業務場景的話，你就是公司里面定標準的人，你的重要性就很高，漸漸就會具備一定的不可替代性——這是我教大家怎么度過試用期。
治理：很多人說公司數據庫做的不好臟數據很多，跟數據治理有關。涉及到數倉架構，很多人沒有這種能力。開發流程 權限，這些是依托于上面的標準化之后的，如果有同學在搞這些事情那么就是往數據工程這方面再走。它的應用場景會很大
分析：復盤，就是事后分析。預言，就是事前做的分析。戰略分析，就是更高級別。然后匯報的分析
算法 模型：跟人效 錢效 時效有關。
課后小黑板
1目標 2資源 3方法論
第一個方法論：
做任何事的目標是什么，不管是別人提需求還是自己想要做這件事，明確我的目標。知道有多少資源，在我的工作里面我的資源是時間那么對應的是人效和時效。花多少時間要多少人能做完，有目標有資源之后再去想方法解決這個事情。
第二個方法論：
把所有工作劃分一下，包括學習生活都可以運用起來。比如你覺得轉型是重要不緊急的 就可以分先后次序。業務部門給你提需求就是他認為很緊急很重要，在我看來這些事都不重要。緊急不重要 或者不緊急不重要。因為很多業務方提需求今天提這個明天提那個需求，一個星期變四次需求很正常，還經常說我就改一點點，很簡單的。你只要隨便一改。這時候我想你怎么不自己來。這種事情在我看來對錢效時效 人效沒幫助的都不重要。
我們需要做的事跟公司人效 錢效 時效有關的才是重要的。規定你哪一天過來提需求 我每天給你交付什么。
不管什么時候都要記住我們是和人交流和錢交流 和時間交流。如果你做的分析跟這三個效字沒關聯，就屬于不重要。
掌握數據分析沒有你想象的難，但比你想象的重要
END
