1.了解你分析的内容——商业理解
很多时候，很多数据分析师/商业分析师会陷入一个“怪圈”——不停在跑，没空思考。今天A部门来了个需求，明天B部门要做个表，后天C部门要取个数。而留给分析师自己的时间，总是在午后摸鱼以及带薪拉屎的空隙。因此话说回来，首先要了解你分析的行业，即“了解你的业务”，那么如何去了解呢，以下是一些“灵魂拷问”
行业层面：
目前公司总体来讲处于什么行业，行业的特点是什么，市场规模如何，市场份额如何分布，行业整体处于何种阶段，增速（YoY）如何。同步可以简单套用一下PEST模型，即目前的行业中政策如何，是否存在一些政策风险，社会对于行业的接受&认可程度如何，人们的观念以及社会文化是否能够接纳目前的行业发展现状。目前行业中最前沿的技术水平（或者业务水平）在哪里，这个水平是接近于天花板，还是在快速往前跑，还是已经衰退掉了。
公司层面：
目前公司包括哪些业务条线，分别从事哪些业务，这些业务的开展处于什么阶段，是否盈利，是属于扩张还是在收缩（可以套一下波士顿矩阵）。每项业务大概的规模，盈利模式，目前的增长方向。
业务层面：
这个见仁见智，此处只讨论分析岗位。
数据这块：公司的数仓体系大概啥样，BI做的咋样，怎么用，有哪些数据体系，哪些打通了哪些没打通，常用的库、表有哪些，哪个人手里有很多现成的好用的SQL。
分析这块：一般报告咋写，有什么格式没有。了解一下公司目前主要的项目，包括：定位、玩法、指标体系、分析逻辑&角度（现成的）。
2.了解你有哪些手段可以用——技术手段
分析一件事情，其实就像庖丁解牛，剔骨用剔骨刀，切肉用切肉刀。而把报告最终端上餐桌，则需要使用这些工具，一道道进行加工。
SQL：数据分析师的基本功之一。SQL可以算是最最贴近自然语言的编程语言了，其语句写出来，基本都是大白话。有理解难度的三个点，就是表连接与子查询和Group By。这三个点，会引申到跟数据有关的一个终极话题——“颗粒度”
Excel：可能是世界上最无人不知无人不晓的一个办公软件。自Excel发明以来，表格的制作和使用被大大简化和方便。但现阶段的Excel，已经不只是一个表格工具，它更像是底层的数据加工清洗工具。就像把数据进行预加工，方便后期进行更多的，更高级的分析。
BI：一个新兴的概念，Bussiness Intelligence。当我们把数据由底层的洗菜切菜以及预加工后，就到了需要真正烹饪并上桌的环节。商业智能解决的问题，包括“自助式”“交互式”“可视化”三点。通过简答的拖拽以及搭配，就能实现对数据的精妙展现，以及进行更多的洞察。这也是未来数据相关工作的方向。
定量分析：对数据来讲，其存在的意义就是作为某种资源或生产资料而存在，那么从数据当中进行挖掘，就需要用到一些金铲铲了。统计学就是盗墓手段，而Python、SPSS等工具就是洛阳铲，一锹下去总能铲出来点什么东西。但话说回来，这部分其实在所有技术手段当中是最难的以及最学无止境的（尽管excel也是）。
3.了解你的工作路径
那么，在有了了解（sense）以及有了技术(tech)之后，应该选择何种打开方式去开展工作。以下是一套行而有效的“方法论”(method)
- 基于公司业务方向与负责产品/项目的特点，总结自己工作当中需要关注的“逻辑点”
- 站在项目/产品定位、数据指标体系的角度，思考目前公司进行分析的方法论（如有）是否是适当的，存在哪些迭代空间
- 思考基于目前的业务现状，自己能做哪些，如何利用自己过往的工作经验&知识去创造新的价值
以及一些常用的分析方法：
- 发现数据中的异常：描述性统计
- 分析产品中的问题：推断分析法
- 用户路径中的规律：漏斗分析法
- 指标变化中的归因：多维分析法
- 定量判断归因：相关性分析法
- 分析产品运营效果：方差分析法
若有收获，就点个赞吧
0 人点赞
