空白写在前面：
欧阳帅气的照片
我们公司包括我有三位数据专家。除我之外，一位36岁，另一位46岁。我比他们都要小，这说明数据分析是一个新兴行业。在十多年以前数据分析的概念还很模糊。在十年或者十五年以前，如果你把Excel表格玩的很溜就很厉害了。但是现在，如果大家去找一个数据分析的工作时，表示对Excel的操作很精通，在面试官看来就是件很基础的事——说明这个行业变化很快。走到同样的位置上我花的时间比他们都要短，并不是说我比大家都厉害，更多的是我踩在了时代的浪潮上面。
职场转型
根据活动前的调查问卷，来参加小数点的小伙伴，大致可以分为以下两类人：
新手区——关注职场转型：从0-1 or 从0.5-1
诉求：迈进数据分析的门槛。
人群：一般是大学刚毕业，或者毕业一到两年、没有从事过数据分析相关工作的经验。
思考：职业规划、职业发展方向、我如何进入这个行业。
成长区——关注职场晋升：从1-2 or 从2-100
诉求：在数据分析这个专业领域内做得更好，发光发热；职位升迁，承担更重要的职责。
人群：已经在公司内任职过一段时间数据分析的相关岗位。
思考：增加个人影响力、精进自己的技术水平。部门内部：搭建、管理团队；部门外部：业务沟通，解决同业务配合不顺利的问题。
所以这次分享，我会尽量讲一些比较基础的内容，尽量覆盖以上两类人的诉求，也会针对活动前调查问卷各位提出的问题做一些解答。
什么是数据分析：
数据分析—— 一项职场技能
在我的理解里，数据分析是一项职业技能，而非职业。所以数据分析师，就是把数据分析作为主要或者优势技能的一群人。
我大概看过3000份简历，面谈、电话、微信面试过接近1000人。面试之外，我接触过更多，无论是传统行业还是非传统行业做数据分析的小伙伴。据我观察，传统行业里，数据分析的定位，大部分和销售、生产或者财务有关。很多传统行业内从事数据分析的，主要帮助老板规划这个钱应该怎么花，或者告诉老板哪里的市场增长了，哪里的产品销量下滑了。财务端的组织很多叫做经营管理处。除了特定行业的研发口，财务规划以外的数据分析工作往往并不要求专业的数据分析能力（相对而言）。
互联网行业的话大家可能比较熟悉。数据分析在运营、产品、推广等各个模块都有应用。成体系的例如增长黑客，都是基于数据做决策，在数据思维和经验思维之间转换，寻求结合点。互联网企业也有财务部分，所以数据分析＋财务也同样存在。
有没有快速提升（升职加薪）的捷径：
正统的说法肯定是没有捷径，但考虑投入产出比，还是有相对更“经济”的路线可以选择。很多小伙伴说我对财务不感兴趣，运营、产品、推广之类的数据分析工作又因为不是一线业务人员，或者数据分析专业技能上有欠缺，给出的分析报告价值不大，业务认可度不高，想快速提升自己（主要是涨工资）有困难。那我的观点，在发现你对销售不熟悉对生产又不懂，搞研发又扎不进去（很多企业研发部分的数据分析专业度要求很高，需要在本科和研究生阶段进行很长时间系统化训练）的时候，相对来说比较可以快速提升（很快能够把工资翻几倍）的路线就是数据分析＋财务。
带上财务思维的数据分析，往往效果都不差，尤其是在遇见财务思维薄弱的运营、产品和推广同事的时候。
工作方向
数据分析的相关工作方向有哪些：
数据分析：
基础工作：统计、报表、数据清洗、一般业务分析等相关工作；
进阶工作：有的会涉及商业分析，价格策略、市场分析和战略分析；高阶工作：进入战略规划部门，从事经营计划、发展战略等工作。
数据产品：种类很多，有广告数据产品、游戏数据产品、增长黑客相关的数据产品、数仓相关的数据产品等，当然也包括BI。
（说到BI，大家对BI的理解是什么？BI全称是BusinessIntelligence，小数点数据分析训练营学的是Tableau，一款帮助我们实现商业智能的工具。所以有的数据分析工作涉及BI，在数据产品的工作内容里也有BI。数据产品这边是造工具的，数据分析这边侧重的是思考、应用和落地，这俩是有差异的。）
数据科学：Data Science，包括算法、模型、AI等。这个行当我认为是需要看天赋的，要求一个文科生半道转型去和一个接受了多年专业教育的人竞争算法和模型能力，显然风险较高。所以这条路建议大家慎选。
数据工程：有些小伙伴是软件研发出身的，在数据工程里面跟数据有相关性的工作，比如做数仓开发，高级一点做数仓架构，数仓设计等，或者数据治理，定规则定标准。
职业生涯
很多人会问，我怎么从0到1开始数据分析的职业生涯。
首先，要有兴趣。我一直坚持兴趣是源动力，有兴趣才能把这件事最好。
其次，在一个公司内部，如果不学数据分析，没有数据思维，工资是一个数；具备较为成熟的数据思维，做过一些相关项目，或者说花两千块钱报名参加小数点这个课程，工资可能会翻一倍。能为公司创造价值、节约成本、增加收入、提高单位产出，能更有效率的做到这些的，老板理所当然会加工资，个人也会体验到成就感。
所以不学数据分析，没有数据思维的人在很多企业里，和懂数据分析的人比，在我看来是野蛮生长的状态，拼的是体力而不是拼脑力。数据分析一定是靠脑子赚钱，我们的附加值叫做智力。
这里就引出我归纳的九个力（最后一个“立”不太一样，但发音一样）也就是先天条件：
智力：智力是必要的，天赋很重要。在座各位都上了大学，那在我看来基本智力都没问题。
体力：也很重要。学习数据分析过程中会发现很多东西都要消耗体力，在小数点线下学习两天从早到晚然后还有六周作业等着你，做不完培训老师还要催你。所以体力很重要，特别对刚毕业的小伙伴，或者从0到1要快速赶上别人，那可能要花更多时间和精力在学习上。
脑力：就是说你能多长时间集中注意力，focus在一件事上，不停的去思考。这个需要训练，很多人学了五分钟又去干别的，再学一会有点累再学一会要活动活动，起来喝点水干啥的，断断续续是不行的。
记忆力：记性要好。
视力：很重要，我们做数据分析长期面对电脑，很多数据包括图表在你眼前晃来晃去，如果深度近视两千度不太建议从事这行。
想象力：这个东西很抽象，我还没想好怎么解释，大家自行体会。
最后三点是我发现，优秀的数据分析师都具备的，通俗点讲赚钱多的人具备的特点：自驱力、源动力、独立。
自驱力：很多人有，可能每天早上干碗鸡汤，给自己打打气我是最棒的就觉的有自驱力了，然而光有量没有质，徒有其形是不行的。你是不是真的“信任”自己，“信赖”自己，很重要。
源动力：很多人搞不清自己为什么要做数据分析，所以浪费了大好年华和天赋，几年后进步很小。而很多在这个行业做的好的数据分析师，遇见一个新生事务、新的概念，他自己会去学，去归纳，去总结，去想怎么应用。一是他有这个自驱力，而源动力就是不管遇到多大的困难，他都能坚持下来的理由。
独立：虽然看起来这个是硬凑上去的，但是也是非常重要的。比如经常有人问我python怎么学？我说你做了什么，研究了什么看了什么。他回答说，还没有开始。我问那你为什么要学呢？答曰因为公司工作需要。我说那你考虑是否要学习花了多长时间，告诉我大概是昨天的想法。这在我看来就是不独立。
大家都是成年人了，现在网络这么发达，很多技能和知识在网上都可以学习到。很多大牛帮你整理好了学习资料、学习路径，总结好了学习经验和心得体会，你至少花点时间看一下研究一下。哪怕你浅尝辄止过个大概，都不会问出这种看起来简单实则很难回答的问题。光一个Excel，大牛都可以给你讲很久的课。而大牛们花了这么多时间学习，即使工作再忙也会抽出时间学习新东西，学习其他大牛的经验分享，然后要求我在几分钟内给你讲清楚怎么学python，显然不现实，也不合理。所以，我希望各位都要独立一点。自己先尝试，哪怕它很难。可能会花费你一些时间，但学习效率也是有一个增长曲线的。有个说法叫刻意练习，保持专注在学习上（小数点tableau训练营也不是短时间2天课就结束了，课后还需要不停练习），但也不是就要求你严格遵守学习一万小时的定律，至少不要遇见问题就想着向别人求助。比如学习Tableau，仅仅是工具操作，上官网看教学视频，全部看完也就两三天，基本的操作也都掌握了，之后再增加练习量，这时候你再跑到“磁场”提问，问题就很聚焦了，别人就会很乐意和你交流。
（所以如果有人跑来问我怎么学tableau&商业分析 那我只能说来参加小数点，这样最高效。）
先天之外，我把后天的东西也归一下类，这个是从大家的问题中提炼出来的。
敏感，分几种：
对数据敏感、对商业敏感、对业务敏感、对流程敏感、对产品敏感。
业务敏感：
大家对业务方的理解是什么？假如你们从事数据科学和数据算法。业务方在和你们提各种要求的时候你们在想什么？大胆一些，我帮你们说出心里话：很多做数据分析的小伙伴，觉得业务方是猪。他怎么能提这种需求？他觉得你取个数、做个报表、做个看板，简简单单就搞定了。他们说“这个需求很简单”，那我们做数据分析的小伙伴就说“这个需求做不了”，很容易就会有矛盾。
所以，做数据分析，必须要对业务敏感。
（在我眼里，业务方都是“奶奶”。怎么理解？就是很难接受新事物，动作不快效率不高，对专业名词的理解能力不强，沟通需要耐心的人。一件你认为很简单的事，可能需要沟通三到五遍。所以在公司看到业务方，你要想奶奶来了。我要求我组里的小伙伴，包括数据分析师、数据科学家，把业务方当作你奶奶，你就很容易理解对方。碰到一些你看起来很简单的问题，你要慢慢讲，拆开了揉碎了讲。你做了一些很复杂的东西你认为奶奶看得懂吗，你奶奶不关心你用的决策树、增强学习算法之类的东西，因为奶奶看不懂。他只需要你通俗易懂地告诉他这个东西能干嘛，能不能解决我的问题，我要干嘛、我要怎么配合你落地，我的目的通过你的模型有没有达成——这就够了。
把业务方当奶奶之后就会对业务很敏感。因为奶奶是你的亲人，你要关心她爱护她，关心她的一举一动。这种感觉不知不觉带进去之后你就会不自觉的想，我要好好照顾我奶奶。这个时候你看待业务方就不一样了，你会对业务有敏感性。今天业务方比如在数据报表里面某个指标出现异常了，你就得唉呀这个地方出现问题了。你就会先于业务发现这个问题，你就会先于业务关心这个问题。业务也会觉得你好关心她，你好懂他，你好理解他。）
流程敏感：
流程的敏感性很重要，合理健康高效的流程是可以帮助我们大大提升工作效率的。很多业务方跟数据分析方配合的时候对流程很不关心，很随性。今天心情好溜达一圈就跑去找数据分析提个需求。这就不符合流程。要有流程、有制度、列好12345把流程梳理清楚，标准化工作后才能避免很多麻烦。说直白点，很多数据分析师在公司都是背锅的人，有些业务方觉得这个数据分析师好烂啊，怎么还没解决我的需求，怎么飘在空中不能落地——总之就是不靠谱，怎么这么点需求你都不能帮我完成。我觉得这个锅不该数据分析师背，很多时候是流程不清楚。才会导致的问题和现状。
思维：
然后思维方面，需要大家具备几种思维：首先逻辑思维，然后抽象思维。抽象思维就是把你实际遇到的问题或者困难抽象成你能理解或者你伙伴能理解的问题。
我们公司有个数据科学家算法模型之类的技能很厉害。事业部的数据分析团队一个月做不出来的模型和算法，在他那一个星期不到就能搞定，而且是质量免检产品。而他有两个特点，第一在他眼里业务部门都是猪，第二他不太喜欢和业务去解释他的交付物是怎么做出来的。他想的是我在这块很厉害并且在这行干了这么多年，然后公司对我很重视，我做的这些项目，说了你能理解吗？经管专业的、搞销售的跑来跟我讨论算法的问题，靠不靠谱呀？所以我每次和他配合，我都会把所有的业务问题抽象成数学问题。一个业务类项目，我跟他配合就把业务问题抽象成六个数学问题，他帮我把这六道题解了，解完以后把结果交给我，我再把结果拼起来，整合完，就成了我需要交付项目的交付物。
所以抽象思维很重要。抽象思维在于你跟业务方沟通，和你的合作方沟通，和公司的研发单位沟通。和任何部门沟通都能运用到。因为有的问题，是A部门的专业领域，A部门的都懂，但跨部门到B部门，你可能就要用抽象思维变换一下说辞，用大家都能明白的语言讲明白。我希望大家多打比方多举例，举一些别人很容易理解的例子。这会很有效得提升你的工作效率。当然老板也会觉得你很厉害，可以把很复杂的问题，用最简单的方式讲清楚。
关联思维：我们很多做数据分析的反应，通过分析发现不了问题，对业务方提的一些问题，没有思路，不知道怎么去分析。那在我看来可能是缺乏关联思维，不会去看前，也不会去看后。比如说，做淘宝销售，推广环节、供应链环节、商品环节、用户环节，相关各个数据各个指标中间都是有关联的，是一条线上面的事，牵一发，动全身。
（再比如，大部分业务都和钱有关——钱是怎么在企业内部流转的。我们公司虽然是做电商的，但我经常跟我们老板比喻我们是卖水果的：早上从农民伯伯那里把水果进过来花了十块钱，然后我们找好地方把摊子一摆广告一打开始卖。有的水果今天卖不完第二天很容易就会坏，当天傍晚就要考虑清仓，而有些生命周期长的比如像橘子哪怕今天没卖完，明天后天咱们接着卖。如果我今天赚的钱大于运费、广告费、城管的罚款、烂掉的水果的损失，那么我这个现金流大概率是健康的，基本盘越转越大。这个时候老板就会说这个事情很好做，比如融资拓宽业务线——找人借点钱搞两个水果摊。对现金流搞不明白的、缺乏财务思维的人，你直接讲资金和周转问题不一定能懂，财务也不一定能搞懂销售的内部逻辑，那分析师可以举个大家都懂的例子来解释问题，成为业务之间的桥梁和纽带，而不是只是提供冷冰冰的数据）
思维之外，提个概念——人效。数据分析岗位实际是代表了人效。十个人做的事，通过算法、模型、Bi等，一个人就做完了。比如做Excel报表效率很低，但搞成tableau这样做成可视化，效率就提升很多。
技能：
很多人会思考学习数据分析我需要会哪些技能？
传统企业数据分析：必须excel 。SQL甚至都不一定需要——因为不一定有配套的数据库——虽然他们想建立数据库，但老板不知道怎么搞，没有这块经验。或者投了很多钱搞最后没搞成。如果在传统行业里面，专精Excel的，VBA一定要好好学。再加上扎实的统计基础，可以应付大部分业务问题。
有个小伙伴问我基础的数据分析岗位都是6-8k，就担心薪资的问题。虽然今年经济不如往年好，但也不至于到这么低呀。我打开招聘网站瞧了瞧，基础数据分析，传统企业的，6-8k居多，互联网类型的，8-12k居多。根据我的观察，掌握三个基础技能：excel，SQL，统计。可以保证你拿到8-12k的基础薪资。那么具体多少看你掌握这三个技能的程度。比如加上VBA肯定就不止这个钱的。很多基础岗位的数据分析招聘要求会看到要求掌握模型，算法。我可以告诉大家在基础岗位用不到这些东西。也基本不会面试这些问题。如果真的碰到了只能说运气不太好。所以基础8-12k是基本用不到模型算法。但为什么招聘方要写出来呢？你肯定不愿意一辈子做基础工作吧？总想着要进步嘛。企业是希望你有潜力掌握这些，或者你有这部分基础，以后成长性更好。
企业都希望求职数据分析的能掌握一定的模型和算法，包括用python来做数据分析。但其实真的不一定有那么多专业的分析师在用python搞分析。不要认为招聘简介上写的，似乎这公司所有数据分析师都在用python搞分析，研究下企业背景，实际数字大概率50%都没有。但反过来想，如果你会python，那你超过这50%人口的概率是不是就高一点了？可以和另外50%的人竞争了。除此之外，还有评分卡、规划求解、聚类、分类、F检验、T检验等，这几个可以记一下关键词，如果你不会没听过可以回去百度知乎，会有各种教程告诉你怎么学，学会并不是很难。
有时候老板给你一个任务会直接问你今晚能给我吗？——不行。那明天能给我吗？时间紧任务急，不会有那么多时间留给你细细地做模型搞算法。所以在我看来，好的模型和算法，不一定是100%精准的、最时髦的、最高阶的那些数据分析能力或者算法；有效的、一定程度上能说明问题的，解决老板需求和当下困境的算法和模型就是好算法。所以评分卡是很常用的模型，不管你是互联网、金融，还是什么电商、游戏公司都会用到。他的常用程度在我看来能解决很多问题。哪怕是人事做绩效，评分卡都很有效。然后规划求解在Excel中能很快得出结果。关于T/F检验如果你老板不懂数据分析，那么你不做这些东西你老板也不知道。但不是鼓励大家作弊，如果你做了一个分析报告或者回归模型，还是要做一下检验，这是必要的，也是一个职业操守问题。
高阶技能包括时间序列，机器学习，自定义。时间序列像python里面有很多包可以解决这种问题，前提是有相关思维在。机器学习的话可以提高效率，通俗点能帮助你赚到更多的钱的技能，毕竟工作是为了钱。 自定义很重要，比如我们公司现在做的很多模型和算法相关的项目都是自定义。很多业务问题并不一定有现成的历史参考案例，或者行业案例可以学习，那就把我前面所说的各种敏感性，技能等聚合在一起，定新标准、用新方法、拟新方案。
最后有个附加技能：财务，财务和会计是两码事。懂会计不一定懂财务。懂财务是很重要的事情，相关教材看个一两本，建立正确的财务和管理会计思维后，对业务的理解能力会上一个台阶。
以上所述，可能各个行业要求不同，不同行业有不同特点，所以只是大概做个分类。也许有人和我想法不一样，也很正常。但是要独立思考，哪怕你觉得我说的这些都不对都没有问题，但是要清楚你为什么想做数据分析，目前在怎样的level，未来打算朝哪个方向发展。
工作内容
数据分析每天都在做些什么。
标准：指标工作流
我们公司过去的指标标准化很不好，开会的时候，各部门讲的销售额都是自己理解的那个值和定义，公司到一定规模后，这种不对称是很严重的问题。光销售额这一个指标就有很多种定义，随便给大家列举下，比如订单销售额，出库销售额，支付销售额，真实销售额，这些销售额定义各不相同，而财务端看的销售额，算法跟这些又不一样。
所以不管你是公司技术部门、业务部门还是销售部门下属的数据分析，还是总经办、经管处等，不管你在哪个单位做数据分析，进入公司之后，第一件事，了解公司业务，了解各个部门谁说了算，了解各部门配合的风格和特点，进而了解这些部门的相关指标是什么。了解不同指标的定义，这件事是个特别有价值的事情，也是能保证你在这个公司干很久的事情。那如果是你定义这些指标业务场景的话，你就是公司里面定标准的人，你的重要性就很高，渐渐就会具备一定的不可替代性——这是我教大家怎么度过试用期。
治理：很多人说公司数据库做的不好脏数据很多，跟数据治理有关。涉及到数仓架构，很多人没有这种能力。开发流程 权限，这些是依托于上面的标准化之后的，如果有同学在搞这些事情那么就是往数据工程这方面再走。它的应用场景会很大
分析：复盘，就是事后分析。预言，就是事前做的分析。战略分析，就是更高级别。然后汇报的分析
算法 模型：跟人效 钱效 时效有关。
课后小黑板
1目标 2资源 3方法论
第一个方法论：
做任何事的目标是什么，不管是别人提需求还是自己想要做这件事，明确我的目标。知道有多少资源，在我的工作里面我的资源是时间那么对应的是人效和时效。花多少时间要多少人能做完，有目标有资源之后再去想方法解决这个事情。
第二个方法论：
把所有工作划分一下，包括学习生活都可以运用起来。比如你觉得转型是重要不紧急的 就可以分先后次序。业务部门给你提需求就是他认为很紧急很重要，在我看来这些事都不重要。紧急不重要 或者不紧急不重要。因为很多业务方提需求今天提这个明天提那个需求，一个星期变四次需求很正常，还经常说我就改一点点，很简单的。你只要随便一改。这时候我想你怎么不自己来。这种事情在我看来对钱效时效 人效没帮助的都不重要。
我们需要做的事跟公司人效 钱效 时效有关的才是重要的。规定你哪一天过来提需求 我每天给你交付什么。
不管什么时候都要记住我们是和人交流和钱交流 和时间交流。如果你做的分析跟这三个效字没关联，就属于不重要。
掌握数据分析没有你想象的难，但比你想象的重要
END
联系客服
