起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識數據分析中的硬實力與軟實力「如何鍛造解決問題的能力」
編輯導讀：數據分析師作為互聯網行業背景下誕生的崗位，聽上去非常高大上，也有不錯的職業發展前景。本文作者針對數據分析這個崗位進行了分析，與你分享。
本文來自知乎問答。
問題：想做一名數據分析師，自學了《統計學》、R、SQL等。入門級別的，現在有點迷茫了，下步學什么才是合適的？
我目前自學了《統計學》、JAVA、R、SQL、SPSS。但都是學到學門級別的，現在有點迷茫了，數據分析有那么多工具，不知道學哪些才是最正確的，不知道怎么規劃了（問題重點）。我目前考慮的問題主要有兩個：
- 短期希望找到一份相關的工作（目前事業編混日子）。
- 長期規劃是做一名數據科學家不想走偏了。
正文：
同樣是因為喜愛而轉行踏上數據科學之路。
畢業工作后，業余時間我一直在關注人工智能的新聞，出于興趣開始在晚上自學相關的理論知識、工具例如統計學、python。突然有一天，我心血來潮，忽然想通了，為何不投身喜愛的行業，要不然也只是空有一腔熱血。
于是我便馬不停蹄地開始學習Python，并決定從人工智能時代通用基礎能力——數據分析入手。
但因為是零基礎轉行，所以剛入職很多都不會，挨罵最多的就是做的計劃不落地、提的方案脫離業務場景……經歷了許多項目、積累了經驗后，我總結了以下能幫到你的經驗。
一、工具篇——硬實力
從題主學習了這么多工具的經歷，想必跟我一樣是個“工具控”，接觸到有趣又強大的工具會忍不住去學習。
現在我作為數據分析師，題主說的工具我都有在用，目前我在用的一些相關工具的應用場景：
1. Python
常用的數據分析工具，數據科學界的明星產品。幾乎是萬能的工具，尤其是在解決重復性工作、大數據分析等場景方面特別好用。在Python列入小學課程的時代里，它絕對是值回票價的編程語言。
2. SQL
通用的數據庫語言，對于數據分析師而言，可以完成取數、分析工作。所謂巧婦難為無米之炊，SQL可以從源頭上解決無數據的問題，要不然你是無法想象IT是如何拒絕或延后你的提數需求的。
3. SPSS
“傻瓜式”的數據分析圖形軟件，可以像操作Excel那樣點點點，很簡單地完成復雜的數據分析工作，例如相關性分析、回歸建模等。
（如圖為我在實戰中使用SPSS進行特征挖掘的PPT）
目前我工作中，很喜歡用它的可視化決策樹。在實際的數據挖掘工作中，可解釋性是很重要的一環，它很多時候決定了模型的邏輯及結論是否被業務所認可。眾多模型中，線性/邏輯回歸在這方面絕對是老大，而在我發現了SPSS中將決策樹模型可視化這個逆天功能后，它就成為了我分析的最愛之一，得益于易懂的可視化圖形，它的邏輯與結論往往也很能被業務所接受。
4. R
數據科學界的老大之一，統治著專業的統計學、生物、醫學等領域。目前我在用它，是因為公司的銷售預測模型是其他同事用R語言寫的。
R與Python的差異在于：R是統計語言，有很多優秀的框架，例如Python里最常用的Pandas庫就是從R移植過去的，再例如可視化圖表的庫的表現一騎絕塵。但是在自動化辦公、應用領域卻沒有Python廣。
所以，建議剛入行的童鞋先學Python這個性價比高的語言，等有進一步明確的需求后，再按需學習R即可。
5. Power BI
非常優秀的可視化分析工具。在用Python做數據分析時，很多時候只能將分析結論可視化后黏貼到PPT里，對業務來說，他們更想要有可互動、動態更新的可視化分析結果。而這，就是我應用PowerBI的場景：數據導入后，建模分析，形成的分析報表業務直接點點點就可以感受到數據變化與特點。
但是PowerBI的建模思維有一定的門檻，而對于大多數分析師來說，Excel的圖表已經可以滿足。所以建議初學者先學習靈活應用Excel的可視化能力。
6. JAVA
是使用最廣的開發語言，與數據分析關系不大。我之所以學它，是因為我負責的數據產品幾乎都是用Java開發的數據接口，所以才需要懂一些基礎。
想要從事數據分析工作的同學，不建議學習Java
7. 分析工具的優勢
以上的提及的工具，建議挑選1-2個，如SQL+Python，進階學習。最重要的是進行項目實戰，可作為短期找工作的敲門磚。
掌握分析工具可以更快地在業務公司搶得眼球，可以應對復雜的業務需求。
工具無法解決的問題——對業務場景的理解
工具可以解決很多深度分析需求，但是重要核心還是用工具的人，分析思維還是要回歸業務場景。
二、思維篇——軟實力
職場里真正重要的是：解決問題的能力，而它由定義問題、找到原因、落地建議三部分組成。
業務需求的提出，簡單地說，便是業務在運營過程中，發現了問題，故想通過數據分析找出問題原因所在，進而解決它。
1. 定義問題的能力
只有正確的問題才能指引數據分析工作往正確的方向進行。
從一個模糊的問題說起：今天領導提出，最近老客表現差了。
下面對領導提的問題進行剖析：
【觀點與事實】
“最近老客表現差了”，首先這是一個觀點，不是事實。
【還原事實真相】
作為專業的數據分析師拿到這樣的觀點之后，第一件事是要還原事實的全部：
- 最近：最近是多長時間周期，這周？近三周？還是上個月？
- 老客：如何定義老客？以往注冊過、但并未消費的客戶？還是說一定是有歷史消費的客戶？
- 表現：哪個指標？重購金額？回柜人數？
- 差了：是同比下降，還是環比下降，還是說增長幅度不及預期？
面對領導的業務觀點，我們還原的事實是：上個月（2020年12月1日-12月31日），以往消費過的老客，在回柜消費時產生的消費金額，環比（與2020年11月1日-11月30日）下降了30%。
【事實與觀點】
組建好事實集合后，要利用信度效度思維，重新審視領導的觀點是否客觀、合理。
信度：
代表的是數據的可靠性程度和一致性程度，反映數據的穩定性和集中程度
也就是說，數據計算結果之前的取數邏輯、數據清洗工作是否合理，是否符合業務場景邏輯？
效度：
指測量工具能夠準確測量出事物真實情況的能力，反映數據的準確性。
簡單地說，這樣環比的比較是否有意義？例如品牌或行業屬性是節日敏感的，上上個月有雙十一大促，而12月是淡季沒有活動，不論是橫向與行業內其他公司，還是縱向按往年的經驗，12月重購金額比11月下降20-30%是合理的波動區間。
所以，這樣的事實似乎無法支撐領導的觀點。
2. 尋找原因的能力
實際工作中，找到問題，并將它明確之后，就要抽絲剝繭般找到問題背后的原因，而這一定要回歸業務場景本身，才能在理解業務的背景下，通過數據分析，找到原因所在。
【了解業務】——梳理業務流程
了解業務的過程，實際上就是在不斷溝通的過程，這也引申出數據分析師職業特性：溝通、溝通與溝通！對此暫不展開講。在與業務溝通的過程中，要盡可能多且深入地了解目前業務的動態，盡可以還原業務的全貌。
這個例子里，因為是在單品價格高的行業里，客戶購買產品后，因為產品價值高，所以一般都會存在護理需求，所以售后政策是在質保期內可以免費護理1次。
而業務也正是找到了這個切入點，針對已享受過護理次數的客戶，贈送免費的護理次數，以吸引他們到店來護理，而有了面對顧客的機會，自然也就有進一步銷售的可能。所以現場還會準備新品、活動宣傳等材料，處處精心營造成沖動消費的心理暗示。
【建立公式】——數據思維+業務流程
從業務流程中抽象出來：圈選目標客戶 → 通過護理吸引到店 → 營銷促銷 → 消費。
應用數據思維，進一步抽象成公式：老客重購金額 = 目標老客數 * 到店率 * 轉化率 * 客單價。
抑或用“人貨場”業務思維進行討論。
【理解業務】——搭建業務模型
基于公式，將流程建成立體的網狀結構，形成針對某個具體場景的業務模型。
【數據分析】—— 找到問題所在
通過在業務模型的框架內進行分析比較，我們才能看到某一個業務的全貌，才能發現背后是哪個模塊引出的問題。例如案例中，數據分析發現觸達客戶中，回柜率很低，問題可能在“老客”、“回柜”。
從歷史數據上看，此次采取的吸引到店玩法都是很成熟的策略，有很好的成功案例，數據表現良好，所以問題可能就是出在“客戶池”——運營維護部分，如沒有分群營銷。
3. 落地建議的能力
【KPI相關】
分析項目是否可推動實現很大程度上取決于是否切合業務KPI。
根據多次和業務合作的經驗，尤其是對數字化決策不那么敏感的公司， 甚至是由上至下的數據分析項目，分析結論很容易淪為一紙報告，而不了了之。很大程度上，是因為分析建議與實際業務動態偏離，即并不是業務的考核重點。在資源有限的情況下，也就難以執行。
所以，在最后給落地建議的階段，還是要回歸業務，了解業務的運營計劃，在現有的項目下，去試驗、實踐分析建議。
【符合實際操作】
不要嘗試去改變業務習慣。
問題在于用戶分群的問題，應用RFM模型進行精細化運營。一般來說，RFM模型分為八大人群，根據不同人群特點進行精細化管理，例如案例中，針對重要價值人群進行新品發布會邀請等差異化體驗，針對重要喚回人群進行節日關懷策略等。
但是如果了解實際業務操作的話，對于零售企業來說，并不會按八個人群去實踐，而是選其中的幾個重要人群，或者進行二次組合，以減少客服部門的觸達量。
知道這樣的背景后，就不要再去建議說分成八個人群給不同的建議，而是有優先級地劃出人群優先級，或者配合給人群合并運營建議等。這樣考慮到實際操作情況，業務自然也能感受。
【分析深度】
另一個落地建議，就是一定要具體可行。
在已知數據分析結論不容易落地的情況下，將結論建議盡可能地具體，給出“令人驚喜的”發現，才能更容易去推動項目。
但是不要忘記數據分析與業務執行之間的邊界，在大部分情況下不要嘗試去給具體的落地計劃，否則很可能會引起反效果。
如何做到具體可行？則需要縱向的分析深度：
分析模型的深度理解：
如圖RFM分析案例中，但在我看來，RFM模型的’KPI’在于良性人群的占比提升。所以將門店RFM人群結構及關鍵數據進行同期對比，可以達到進一步分析的目的。
杜邦分析與指標拆解：
這部分內容可以參考：數據分析的結果該如何落地？ | 人人都是產品經理 (woshipm.com)
本文由 @餅干哥哥 原創發布于人人都是產品經理，未經作者許可，禁止轉載。
題圖來自Unsplash，基于CC0協議
寫的不錯
大佬～