中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

在數據分析領域，如何系統地提升自己的能力并有效地解決問題？這篇文章將向您介紹KSA模型，這是一個源自人力資源領域的框架，它涵蓋了知識（Knowledge）、技能（Skills）和能力（Abilities）三個關鍵維度。

很多同學都會想著：我要好好學習數據分析，做好工作/找個好工作。怎么學才能學好？這里推薦用KSA方法，理清目標，分解任務哦。啥？你說之前沒聽過？今天我們系統講解下。

01 什么是KSA

KSA是HR領域的概念，原本說的是評價人能力的三個維度

1. 知識Knowledge：完成任務必須掌握的理論知識。
2. 技能Skills：完成任務必須的工具操作技能。
3. 能力Abilities：完成任務所必須的思維、溝通、協調等能力。

舉個簡單的例子，陳老師家里4歲的小朋友coco在學算數：

爸爸問：1+1等于幾？coco答：2！這是知識。
去買菜，coco拿了1個蘿卜，爸爸說：我們要2個，coco又拿了1個，這是技能。
走親訪友，當著大家的面，爸爸問：coco，1+1等于幾。coco忽閃著大眼睛，大聲說：2！引來大家贊許的目光，這是能力！

簡單來說：

▌ 知識是能背誦的，有客觀評價標準的。如果是自然科學知識，很有可能有唯一的正確答案，社會科學知識不見得有唯一答案，但是在一定范圍內有約定俗成的理解和解釋。

▌ 技能是需要操作、練習、反復訓練才能能掌握的。技能以知識作為依托，需要借助工具實現。不同的工具需要的技能不同，越強大而工具實現的效果越好。比如coco小朋友，已經學會各種加減乘除問題扭頭就問siri，coco并表示體驗良好。

╮(╯▽╰)╭

▌ 能力則需要見識和悟性！有意思的是，在面對實際問題的時候，理解能力、溝通能力、共情能力、協調能力、往往比知識和技能都更能直接產生作用！比如在親戚面上問小朋友問題，根本的目的是炫耀，是長長臉，這時候能積極配合的小朋友才是好小朋友！不然平時學再多，再能干，使不上勁，還是很尷尬呀。

這一套理論原本是HR評估用人資格的方法。但是一經掌握，就發現它在工作中非常好用！因為在工作中，能區分清楚解決問題到底需要KSA中哪一個，能極大提高工作效率，促成工作質量。

02 什么是工作中的KSA

舉個簡單的例子，當你開始運用KSA拆解工作的時候，你會秒懂很多問題，比如：

為什么大家總吐槽大學里文科沒啥用，理科才好用？因為本質上是KSA在教育和工作中差異所致（如下圖）：

為什么很多大公司里，職業經理人們看起來屁都不會，屁事不辦，但是混得順風順水？本質上是因為在促成目標上，KSA有不同的運用方式（如下圖）：

所以理解KSA的原理，掌握拆解KSA的方法，對混職場很有意義，特別是對數據分析工作！

03 為什么KSA對數據分析求職很重要

如果套到數據分析身上，KSA的體現就是：

1. 知識Knowledge：《數學》《統計學》《管理科學》《運籌學》《機器學習》
2. 技能Skills：excel、ppt、sql、python、tableau、hadoop、spark……
3. 能力Abilities：需求溝通、用戶洞察、邏輯推理、實驗設計、總結匯報……

有趣的是，如果仔細研究就會發現，在各類工作中，數據分析是唯一一個KSA的知識庫都爆滿的工種。一般來說：業務類工作，比如銷售、產品、運營、營銷都更偏A，KS相對較少；研發類工作更偏KS，A較少。而數據分析，恰好夾在業務和技術之間，兩邊都有涉及。因此只要你想學，KSA里都有成噸的書可以學（如下圖）。

于是便導致了一個搞笑的事：入行的同學總是急著看書，買了幾十本狂學一通，結果毫無重點，記也記不住，一面試稀里嘩啦?；貋硪院筮€不去總結：別人到底要的是我的什么能力。還在繼續上網問：“到底數據分析要看啥書”然后買更多書回來了！結果越學越迷茫。

要知道：數據分析與數據分析之間的差距，比數據與運營、產品、研發的差距之間大多了。不去認真研究求職目標企業的要求，不去區分自己在面試哪個環節，掛在哪一類問題上，閉著眼睛海學，肯定越學越迷茫。如果能做好充分功課，至少能知道自己輸在哪些問題上，這樣就更好對癥下藥（如下圖）。

04 為什么KSA對數據分析工作很重要

真當開始數據分析工作以后，就會發現：在懂數據和不懂數據的人眼里，數據分析的角色完全不同。

▌ 懂數據的人看起來，數據分析S的成分最大，數據采集、數據清洗、數倉設計都是臟活累活，得認真耕耘才有一個靠譜的數據可用。

▌ 在不懂數據的業務方看起來，數據分析A成分最大，這幫人一張嘴就是：“底層思維”“核心鏈路”“內功心法”，然后滿嘴跑火車，卻連最基礎的數據從哪來，準不準都不考慮。

▌ 在不懂數據的新人看起來，數據分析K的成分最大，總是覺得有一本書已經寫好了答案等著他可以抄。遇到問題總是到處問“常規的，標準的，頭騰阿的做法是什么？”

這種差異，導致了數據分析工作中特殊難點：業務部門直接開口要的，不是簡單的、孤立的數字，就是一個玄幻的、馬上能見效、法力無邊的模型。如果數據分析師每天陷于跑一兩個孤立的數字無法自拔，就無法做深入的分析，最后結果還不被認可；如果數據分析師頭鐵，直接接了玄幻不切實際的模型需求，最后肯定難以落地，無法見效，還是背鍋。

所以想做好工作，就得一定得對具體的問題進行深入拆解，平衡業務方期望與數據建設質量，分清楚到底這次項目里，要用到多少K，對S的性能要求是啥，最后用A來處理、協調各種亂七八糟問題，保障項目成功（如下圖）。

很多同學會感興趣，如何培養自己運用KSA的能力呢？嚴格來說，所有能力的培養都是需要思想頓悟與長期的訓練的，但是這里可以推薦一個簡單的起步方法：

如果對方不懂技術、沒有計算機/數學專業背景、沒有數據分析從業經歷，就不要輕信他說的：“分析模型”“用戶畫像”“精準預測”，他大概率說的跟KS沒關系。這時候需要的是A（溝通能力）從他的提問背景、想達成的目標、遇到的具體問題等角度入手，整明白需求。

如果對方有技術背景，且提及一個準確的技術概念，先跟他就事論事，討論清楚技術問題本身（S的問題），如果技術路線沒有問題，但是他做的仍不能被同事/領導接受，大概率是A上的問題，這時候不要再鉆技術的牛角尖了，試著分析一下他的工作環境、項目目標、領導態度，會有很大收獲。關于全面學習數據分析，我近期總結了一縱一橫的攻略。

縱向的：構建分析邏輯，選擇分析方法。包括：

1、數據分析基礎方法

2、構建數據指標體系、標簽體系

3、構建業務分析思路

4、利用運籌學方法做決策優化

5、利用統計學方法做ABtest/因果推斷

6、利用機器學習方法做分類/預測模型

橫向的：各個行業的具體分析場景。我們常說，數據分析要“懂業務”，指的就是要了解具體的分析場景。常見的包括：

1、經營分析：面向管理層的企業整體分析

2、專題分析：銷售渠道、推廣活動、營銷活動、產品功能等

3、行業特色分析：saas客戶成功、互聯網產品改進、傳統企業業務員分析