梳理一下数据分析师的全景职业规划

今天想写这个文章,是对我所见所闻的梳理,作为一个有巨多粉丝的数据分析从业者,我接触了一般人可能感受不到的一些事情;

比如每天面临粉丝很多五花八门的问题,每天要回答很多人一样的问题,和许多圈友一起交流职场和分析方法的问题。

日积月累,也让我形成了一套自己的认知体系,对数据分析有了一定程度的认识。在我的经历中,经常会有一些伙伴问以下 2 类问题,

第一类:小白类

  1. 我要想入行数据分析,应该从哪里开始学?
  2. 想成为数据分析师,我要学习那些技能、掌握那些工具?
  3. 我没做过数据分析,数学特别不好,能学好吗?
  4. 我学的是文科专业,能从事数据分析师吗?

第二类:迷茫类

  1. 做了好几年数据分析,感觉看不到以后的晋升线路?
  2. 我对数据分析有一定了解,如何快速用到我现在的职业上
  3. 从事运营、产品的工作,看过和做过一些数据分析,但不专业,能不能成为专业分析师
  4. 以后数据分析师会不会发展不好,未来潜力如何?

但无论是小白类还是迷茫类,我们都要清楚的认识到数据分析师到底是干什么的,在职场中他们到底有什么不同,只有了解了这些,以上的疑惑才能迎刃而解;

我们常用的分析思维就是拆分,就好比乐高一样,有很多小积木组合,只要我们理解了这些小积木的形状,我们也就能搭建起自己的梦想。

常见的几个数据分析师划分,主要包含这 6 大类,当然每一类其实也有自己的层级,我只是做一个简单的区分,让大家有一个基本的概况。

梳理一下数据分析师的全景职业规划

A 类:商业分析师 

特点:上手快、深入难

主要的工作:帮助业务、市场以及管理层做一些数据的洞察,还原数据的本质,讲述数据的故事,要很清楚的了解市场要什么?用户爱什么?

需要掌握的:

  • 硬性技能:SQL、EXCEL、PPT
  • 软性技能:表达能力、视觉思维、逻辑性强、思维清晰,特别是沟通能力!!!
  • 掌握的方法论:ABtest、AAARRR、SWOT、RFM、28 原则、5W2H 等
  • 掌握的统计学:常规统计指标(均值、中位数、分位数、T 检验等)、回归、聚类、因子、决策树、逻辑回归等,这些足够了

加分项:图表可视化、结构化思维、金字塔原理、千万级数据处理经验(这类一般 1 年遇不到几次)

注意:掌握一些宏观数据的获取方式,没事的时候多收集一些,自己根据所在行业而定,从事互联网或者移动互联网的话,最好掌握一种自助式 BI 工具,比如 Google Analytics、百度统计、taklingdata、神策数据等

核心:不一定技术强、算法掌握牛,但一定要能深入行业、深入场景

以后发展:业务负责人、独立咨询师、管理层、战略分析师、团队领头羊

适合人群: 文科类、运营 \ 产品转岗类、不喜欢编程、不善于研究算法的同学

B 类:炮灰分析师 

特点:啥都要学,最累、干的你怀疑数据分析的价值

主要的工作:协助业务或者上级完成一些常规的需求,这类一般是别人要什么,我们做什么,但是在不同的行业,不同的部门做的事情差异还是很大

需要掌握的:

  • 硬性技能:SQL、EXCEL、PPT、python\spss\R 任选其一,根据场景而定
  • 软性技能:沟通能力、抗打击能力、加班能力、数据管理能力(数据库和数据字典)
  • 掌握的方法论:ABtest、AAARRR、SWOT、RFM、5W2 等,不知道也能干
  • 掌握的统计学:常规统计指标(均值、中位数、分位数等)、回归、聚类、因子、决策树、逻辑回归等,这些足够了,但基本高级的模型用不上,定位决定

加分项:听话能力、擅长各类工具的应用,能快速相应需求方的需求

突破:要自己根据环境主动参与一些讨论,承担一些从无到有的分析,从被动变为主动

以后发展:纯正数据分析师、数据产品经理、数仓人员

适合人群:都可

C 类:数据分析师 

特点:独当一面、战斗力极强、在企业决策者有一点的影响

主要的工作:除了被动的常规分析外,还要能主动发现业务存在的问题,会用数据找事,梳理业务发展与指标体系之间的关系,从日常监督分析开始,更多的是专题性的分析,无中生有

需要掌握的:

  • 硬性技能:SQL、EXCEL、PPT、python\spss\R 任选其一,tableau\powerbi,也要懂一些 BI 工具、市面上流行的数据产品
  • 软性技能:沟通能力、表达能力、逻辑思维强
  • 掌握的方法论:ABtest、AAARRR、SWOT、RFM、28 原则、5W2H,用户及产品生命周期
  • 掌握的统计学:常规统计指标(均值、中位数、分位数等)、回归、聚类、因子、决策树、逻辑回归、机器学习等,这些足够用了

加分项:图表可视化、PPT 展示、系统性思维、在行业有很多认识和沉淀

要点:算法、技术、工具、业务混为一体,样样都要懂

总结:这类目前市场上很紧缺,被称为稀缺动物

D 类:BI 工程师 — 分析师中的程序员,很纯的那种

主要的工作:和数据的 ETL 打交道多,主要做数据规范、数据仓库、业务需求报表开发、多维度呈现等

需要掌握的:

  • 硬性技能:数据库技术、数据仓库、Informatica, Datastage,Kettle,还有一些厂家的展示产品 Business Objects, Cognos,常用梳理工具
  • ERwin、echarts 等
  • 软性技能:理解能力、表达能力、思维缜密
  • 掌握的方法论:无,基本人家让干啥咱干啥
  • 掌握的统计学:常规统计指标(均值、中位数、分位数等)、回归、聚类、因子、决策树、逻辑回归等,

加分项:技术过硬,有过大型 BI 建设经验,既能干 DBA 又能干 BI、视觉思维

突破:这些人比一般的数据分析师更懂底层,缺少的只是与业务的融合,看自己的定位了

总结:绝对的苦逼,容易吐血那种,常常怀疑人生

发展线路:CTO、项目经理、产品经理、平台负责人等

E 类:算法工程师 就是你们班技术最强那个人

主要的工作:做算法、搞研发、创新算法

需要掌握的:

  • 硬性技能:数据库技术、hadoop、python、R、spark 等等
  • 软性技能:理解能力、表达能力、思维能力
  • 掌握的方法论:懂一些常见的即可
  • 掌握的统计学:各种算法都要精通,而且在不同的场景下,要自己开发新算法

加分项:算法很熟悉、技术没得说、学历高

总结:工资高、压力大,经常断片

适合人群:名校对口专业毕业,没办法人太多,某宝从国内 top 已经要求全球 TOP 了

都需要掌握的能力

了解了这些数据分析师的百态之后,该如何入门的问题相信也会得到解答,我们一起来尝试需要数据分析需要那些能力;

而这些能力掌握的程度不同,那以后你的路也就不同了,总结出 7 种能力

基本工具应用的能力

Office 的三件套是必备的,特别是(excel、PPT),但所有的 excel\ppt 功能都要学习吗?

显然不是,很多人在这个上面浪费的时间太多太多了。

对于 excel 来讲,基本的函数(加减乘除、条件筛选、匹配函数、透视表、图表)就足够了,VBA 基本可以放弃。

对 PPT 来讲,不要把自己打造成为一个专业的 ppter,PPT 对于分析师来讲,唯一的核心就是展示,因此基本的操作就足够了,可能当入门的时候,你连打开 PPT 的机会都没有,就是提数

SQL,这是一种数据库的通用语言,还有一种叫 HSQL,有一些差异,但逻辑是相同的;

学习 SQL 的目的其实只有一个,提数,需不需要掌握 sql 和你未来公司的发展或目标的企业有很大关系。

建议一定要学,总不能别人找个数据分析师来,还要给你配个提数助理,那成本太高了。

专业工具使用

分 2 个方面,数据分析与处理、数据展示

这时候大家会问了,我都会 excel\PPT 了,感觉就可以了,其实不是的,很多时候我们面临的数据和复杂程度虽然用 excel\PPT 也能做,但是效率却很低下。

那我们学工具的目的是什么?不就是为了单位时间内提高效率的问题吗?

这时候一定要掌握一种专业的工具,存在即是合理。

比如不善于编程的话,spss、clementine 都是很不错的选择,也可以尝试玩玩 kettle,不讨厌编程的话建议直接去学习 python,R 相对来讲,专业对口的学起来用起来顺手一些,学那个工具都可以,一般的招聘都是掌握一种就可以。

所以不要逼着自己去学不顺手的工具,浪费时间,投入产出比太低。

另外就是可视化的,最好的可视化工具一定是 excel,简单易用,场景多,很多人可能会去学 tableau、PBI 这些,掌握一点就可以了,没必要投入太多的时间。

有几个企业能买得起、舍得买 tableau、PBI 的云版,除非你要去的公司一定会买,那你就学,因此最好去学一些开源的,比如 echarts、datav、antv 这些,但一定一定要学好 excel 的图表可视化。

上面的这两个能力都是要花时间去学习和实际操作的,最好找一些数据,没事就练习一下,而下面要说的能力是需要刻意训练的,不是花时间就能学到的。

发现问题的能力

这是一种很重要的能力,可以塑造自己从被动转为主动,这需要我们有足够的知识储备和业务的沉淀,你才有发现问题的资本,而不是让人家觉得你在找茬。

解决问题的能力

数据分析不但要告诉过去、现状、未来,更重要的是遇见问题的时能告诉为什么会发生,为什么是这样,而不是我们想的那样,我们不是一直在做这样的事情吗?

下来才是你解决问题的套路(拆分、MECE、多维度、公式法等),一般三步法:

  • What – 界定问题,搞清楚问题到底是什么?

如何理解呢?

举个例子,比如你们老板给你说最近客单价下滑很厉害?

那有的人侧重点就是分析就应该为什么下滑?然后从下滑因素中找出原因,并采取行动,对吧?至少很多人会这么做

其实不是,下滑只是现状,老板是想提高客单价,这时候要从下滑转化为提高,如果从提高的角度去建立分析框架,两者的分析思路是不一样的

  • Why – 分析问题,结构化分析问题的本质原因是什么?

这个就不多说了,大家都知道麦肯锡的 MECE,你也可以理解为逻辑思维能力,那块如何落地呢?

我自己最喜欢的方式只有 2 个:

  1. 自问自答,答到满意为止;
  2. 学习,多看行业报告,特别是投行、券商的报告
  • How – 解决问题,应用目标导向思维怎么解决?

这一点很多人容易忽视,往往我们沉迷在数据中,忘记了自己要分析的目标到底是什么?

越做越多,越做越复杂,以至于输出的时候没有了重点,缺少一根主线,突然之前从清晰变成了混乱,让自己开始怀疑自己的价值

切记做一份商业分析之前一定要有一个目的性明确的框架,每个框架下面如何假设分析也要梳理出来并反复推敲,确定后就不要大改了,除非发现惊天秘密!

行业洞察能力

常言道:干一行爱一行,为了自己以后每天都能吃上五花肉,你也要深入自己的行业,构建自己的认识体系,提升自己的赋能

当然行业的洞察力不是靠阅读文章的数量,看书多少本来决定的,虽然之前存在一定的关系,但不是纯正相关或者因果关系;

而是要依靠咨询公司的那一套方法论去不断的模仿、思考、复盘的

借助行业研究模型:

梳理一下数据分析师的全景职业规划

这些模型天生符合 MECE 的原则,所以你如果能很好的应用,对你的思维能力提升也有很大的作用

 

创新的对应方案

知道了事情的来龙去脉,能不能站在用户体验的角度设计出一套,记住自己分析数据、呈现数据的时候不仅仅是数据,而是一群人的行为趋势;

比如你要开一个陕西面馆,你能否根据用户的数据,打造出一套引导改变他们习惯的面馆,而不仅仅是影响。

 

数据的解读能力

经常看一些小伙伴写的分析报告,出现最多的就是同比、环比,而同比、环比之后在没有任何的描述;

这时候你描述的只是一种数据的状态,并没有把数据背后的故事讲清楚,比如什么原因引起的?你是从哪些角度分析发现的?这样的报告很难带读者到你的思维世界

你写的:

本周我的工资环比下降了 50%

别人的:

本周我的工资环比下降了 50%,主要是因为公司效益下降 20%,因此造成绩效工资下降幅度较大引起,另外分析得知,公司效益同比下降 200%,而这段时间正好是疫情发生时期….

梳理一下数据分析师的全景职业规划

弗赖塔格金字塔模型

以上的能力,我在以前的文章中都有写,这里就不展开写了。

然而很遗憾的事情,是许多人入门的时候,忽略了数据分析的本质,把太多的时间和精力放在了基本工具、专业工具方面;

其实面试的时候工具类的面试都很简单,而面的主要是你解决问题、发现问题、应变的能力,难道不是吗?

即使你的工具使用、编程能力不强,但只要你可迁移的能力很强,企业都会要,当然不是说大家不要投入时间去学习工具,而是建议不要投入太多的时间,比如学习 excel,有的人要连续学习好几个月,其实一周足够了!

你要学的不是它的全部功能,而是快速了解掌握能够解决问题的 20% 功能,那些足以解决企业 80% 以上的问题,以后遇见剩下 20% 问题时,不要忘记使用搜索引擎,绝对可以解决的。

这里面还有一个更重要,却被大家忽视的,那就是统计学!!!!!必学必学!!!

梳理一下数据分析师的全景职业规划梳理一下数据分析师的全景职业规划梳理一下数据分析师的全景职业规划

梳理一下数据分析师的全景职业规划

版权声明:zisheng 发表于 2021-03-30 2:24:15。
转载请注明:梳理一下数据分析师的全景职业规划 | Assistants-产品经理聚集地

暂无评论

暂无评论...