作者:接地气的陈老师
来源:接地气学堂
“到底咋样算进阶?”是很多做数据的新人同学很疑虑的问题。网上的文章铺天盖地的都是“如何入门”,“如何快速入门”一类。可真正做上数据分析以后才发现:根本学的就是个屁。每天都在跑数,真正的算法工作离自己一万多里。所以到底前途是啥?
以上诸多疑虑,症结核心,在于:网上的文章大多基于课本来写。因为书本上都是第一章讲pycharm,anaconda,第二章讲pandas,第三章讲matplotlib,第四章讲numpy,第五章讲sklearn,所以作者们想当然地以为做数据分析就是第一步安装软件,第二步取数,第三步可视化,第四步机器学习模型,第五步业务跪倒在自己脚下俯首帖耳,说:数据分析真牛逼,快来驱动我……醒醒了喂!
真正进入公司以后,就会发现,数据分析工作最大问题就是:存在感稀薄。数据驱动业务?那是:老板拿数据驱动业务。至于做数据的自己,在大部分公司就是打杂的。那些产品经理、运营、销售、策划心中,都觉得自己可懂分析了,就差一个跑数的。做数据的你就安心跑数好了。
而且,做业务的尤其喜欢说:“我看朋友圈的数据分析文章,我都会了,可我司数据分析师连大数据精准推荐,这么简单的事都搞不出来,都怪他们!”——做数据的不但工作打杂,还容易背锅。
所以,真在企业里上过班就会明白:想要摆脱窘境,真正要干的就三件事:
1、争取独立项目的机会,不当扫厕所的
2、清晰工作范围和边界,不背无妄之锅
3、展现工作效果与成绩,争取内部认可
有了这三个,才能让自己多立功,少背锅。这三点,才是从等着别人来要数的新手,向独当一面的成熟数据分析师的真正转变。具体怎么干,下边简单说一说。
1
如何争取独立项目
新人在学习阶段,都练习过网上的所谓“项目”,什么泰坦尼克、淘宝购物、某国信用卡之类。真实企业项目和这些网红项目最大区别在于:没人给你安排好做什么。如果干坐着等别人安排,就等着接电话:“这个数据老板要,下班以前要给到”。
想争取项目,陈老师之前有一篇详细的分享,在文末可见。这里想强调的是:一定要做好常规数据需求统计。想要在琐碎、零散、日常的工作中发现机会,靠的是细心的分析,而不是别人的施舍(如下图)。
基于需求统计表,能主动发现:
这样就能摆脱遇到事只会傻憨憨问业务,结果被一句“关你屁事”顶回来的尴尬。找到意愿合作的部门,找到有价值的合作项目,都靠这样一点点沉淀,而不是从天上掉下来的。
2
如何清晰工作边界
清晰工作边界就是为了不背锅,没有其他缘由。
要牢记三清原则:
1、有数据还是没数据,要分清!
2、有标准还是没标准,要分清!
3、有方案还是没方案,要分清!
没有数据,无法分析。这是废话,但是恰恰最容易被忽视。在业务眼里,永远是:“我们的数据很大呀,而且都在哪里,就差个人来分析了”,业务是不会去扣数据细节的。事先不做好功课,事后面对一堆脏数据,巧妇难为无米之炊。
没有标准,无法评估。这也是一句废话。但是业务口中,经常是:“我就是要增加销量呀;我就是要提升活跃呀;这是老板说的要做,你管他那么多呢”。看似有目标,实则不具体。这时候如果不主动提醒,事后想再补充。就变成:说业务好,自己就是应声虫,对老板没意义;说业务不好,等着被业务喷死。进退两难。
没有方案,预测不准。这也是一句废话。投100的券和投10元券转化率能一样吗。好文案和差文案转化率能一样吗。脱离业务方案去谈预测、谈走势,都是夸夸奇谈。可偏偏教预测的书本都讲的是数据处理方法,很少讲如何结合实际,因此这一步也经常被忘掉。
以上三原则,是很多新人碰得头破血流以后总结的要点,字字带血。然而这也是新人最容易忘记的点。因为在自学阶段都是对着现成的数据集,现成的背景,现成的书去练,从来没人教怎么具体问题、具体沟通。就容易在干活时出问题。
3
如何展示工作成绩
数据分析的成果,就类似“哥伦布立鸡蛋”的故事——你说出口之前,大家都觉得不可能;你说出口以后,大家都说:我早想到了!这个很简单。所以单纯地在口头报几个数、提几条建议,完全不能证明这是自己的成绩。反而把业务教聪明了,以后的分析需求越来越复杂,越来越难搞。
因此,才有数据成果三标准:
1、输出数量可量化
2、结果可重复使用
3、过程封装看不懂
具体如下图所示:
想实现这三标准,单纯地靠写ppt,做口头汇报是肯定不行的。上数据产品势在必行。但想从零散取数,直接升级到一套完整的数据产品也是不现实的——业务等不了那么久,也不会停下日常工作。因此要有产品升级的意识,逐步地向完整产品过度。
我们积累的技术能力,是在这个场合用的。在时间、数据质量允许范围内:
1、能做报表的,不用临时取数
2、能上系统的,不用手工报表
3、能上体系的,不用孤立指标
4、能上模型的,不用业务规则
5、能固化规则的,不每次跑数
6、能固化标准的,不专题分析
总之一步步升级,手工操作、临时操作、个性化操作越来越少。产品功能越来越丰富,预测精度越来越高,查询速度越来越快,定位问题方法越来越简单,我们的价值就越大。以上,是从菜鸟到中级的破局思路。啥时候算修炼成功?往简单说,就是独挡一面。
往细了说:
具体的表现是:等你在面试或者年终述职的时候,不需要傻憨憨地说:我做了好多分析。而是很清晰的讲出来自己的工作数量、输出产品、分析模型的时候,就算成功了。然而遗憾的是,很多新人注意不到这些问题。
比起在具体问题上深入讨论,他们更喜欢发牢骚,抱怨自己的公司太low,如果能进入头腾阿这种大厂,肯定是山清水秀,鸟语花香;
比起深入思考业务场景和业务流程,他们更喜欢看“底层逻辑”“核心模型”,并且孜孜不倦的在网上找《国家权威认证方法》。
比起解决问题,他们更喜欢人手一本《21天0基础精通机器学习》,认为学了这个头腾阿的某一家就会看上他了——总之,牢骚太多,细节太少,想进步,肯定很难了。
能独立面对并解决问题以后,我们能探讨一个10人部门以上的,领导级的高级数据分析师需要什么技能了。在成果上,高级的数据分析师不仅要解决问题,更得明白“要做成什么样”主动引导业务发展。
想从事业务型数据分析师,您可以点击>>>“数据分析师”了解课程详情;
想从事大数据分析师,您可以点击>>>“大数据就业”了解课程详情;
想成为人工智能工程师,您可以点击>>>“人工智能就业”了解课程详情;
想了解Python数据分析,您可以点击>>>“Python数据分析师”了解课程详情;
数据分析咨询请扫描二维码
CDA数据分析师认证:CDA认证分为三个等级:Level Ⅰ、Level Ⅱ和Level Ⅲ,每个等级的报考条件如下: Le ...
2024-11-14自学数据分析可能是一条充满挑战却又令人兴奋的道路。随着数据在现代社会中的重要性日益增长,掌握数据分析技能不仅能提升你的就 ...
2024-11-14数据分析相关职业选择 数据分析领域正在蓬勃发展,为各种专业背景的人才提供了丰富的职业机会。从初学者到有经验的专家,每个人 ...
2024-11-14数据挖掘与分析在金融行业的使用 在当今快速发展的金融行业中,数据挖掘与分析的应用愈发重要,成为驱动行业变革和提升竞争力的 ...
2024-11-14学习数据挖掘需要掌握哪些技能 数据挖掘是一个不断发展的领域,它结合了统计学、计算机科学和领域专业知识,旨在从数据中提取有 ...
2024-11-14统计学作为一门基于数据的学科,其广泛的应用领域和多样的职业选择,使得毕业生拥有丰厚的就业前景。无论是在政府还是企业,统计 ...
2024-11-14在当今高速发展的技术环境下,企业正在面临前所未有的机遇和挑战。数字化转型已成为企业保持竞争力和应对市场变化的必由之路。要 ...
2024-11-13爬虫技术在数据分析中扮演着至关重要的角色,其主要作用体现在以下几个方面: 数据收集:爬虫能够自动化地从互联网上抓取大量数 ...
2024-11-13在数据分析中,数据可视化是一种将复杂数据转化为图表、图形或其他可视形式的技术,旨在通过直观的方式帮助人们理解数据的含义与 ...
2024-11-13在现代银行业中,数字化用户行为分析已成为优化产品和服务、提升客户体验和提高业务效率的重要工具。通过全面的数据采集、深入的 ...
2024-11-13在这个数据飞速增长的时代,企业若想在竞争中占据优势,必须充分利用数据分析优化其营销策略。数据不仅有助于理解市场趋势,还可 ...
2024-11-13数据分析行业的就业趋势显示出多个积极的发展方向。随着大数据和人工智能技术的不断进步,数据分析在各行各业中的应用变得越来越 ...
2024-11-13市场数据分析是一门涉及多种技能和工具的学科,对企业在竞争激烈的市场中保持竞争力至关重要。通过数据分析,企业不仅可以了解当 ...
2024-11-13数据分析与数据挖掘是数据科学领域中两个关键的组成部分,它们各有独特的目标、方法和应用场景。尽管它们经常在实际应用中结合使 ...
2024-11-13在如今这个数据驱动的时代,数据分析能力已经成为许多行业的重要技能。无论是为工作需要,还是为了职业转型,掌握数据分析都能够 ...
2024-11-13在如今这个数据驱动的时代,数据分析能力已经成为许多行业的重要技能。无论是为工作需要,还是为了职业转型,掌握数据分析都能够 ...
2024-11-13作为一名业务分析师,你肩负着将业务需求转化为技术解决方案的重任。面试这一角色时,涉及的问题多种多样,涵盖技术技能、分析能 ...
2024-11-13自学数据分析可能看似一项艰巨的任务,尤其在开始时。但是,通过一些策略和方法,你可以系统地学习和掌握数据分析的相关知识和技 ...
2024-11-10Excel是数据分析领域中的一款强大工具,它凭借其灵活的功能和易用的界面,成为了许多数据分析师和从业者的首选。无论是简单的数 ...
2024-11-10在快速发展的商业环境中,数据分析能力已经成为许多行业的核心竞争力。无论是初学者还是经验丰富的专家,搭建一个有效的数据分析 ...
2024-11-10