通向优秀数据分析师的六个阶梯( 二 ) _数据分析师

文章插图

第四阶：测细节跨过第三阶段后，数据分析师能对明显的，重大的影响因素做出判断。想要进一步提升，就得深入到细节中，了解活动到底怎么做的，产品到底怎么设计的，用户到底需求什么。这些已经触及业务的核心，因此很难短时间内搞清楚，需要长期积累。
想做这一步，有2个关键工作要做。
其一：打标签。
越是触及业务核心，连续型指标能描述的情况就越少，越需要打标签。类似用户情绪、喜好、产品功能点、营销逻辑，都是靠标签来描述和量化的。准确地打标签，将业务量化，做出清晰的分类，是高级数据分析师的技能。不是说把数据库里的，现有的维度表拖出来就完事。
其二：做实验。
可能有同学会说：ABtest我现在也经常干，为啥感觉不到进步呢。注意，现在的ABtest，很多是产品驱动的，不是数据驱动的。鬼知道产品经理从哪里搞了2个版本，扔过来就测，然后让数据分析师解释差异。这是非常本末倒置的，只会让人陷在琐碎的数据里。

一个正式的实验，是：
1、有清晰的改进目标
2、有清晰的改进逻辑
3、有关键改善过程指标
4、有环境控制变量
5、有组间差异预判

文章插图

谋定而后动。这样才能在解读实验数据的时候剔除各种杂糅因素，得到正确结论。当然，想做到这一步，需要业务的配合和参与。如果业务真的很喜欢自说自话，就靠数据分析师个人能力，至少推动剔除一些明显容易杂糅的因素。
第五阶：理逻辑迈过第四个台阶，数据分析师本人已经可以实现：描述问题-发现问题-解释问题-检验效果的闭环了。单纯站在数据角度，已经是个完整的能力闭环。
但仅有数据能力闭环是不够的，因为在企业里，相当多的问题不是来自技术，而是来自业务。更有甚者，是来自业务方的屁股决定脑袋，来自业务方急功近利、大干快上，来自业务方事前拍脑袋，事后拍大腿。
因此想要让数据更好地展现价值，就得有能力应对现实问题。在千头万绪中，梳理清楚问题逻辑，找到正确的答案，或者至少给自己找到脱身的办法(如下图) 。

文章插图

这时候“理逻辑”，重点是把口语表达的，不可量化的业务逻辑，转化成数据可验证的逻辑，并且选择合适的数据方法得出结论。除了数据能力，还需要数据分析师有业务洞察，有一些职场沟通技巧，才能完成任务。
第六阶：组模型有了以上五个阶段的积累以后，你已经能完全在一个行业里混得如鱼得水了，不但能做好基础数据服务，也能协助业务做出业绩，更能以客观中立的态度赢得老板的信任。
此时，可以更进一步，提炼一些属于自己的模型出来：
如果用少数关键指标就能概括这个行业的问题，可以捏个业务模型
如果某个业务场景，用特征+算法能得到很准确的预测结果，就固定成该行业算法模型。
搞完了，记得也取四个英文字母做名字以体现档次。
做这一步，不仅是为了沉淀经验，提升逼格，更是为了迁移知识，扩展使用范围服务的。很难保证人一辈子都不换行，掌握了优秀分析能力的人，干一行就是一行专家。而迁移知识，靠的是模型的总结与经验积累，两者缺一不可。
小结纵观整个成长阶梯，核心就是：数据分析师要能剥丝抽茧的解决复杂企业问题，这样培养能力，才是我们自己安身立命的法宝。
很多在校的，刚毕业的同学们，还习惯于沉浸在书本中，总觉得越难的知识越牛逼，一本统计学有19章，那第19章肯定比18章牛逼……这样单纯堆叠知识点，可以无穷无尽卷下去，但是对于提升实际能力帮助甚小，非常不推荐哈。真有兴趣搞这些，推荐去纯科研。
特别是，数据分析本身就是一个面向不确定性，用数据方法解决企业经营不确定性的工种。把数据采集上来，服务好管理层，推动业务实现业绩，至少就有一个公司数据部门总监位置在召唤，何乐而不为呢。与大家共勉！

【通向优秀数据分析师的六个阶梯】