數據分析究竟是在做什么？什么是數據分析，如何做高質量、有價值的分析工作？這篇文章給你答案。數據分析不只取數，一起做高價值數據分析師！推薦對數據分析，數據運營感興趣的童鞋閱讀。

有一個做數據分析師的朋友，向我表達了他的焦慮。他覺得每天的取數沒有技術含量，知道自己要做分析，但不知道怎么做分析。這位朋友是很多人的縮影。

很多人從第一天入職開始就是從取數做起的，以為取數就是工作的全部內容。從來沒見過真正的分析是什么樣的，也沒有參與到業務的決策中去，想跳出來也不知道從何做起。困在取數這個枯燥且低質量的工作中。

我之前也給過很多建議，比如少做取數多做分析等等，現在我覺得還是從數據分析師這個崗位設置的意義說起可能更容易理解，今天了解數據分析究竟是干什么的。

01 “數據分析”是干什么的

首先要注意，數據分析是干什么的，和數據分析師是干什么是兩回事。要知道數據分析師是干什么的，先得知道數據分析是干什么的。

數據分析是一種決策的方法，是從歷史數據總結經驗并推演出結論的完整分析過程。和數據分析的決策方法對應的，是拍腦袋決策和經驗決策。

拍腦袋決策拍腦袋決策，有時候并不是做出的決策不好。而是你很難持續的優化。而有數據記錄，并用數據驅動的方法，未必一開始做的就很好。但是你可以總結過去的。經驗不斷的優化這樣不管你的起點是怎么樣，最終一定會達到一個相對較好的水平。

這里講一個瓷器的故事你就能理解兩者的差異。

在歷史上很長一段時間，中國的瓷器都是世界頂尖的。在明朝末期的時候，只有中國和中國的兩個藩屬國朝鮮越南能夠制作瓷器。瓷器能夠帶來大量的白銀，所以朝廷對于瓷器工匠的管理非常嚴格，其他國家的人接觸不到瓷器工匠，無法得到制作方法。

當時的歐洲瓷器是非常昂貴的，歐洲人實在是太想自己做瓷器了。到了十八世紀，一位叫做伯特格爾的煉金術師開始研究瓷器，但伯特格爾不知道瓷土的成份，所以只能不斷嘗試。好在他有煉金的基礎，懂一些化學實驗的方法。用了整整一年的時間，只燒制出了一個品相非常差的陶器，非常難看且不經用。

到了第三年，他非常幸運的在德國的某地區發現了適合燒制的土壤。但那些土壤和中國瓷土的成分不完全相同。不能直接燒制瓷器。后來伯特格爾進行了很多次的實驗。終于發現在這些土當中添加一定比例的長石，便可以燒制出潔白的瓷器。

在這四年的時間里面，他做了3萬次實驗。他不僅記錄了全部的實驗過程和結果，而且把每一次實驗之間的細小差異全都記錄下來了。

有了這些記錄，歐洲人不斷地對瓷器進行改進。比如法國發明了琺瑯瓷器，英國人發明了骨質瓷器。18世紀的時候，琺瑯瓷器被歐洲人帶到了中國，康熙皇帝非常喜歡，并要求大內仿制。這標志這當時中國的瓷器在制造技術上已經落后于歐洲了。

這個故事里中國瓷器和歐洲瓷器的發展就是經驗決策和數據決策的區別。古代中國是經驗決策。瓷器的燒制方法都考口口相傳以及多年的經驗，手藝經常失傳。雖然在歷史中中國瓷器一直領先世界，但由于不重視量化度量，也沒有實驗記錄，很長時間沒有進步。

而歐洲是數據決策。歐洲瓷器由于記錄下了陶瓷的成分配比工藝流程等等，雖然一開始的起點較低，但很快就超過了中國瓷器。這就是數據分析的價值。企業經營和瓷器制作一樣，有很多需要改進的地方。如果不用數據決策，很快就會被其他人追上然后失去競爭力。

02 “數據分析師”是干什么的

數據分析的決策流程在推進的過程中會遇到一些問題，比如沒有數據、數據雜亂、數據獲取困難、缺少數理統計知識等。所以為了推進這個流程，數據分析師登場了。舉個互聯網公司的例子：

1. 分析背景：運營做了一次營銷活動投放，想要分析一下外部廣告哪類人群更有效，從而決定下一次的外部投放側重哪類人群。
2. 獲取數據：于是運營給數據分析師提了這樣一個需求：獲取投放期相比平時的新用戶、老用戶、流失回流用戶的規模提升規模。
3. 分析數據：運營拿到數據后，發現活動期流失回流用戶提升比例較大，初步決定下一次營銷針對流失回流用戶提供回流福利。但還需要評估用戶回規模用來確定營銷預算。
4. 再次獲取數據：于是給數據分析師又提了一個需求：獲取累計流失用戶的用戶數。
5. 再次分析數據：運營拿到數據后，根據上一次活動的回流比例估算了一下回流人數，計算出回流福利所需的預算。
6. 分析結果：預估活動預算，向業務領導提交方案。

這整個決策過程都是數據分析。只不過這個數據分析中，運營同事是主角，數據分析師是配角。整個分析框架是運營同事主導的，數據分析師在其中只承擔取數的工作。數據分析師不知道全貌是什么樣的，有點像盲人摸象，只看到局部，看不到整體。

但如果沒有數據分析師，這個流程走下來也確實會比較麻煩。原本一天時間可以搞定，可以要變成三天。所以這個案例中的數據分析師的價值是提高了數據分析的效率?？偟膩碚f，只要是推動完成數據分析流程的工作，都可以是數據分析師的工作。為了完成數據分析的整個過程，我們一般要做三件事：獲取數據，處理數據，分析數據。這幾件事對應的工作內容有：

（1）獲取數據：

• 數據采集：前端開發、CRM錄入等
• 數據存儲：數據庫開發、數據倉庫開發等
• 數據提?。号R時取數、數據產品開發、報表開發等

（2）處理數據：通過sql、excel、python等數據處理工具對數據進行維度下鉆、聚合等操作。

（3）分析數據：通過結合業務知識、機器學習等方式，從數據中獲得結論

上述這些工作都和數據分析師有關，有些公司分得細一些，數據分析師只負責處理和分析。

有些公司比較粗，數據分析師一人多職，什么都要會一點。

做著不同的工作的崗位但都叫數據分析師，這也是目前業內數據分析師崗位要求非常亂的原因之一。應聘時也要注意，這些數據分析師的崗位要求千差萬別，有些要會excel，sql，有些要會hadoop，有些需要咨詢公司經驗等等。要想有準備地應聘，就得事先搞清楚這個崗糾結側重什么。

03 數據分析師平時做什么

數據分析師不是出入高層會議室的光鮮亮麗的軍師角色，而是一個很苦逼的崗位，有大量的臟活累活。經常遇到的臟活累活有：取數、對口徑、底層重構，號稱數據分析師三座大山。

取數：

取數是絕大部分數據分析師平時干的最多的活。領導做決策要你取數、業務做匯報要你取數、自己做分析也要取數。有時候為了取一個數，要對整個數據底層做一個梳理?；舜蟀胩鞎r間，只取出了一兩個數。領導看來還覺得你工作效率低，取個數取半天。其中的苦真是一言難盡。

對口徑：

取數的痛苦不僅僅來自于工作量，還來自于口徑還經常對不齊。取出來的數據和報表對不上、和業務系統對不上、和上次取得數據對不上等等都會把人心態搞崩。有時候辛辛苦苦搞了一個下午取出來的數據，發現對不上。又要花時間去對兩個數據的口徑差異到底是什么？如果自己錯了又要重新取。

有時候一個數據和其他人不一致，整個報告就得推到重新寫?？趶讲唤y一不是創業公司特有的問題，大廠一樣存在，一個公司內新用戶數這個口徑就可能有多個版本。我想每個數據分析師的新年愿望一定是每個口徑都能夠對齊。

底層重構：

隨著業務的發展，數據底層表中的維度和指標經常會變化，就需要底層重構。這個工作的痛苦之處在于底層變了，那么和它對應的報表也得變，然后周報月報的模板也要變，然后業務會對新的數據反饋一些取數需求……

真是子子孫孫無窮盡也。以上這些工占到了數據分析是在日常工作當中的百分之七八十的時間，真正產生價值的工作只集中在剩下 20%的時間。所以開篇那位朋友提到的數據分析師工作價值感低。是非常普遍的現象。那么如何提升價值呢？

04 如何提升數據分析師的價值

數據分析師的價值就要看他在這整個的數據分析過程中發揮的作用。一般來說，高價值的工作有：

• 提出好問題
• 給出好答案
• 總結分析套路
• 提供高效工具
• 解決困難問題

1. 提出好問題

一個好的問題是決定分析價值上限的最核心因素。

以下問題，哪個問題的價值更大？

• 兩組運營投放的文案a和文案b哪個更好
• 用戶規模下降的原因。
• 目前的運營重點應該是繼續提升用戶規模還是嘗試商業化？

第一個是具體執行的問題，關系到某個具體的業務同事的工作，分析的結果是最終選擇一套方案。

第二個是戰術層面的問題，關系到一個運營團隊的工作，這個問題的結果可能導致運營團隊的工作重點發生變化。

第三個是戰略層面的問題，關系到整個項目組的工作。分析的結果可能導致項目組的KPI變化甚至組織架構調整。

所以很明顯是第三個戰略層面的問題更有價值。

不過很少有數據分析師能夠直接參與到戰略層面的分析，分析戰略層的問題?？赡懿磺袑嶋H。但戰術層面的問題還是可以切入的，還是盡量的分析一些更高維度的問題。

2. 標題

日常的分析往往淺嘗輒止：

• 銷售額為什么低？因為轉化率低。
• 轉化率為什么低，因為落地頁轉化率低
• 為什么落地頁轉化率低？因為……

這幾個回答都太淺，只給出表面的原因。這種結論給多了，業務以后就只會找你取數了。因為你給不了他想要的結果。

分析的結果有幾個層次：

• 最低的是what：告訴我業務同學目前發生了什么事兒？是好還是不好？是會繼續還是會結束？
• 其次是why：再然后是告訴他目前發生了這件事背后的原因是什么？
• 最后是how：最后是這件事兒能怎么辦？

盡量的多給出how，如果給不出號就給出why。如果都是what，那么價值就太低了。

3. 總結分析套路

前面兩個方向是把數據分析做得更深。挖掘更深物體。給出更深的解答。如果你不能在深度上提供更多的價值，那么你可以考慮在數量上。提供價值.

這不是說你做更多的分析。一個人的時間總歸是有限的。再怎么加班努力也很難產出比平時高一個數量級的結果。但是你可以通過總結一些類似問題的分析方法論，并將這些方法論推廣到全公司，甚至直接沉淀在業務系統中。那么更多的人采用這樣的方法，全公司提升的效率都是來自于你的產出。

4. 提供高效工具

另一種提高數量的辦法是提供高效的工具。這是最容易做到，但也很辛苦的一類工作。

每家公司或多或少都會有一些報表，但是報表好不好用就是另外一件事了。大部分的報表只是滿足一些基礎的數據查詢的需求，但往往數據口徑煩雜不清。報表的成績結構又比較混亂，而且沒法解決一些個性化的下鉆或者聚合需求。

如果你能夠提供一個統一口徑、層級清楚、持續維護的報表或數據產品，這也是一種高價值的工作。很多大廠會有專門一個團隊來維護成熟也許的報表體系，所有業務層面的變動都會告知這個團隊，隨后在報表基礎上修改。

時間長了之后，這套數據產品就成了公司內工作流必不可少的一個部分。但不是所有領導都能看清這個工作的價值?？赡軙霈F你在的時候別人不覺得這套報表有多重要，等你走了才發現沒你真不行。

就算是你的領導非?？粗?，你也要清楚這種成體系的報表系統在初期是沒什么出彩的地方的，也許在最初的三個月大家都不認可。但到達一個量級會產生質的變化。所以要做這方面工作，需要一定的耐心。

5. 解決困難問題

最后一種提高工作價值的方法是解決困難的問題。

困難的問題類型有很多。

• 溝通問題：某個分析問題牽扯到很多的部門，不同部門的訴求也不同，跨部門的溝通非常困難。如果你能平衡各方訴求，解決跨部門項目，這是價值。
• 產出時間問題：由于數據量級太大，無法保證在每天上午8點前產出數據。如果你能夠通過巧妙的數據模型設計使得產出時間提早兩個小時，這是價值。
• 團隊合作問題：業務團隊沒有數據驅動意識，數據分析團隊開拓合作不順利。你通過找出對方的業務痛點，主動提供分析結論，并推動建立流暢的合作機制，這是價值。
• 高層決策問題：高層討論決策時，希望能即時清楚業務現狀，加快決策效率。你把絕大部分的業務指標都記在腦子中，成為高層決策時的人肉取數機，聊到任何業務問題都能馬上說出是否符合數據現狀，這是價值。

業務需要，但別人做不到但你能做到的困難工作，就是有價值的工作。

05 小結

對企業和組織來說，數據分析是必不可少的，但數據分析師不一定。我們能做的就是盡量提高自己在數據分析流程中的價值。如果數據分析師不能在數據分析流程中提供更大的價值，那么數據產品+業務解讀能取代大部分的數據分析師。

數據分析師這個崗位其實是不太標準化的，你能做什么完全看你各方面的總和能力。搞清楚數據分析是干什么的，可以讓我們理清自己可以發揮價值的地方都有哪些。如果不知道數據分析師要解決的問題，也就不知道自己可以在哪里發力。

結合自身優勢，找到流程中自己能發揮最大價值的環節，一起做高價值的數據分析師。