数据分析师的困境与破局

数据分析近几年可以说是甚嚣尘上，连带着孕育了一大批技能培训机构。

而这类机构更是出于各自的目的，对数据分析的作用进行大肆鼓吹，似乎学会了数据分析就必然能迎来职业的春天，升职加薪不在话下。但“上帝欲使其灭亡，必先使其疯狂”，当一件事物被过度吹捧的时候，往往值得我们警惕。

大部分所谓的风口，都存在着出于不同目的的幕后推手。

如果我们盲目的将数据分析和职场春天画上等号，过分的乐观在大部分情况下只能换来失望。本人也算是蹚了一趟数据分析这摊水的，在此将自己这几年对数据分析的思考写出来，希望能对各位有所帮助。

首先什么是数据分析，百度百科对其的定义是：

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。数据分析是为了提取有用信息和形成结论，而对数据加以详细研究和概括总结的过程。

落实到工作上，其实数据分析是基于手上的数据，分析某种业务现象所导致的原因（究因分析）、探寻与某种业务现象相关的因素（相关性分析），最终的目的是为了答疑解惑、解决问题、促成业绩提升。

一、数据分析师的困境

现在大部分培训机构在宣传的时候动辄就用数据分析存在上百万的人才缺口、前景无限作为噱头。

或许他们并没有夸大，但是我们得清楚的是他们说的是数据分析，而不是数据分析师。数据分析是一种技能，数据分析师则是一类岗位。

如果你把数据分析的学习作为自己现有职业技能的提升，那问题不大；如果是以为学了数据分析就能转型为数据分析师，那就有点想当然了。

现在很多产品、运营、业务都具备一定的数据分析能力，中小型企业很少有专门的数据分析师岗，即使有大部分也是薪资一般的“表哥表妹”或者“取数专员”，甚至取数也由开发兼任即可。

而大公司专门的业务数据分析师，相对来说则要求更高，应届生还好，在职人员的转型绝对不是光靠培训而来的纸上谈兵就那么简单能够胜任的。

相对于找一个有其他岗位经验的转型人员，大部分公司宁愿招一个应届生从头培养。

毕竟应聘者而言，本身已有数年工作经验，即使是非数据分析相关的，但对于薪资的要求并不会因此而降低太多；而对于公司来说，过往的非相关经验或许会有所作用，但对于数据分析的加成并不会很多。

综合比较，他们更愿意招性价比更高的应届生。

当然，转型之难其实不单单适用于数据分析，任何岗位的转型都是在原公司完成更加方便，通过跳槽实现转型的难度相对要大得多。

对于顺利成为数据分析的人来说，现实与理想也往往存在一定的差距。

就像上面说的，很多初级的数据分析师，最后往往都是“表哥表妹”：业务方提需求，数据分析师取数，中间几乎没有什么分析环节，而且经常面临被需求方质疑数据准确性的尴尬。

二、数据分析师的破局

那么如何避免沦为取数机器人，摆脱“表哥表妹”的角色呢？

首先，我们得回到数据分析师这个岗位的价值，这里我们先就狭义上的业务数据分析师展开讨论。

就字面意思，业务数据分析师必然是为业务服务的。那么毫无疑问，懂业务是最基本的素养，如何对业务有深入的了解，最笨也最有效的办法就是“沟通、沟通、沟通”。

1. 沟通的重要性

「沟通」毫无疑问是一个非常重要的技能，对于数据分析师尤甚。初级的数据分析师，往往会需求方提什么就做什么，甚至不会进行需求的二次确认，其往往会造成以下后果：

1）曲解需求

最终结果南辕北辙，造成无效返工。

2）表面需求

“如果我最初是问消费者他们想要什么，他们应该是会告诉我，‘要一匹更快的马！’” —— 业务方经常性连自己都不知道要的是什么。

第一种结果，相对来说比较容易避免，只要分析师自己细心点，做好需求的二次确认即可；

而第二种，则需要分析师本身有一定的专业性，根据业务方的初步需求，了解他想要的结果，提出自己的建议，确定最终的分析框架，再去开展分析工作。

最后别忘了跟进分析结果的落地，对分析的准确性进行复盘完善分析框架。

2. 工具提高效率

数据分析师的可用工具有很多：

1）通用工具

excel

2）分析工具

spss

3）BI工具

tableau、powerBI、FineBI

4）语言工具

sql、python

有一部分分析师觉得，高端的分析师都是用语言类工具的，实则不然。

虽说要想在数据分析领域深造，会语言是必须的，但是在实际工作中，我们都是根据不同的分析场景选择合适的工具，有时候excel的甚至会比python更快捷。

3. 可视化呈现成果

数据分析既然是服务的提供方，那么如何让需求方更好的理解我们的分析结果，是我们必须要考虑的。

我之前有个同事，在和业务方沟通的时候经常把python的输出结果直接截图甩给业务（ps：那种黑底、数据之间没有行列分割线、各种英文字段的界面），毫无疑问换来的是业务方的黑人问号脸。

比较好用的可视化工具，我个人推荐tableau和excel。

如果是单次分析两者都差不多，但是如果是日常化的分析，最后希望更新数据源直接在原图上刷新的，那么tableau会是更好的选择。

虽说python也有较强的可视化包：seaborn和matplotlib包，但就便捷性而言，一般场景下不如tableau。

＃作者＃

唐豪杰，微信公众号：弈呓（ID:YiYi_TANG7980)，互联网运营从业

本文作者 @唐豪杰

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！