参考资料：https://mp.weixin.qq.com/s/T9kUZExh8F0KiPbaPUqxAA

本文目录

1. 写在前面，说说我知道的历史
2. 十年，过的很快，变化也有很多
   1. 对工作的思考
      1. 把一件事做完和把一件事做好
      2. 思维转变是绕不开的话题
      3. 对几个词的浅层理解
         1. 数据价值
         2. 真伪需求
         3. 生产力
         4. 生产工具
3. 怎么做到专业
   1. 管理能力
   2. 分析能力
      1. 基础统计分析模型
      2. 常用商业分析模型
      3. 互联网营销策略模型
      4. 算法能力
4. 如何塑造价值和影响力
   1. 应用价值
   2. 影响力
5. 分析团队的带法、管法和打法
   1. 团队定位和价值趋向
   2. 职责和分工
   3. 管理、协同
   4. 团队打法
6. 尾声

一、写在前面，说说我知道的历史

“2019年是过去十年最差的一年,也是未来十年最好的一年” 这几年，在经历了P2P暴雷、房地产政策限制、疫情影响、国际贸易形式紧张、中美关系导致的芯片问题等一系列的社会环境变化的前提下，2022年，很多公司开始裁员，就业环境开始变得复杂。

市场环境虽然恶劣，但数据分析依旧很火，尤其是在中国互联网历经30年发展后的现在，大数据、人工智能、元宇宙开始变得普遍，到处都在说数字化转型的年代。未来的市场经济发展过程中，数据是重要的一个环节，和数据相关的分析、数仓、产品，必定还存在着很大的发展机会。从1980年代，引进中国，数据分析在这片广袤市场上的推进和成长还很短暂。

从2011年毕业至今，我所知道的十年，也是数据分析、大数据分析崛起的十年，从最早的数据化运营，到数字化转型，到大数据驱动，到AI，到元宇宙，互联网崛起的十年。随着大数据、云计算、互联网、物联网等信息技术的发展，人工智能技术飞速发展，大幅跨越科学与应用之间的“技术鸿沟”，图像分类、语音识别、知识问答、人机对弈、无人驾驶等具有广阔应用前景，从“不能用、不好用”到“可以用”。

在过去的几次风口里面，关键影响因素一直都是科技的发展，技术的更新迭代，让很多不可能变成了可能，才有了小数据、海量数据、大数据的持续演进，势必就会对职业有更细分的要求。顺应时代的发展，跟紧国家政策的方向，持续学习新鲜的理念，才能在动荡的年代，保持好良性的竞争力，不至于在浪潮拍下来的时候被淘汰。

二、十年，过的很快，变化也有很多

十年数分经验整体感受

这十年下来的一些感悟，需要保持足够自驱（共情）、高度专注（逻辑）、敏锐洞察（反应）。

1. 格局要打开，十年下来接触到的场景变丰富了，政务关系、大客户关系、品牌合作关系、投行关系、FA的资源、品牌运作、大的制造商、供应链物流、金融融资、中间的渠道资源、小的零售商，数据分析是在分析什么？人、事、物，看似最重要的是数据，回归到实际，最终的决定性因素还是在于“人“；

2. 必须有野心，不在拘泥于自己的一亩三分地，开始变得唯“利”是图，搞价值也好，塑造影响力也好，总得图点什么。取数是一个数据从业人员绕不开的话题，唯一的区别在于被动听从还是主动触达，sql boy / girl 很多时候都会沉迷在sql写下来的G点上，没有去影响人的野心，大概率上会停留在一个层次，无法往上；

3. 团队更重要，签个500、1000万的合同开心么？除了一开始的时候会兴奋，后面都会很平淡。真正开心的是在这个合同拿下来之前，商务谈判、方案构思、难题攻克的过程，和团队一起出差，一起拼命的时间。从发展历程上来看，前期都是猥琐发育的时候，经济低、装备差、机能不全，中期有一定实力了就会去浪，后期其实都是靠策略，财富积累到一定的程度之后，往后看的重点会更偏向于在影响力、价值感、故事性的塑造上，而且得持续；

4. 打开关系网，开始会去有目的结交人，刻意的去和周边自带“资源”的人保持联系，攒一个局，未来好彼此成就。打工也好，创业也好，要玩儿的高级，离不开好的队友，也离不开好的前辈，打开一些关系网，让信息流进来，然后去平衡，再去分配，最后实现共赢；

5. 演绎非归纳，分析的过程里面有很多坑，各种原因导致的脏数据、测试数据、人为插入的数据，尽可能的了解业务、系统和人，用数据阐述事实而非观点，不臆测、不猜想、不做主观判断、不预设立场，重演绎过程而非归纳总结，踩的坑多了自然就轻车熟路了；

   对工作的一点思考

   把一件事做完和把一件事做好

   职场的前几年可以尽可能的去做加法，过了一定的年纪，就要开始学会做减法。一开始，很多时候为了求快，在同一时间做了好几件事情，但是发现每一件都没有做好。贪图快，就容易出问题，同时也忽略了过程中的体验感，这也要，那也要，最后发现处处都去做了，但是处处都好像没有很好的结果。

把所有的事情划分优先等级，紧急/重要的四象限，在既重要又紧急的领域，心与力全部只聚焦在这一件事情当中，在特定的时间里面去发挥极致的思维，去把一件事做好，而不仅仅只是做完了事。在短暂的时间里面，用有序的步骤，正确的方法，根据既定的计划，寻寻渐进，逐步去推动事情的开展，必要的时候借助外在的力量，做好向上、向下的管理同步，及时的进行邮件通报，事情做完必有报告，交付之后必有反馈。

思维转变是绕不开的话题

十年工作经历下来，最大的感触是慢慢从对技术的偏执，变成了业务上的驱动。一开始进入职场的时候，会沉迷于各种工具、技术、技巧的钻研。因为通过学习可以加快自己处理数据的效率，譬如研究excel里面的公式、vba；譬如会钻研各种算法和模型，研究用户的各种行为特征，挖掘数据的应用场景，只为了适配和拥抱互联网带来的变化。

这样的时间总是会乐不此彼的，因为可以专心的去做研究，而不用把精力分散在人际关系的处理上。随着需要解决问题的场景复杂度越来越高，单兵作战的疲惫感就会越来越沉重，压垮自己的永远是自己的执着，而不是外在的环境。

一个人可能走得更快,但是一群人会走得更远，在一个组织里面，如果有能够互相协作的伙伴，实在是一件快事，也能省心省力。这些伙伴可能是产品、运营、销售、市场，他们可以带来更多的想法和灵感，学以致用，而不是空读圣贤书，筑造的是空中楼阁。数据，只有贴切用户的思维，才能真实有用，发挥真正的价值，而了解用户又必须要通过伙伴的媒介才能触达，团队的协同以及业务场上的应用驱动，能够真正的帮助我们认识到数据在商业中的价值。无论是外部用户还是内部用户，他们给予的反馈都显得额外重要。

直到什么都会了，才幡然醒悟，工作了10年之后，最大的优势其实并不是在技巧上，而是在对业务的熟悉度上。业务熟悉度，包括了常说的战略目标理解、用户sense、政策敏感度、洞察能力、解决方案能力能够清晰的知道用户说的是什么关心的是什么，读懂用户的想法，然后也能关注到政策的变化对市场的影响，捕捉到新的机会；

将业务上用户的需求，转换成为数据需求，通过数据的视角去对业务问题进行解构，利用不同的分析方法和模型组织数据对业务进行诊断和剖析，抽象出核心的指标来进行衡量、监测，最终输出专业的数据分析报告，支撑决策论点；

对于解决方案，所需要的是复杂问题处理能力，核心就是——综合！对一家公司的组织架构必须要有深刻的认知，熟悉不同团队的分工和职责，熟悉业务流程和产品流程，熟悉平台架构和工具功能，熟悉行业并对数据在用户侧的价值有深刻的认知，这些要求就得需要有很长时间的积累和沉淀。

熟悉底层的数据存储、结构、清洗过程、指标汇集、接口透出，数据资产管理，开放平台管理；熟悉数据产品的开发过程，团队构成（UED/前端/后端/测试/用户验收），项目管理；熟悉数据分析框架，核心指标管理、标签建设、数据分层、图表呈现、价值解读；熟悉数字化营销方案，钩子设计、营销方案、用户追踪、客户成功、推广方案、收费定价；熟悉运营工具和技巧，获客、激活、促活、转化、留存、复购、付费；

对几个词的浅层理解

核心词：数据价值
数据价值有哪些？按照：职业 -> 行业 -> 公司 -> 部门 -> 岗位 -> 职责的区分，内外的价值可以看下面：
经营管理考核：对核心指标的监控，帮助老板“看”清楚业务推进的现状，还原客观事实，而不是靠主观上的“我觉得”；
外部品牌影响：抽象出内部的运营管理共性，增加数据在一些细分行业的影响；
内部营收增长：通过数据直接带来的线索、商机、流量，最终都会体现在合同份额的增长上；
内部运营优化：利用分析帮助产品进行的迭代改造所带来的用户体验改善；
内部日常提效：搭的数据看板，让其他团队的人从取数据、整理数据、汇集数据上释放工作量，所带来的工作效率提高

核心词：真伪需求
识别真伪需求，最好的办法是去和用户面对面的聊几次，去接触真正的一线业务，去和真正的用户进行对话，而不是靠言传，中间的信息会因为人为理解能力的因素打折扣。感受业务团队的痛点，厘清真正的诉求和需求，才能理解公司其他团队在制定战略过程中的目标，进行目标拆解，然后再站在数据的视角去组织分析框架、指标模型，实现数据的可落地性评估，实现价值；

沉淀的时候写过一篇《我在B端走数据分析——用户篇》，之后也会发出来，从内部做用户分层，到怎么筛选目标用户群体，拟定拜访计划，实际拜访问题清单，拜访过程中的控场细节，拜访结束之后的用户问题复盘一系列的过程进行具体的阐述。

核心词：生产力
为什么说工作要说生产力？我们之所以努力学习，本质上来说，就是要在短暂的几年里面，尽可能提高生产力。这里面包含两层：
1、利用好时间、工具、方法，提高自己单位时间内的生产力；
2、利用好资源，提高团队整体的生产力，产生综合影响，实现共赢；

想说的是，作为一个数据分析，会不会用python，写不写的好sql，虽然不是一个必须的事情，但是如果不精通，那么在很多层面上就会受制于人，在效率和产出能力上都会大打折扣，无法在第一时间内给出相应的解决方案，从而消耗了业务方的信任度，合作变得没那么顺畅。

核心词：生产工具
工具必须要要精通1～2个，技术迭代能够提升“生产力”。不再追求华而不实的“屠龙术”，能用规则解决的绝对不会用复杂逻辑，能用复杂逻辑解决的绝对不用算法，能用算法解决的绝对不用深度学习；

最初，之所以选择做数据分析，可能是因为自己的excel比别人用的熟悉，处理数据速度快。其他小伙伴需要用1天统计好的数据，通过用公式、写vba可能几分钟就搞定了；之后，通过R语言学习到了ggplot，可以一键绘图，尤其是地图、关系图等复杂图形的处理，会比excel方便很多，也成为领先于人的一种优势；

再之后，python 2.3的时代，利用pandas进行数据分析，可以整合不同的数据源，相当于打破了一个壁垒，可以通过python作为路由，对excel、word、txt、数据库、html等源头进行整合，因为可以模板化的缘故变得更加的高效，就有了时间去琢磨业务上的现存问题，再深耕进去解决，技术&业务并存的情况下，塑造了核心竞争力。工具的使用，也会成为自己挑选团队成员的一个重要因素，绝对的趋同。

三、怎么做到专业

最近几年，比较喜欢说一句话，在这家公司，只要是在数据领域，如果西索不知道，那应该就没人能知道，保持绝对的权威和话语权，这些都依赖几层能力和思维。所具备的能力矩阵，数据分析，最重要的真的是数学功底扎实么？左手概理统计，右手人情世故。

管理能力：工作中常用的几个管理方法汇总

分析能力：分析方法、模型和框架

基础统计分析模型

常用商业分析模型

互联网营销策略模型

算法能力

机器学习（无监督、半监督和有监督）、深度学习（NLP、RNN）
技术框架：python+sklearn+pytorch

四、如何塑造价值和影响力

主要分为应用价值和影响塑造。在所有的分析项目上，我的团队主要是占主导作用，实现这个过程总体可以划分为三个阶段：

前期准备：理解业务，了解产品流程，绘制业务流程图（processon），盘点场景和对应的资产；
第一阶段：建立信赖，通过日常的一些需求，和业务方建立好良好的合作关系，在需求实现的过程中，通过快速响应、快速交付的方式，以高效、准确的专业性，塑造一个好的角色，这个环节主要是破冰和建立信赖；
第二阶段：心智养成，对过往的需求进行整合，把临时对接的需求包装成为数据报告or数据方案，帮业务方提前去构思好问题，或者提前准备好业务方可能需要的内容，培养用户的数据意识和心智，养成好的用数习惯，让对方在使用数据的时候从弱依赖，慢慢引导成为强依赖；
第三阶段：价值共赢，关系熟了之后，可以站在业务方的视角去思考问题，了解部门or团队的整体KPI，结合周期内（月度/季度/年度）规划，寻找数据的切入点，在哪个流程什么环节，可以提供哪些数据的支撑，通过价值创造来实现共赢，从强依赖，到专业掌控，把事情交给专业的团队，不管是诊断还是设计；

五、分析团队的带法、管法和打法

从2014年开始，认识项目管理、产品管理、团队管理、经营管理。需要带入一定的管理方法，为了塑造团队的专业性和核心竞争力，需要建立流程、作业规范、作业标准、价值衡量方法、绩效考核制度，然后团队内需要有梯队化的建设过程，在复杂业务场景的时候如何利用owner来实现跨业务的高效协作。

团队定位和价值趋向

定位，数据资产的整合、数据价值挖掘、数据质量治理、数字化转型、数字化营销，都可以成为团队的价值定位点，取决于团队的组织架构挂在哪一层，是管理层的垂直管理去做商业模式研究，还是在研发侧作为中台的一部分提供能力输出，还是挂在业务侧直接提供决策支撑。不同的组织模式下，作用域不一样，谈资也就不一样，重要的依旧还是在于人，而不是数据，“他们”想要通过数据拿来做什么？故事、影响、度量手段、汇报工具还是仅仅只是报告。

价值

1. 数据影响力，通过数据来塑造团队在公司内外的影响力
2. 数据价值力，挖掘数据在用户侧应用场景做数字化营销
3. 数据驱动力，支撑内部经营业务运营组织开展专项分析

4. 数据发展力，分析团队的搭建，招聘、绩效考核、激励

   职责和分工

5. 支撑公司经营管理上的数据需求，主要是对老板和管理层，经营管理分析；

6. 塑造数据团队在内外部的影响力，第三方机构的合作机会，行业分析；
7. 通过数据产生直接的营收增长，数据资产的整合，ka用户上的价值挖掘；
8. 完成对内部运营的支撑，活动分析、产品分析、市场分析、竞品分析；

9. 对知识的沉淀，打造可移植、高复用的分析框架和模板；

   **

10. 重价值产出，以结果为导向，输出数据、报告可支撑运营决策；

11. 做标准和规范，高度的可移植性和复用性；
12. 团队成员的差异化，不趋同，各有所长，能够充分发挥扬长补短的特性；

13. 梯队化建设，一个资深带1个高级+1个初级，彼此做backup，降低用人风险；

    团队打法

14. 注重产出、注重数据分析价值，对于高价值的需求重点投入人力，对于低价值的需求做到高效处理；

15. 超过三天的需求，对于BI产出的数据分析报告、白皮书、算法模型、数据看板等需留痕，以邮件形式交付，并抄送双方的一二级部门leader；
16. 别人做的我不做，对于其他项目组已经涉猎的项目，不做重复的项目；
17. BI的工作内容应侧重分析，合理分配工作时间，对于日常数据需求的处理原则上应归还给数仓同学和数据产品，两个原则：模板化和产品化；
18. 在日常的需求中提炼需求的共性，梳理模板，提高效率，构建系统的分析框架和解决方案；
19. 基础建设：所有的基础性建设工作，作为需求方，以业务推进点为导向，形成指标、口径、规范，导入给产品侧进行排期解决；

    六、尾声

    为什么是数据分析而不是其他数据岗位？

因为我当时那个专业80%以上的同学都去当了老师，然后抱着试一试的心态，经历了诸多岗位的轮岗，最后误打误撞的做数据，可能是因为我excel用的比较6，现在依然很6。

2011年应用数学毕业，毕业之后先是在一家小型零售企业做HR「绩效模块」，后面轮岗去做了市场和销售，在一线做营销的时候需要大量的数据支撑，而当时会数据分析的人并不多，在那段期间就是通过excel处理各种业务上的数据来支撑营销决策，也就是国内比较早的一批数据化管理，用的是excel；

2013年进入到一家工业物联网的公司，开始转型做管理方面的事情，数据应用的层面主要是在经营分析上，通过对公司的投入、产出方面的信息内容分解，来辅助管理层做产品定位、用户调研和市场战略，另外就是对海内外的竞争对手进行分析去抢占市场，不断迭代打法，这时候算是企业的数字化转型，用的是python/R+oracle；

2017年为了了解互联网，跳出了原来的舒适区，去了一家阿里系原高管创建的汽车互联网的公司，待了两年，从C端到S端到B端的过程里面积累了很多的经验，所以这个阶段里面就是一个补充大数据、区块链知识的时候，通过算法去改变一些经验决策；通过saas化的过程，去实现数据在业务中的影响力，基本上是大数据赋能的阶段，用的是python+dataworks；

2019年去了2G的电商平台公司，18年底国内的P2P彻底暴雷了，金融股票市场彻底崩盘，很多实体企业受到了冲击，互联网公司的损失更严重，经历了三轮裁员，在送走了一大半的下属和同事之后，也就离开了，到了现在的电商类型公司，也是一家阿里系合资的公司。重组团队，一年的时间里面，通过数据创造了8000万的营收，把原来在小数据、数据化管理、数字化转型、大数据应用、AI变革的经验完全串在了一起；

2022年兜兜转转又回到了汽车业，期间和TOP互联网公司都有接触过，疫情三年，经济受创，在大小公司都开始裁员的时间里面选择了去智能制造，只是觉得2025之后大概是中国工业4.0的时代，尽管入局有点晚，还是得去摸一摸；