数据分析师(或者更时尚地说,数据科学家)是公司不可或缺的重要组成部分。 一家缺乏数据分析师的公司至少说明该公司缺乏数据驱动意识,在未来的竞争中肯定会处于劣势。 被动的。
我之前采访过腾讯的高级数据分析师Alice。 7年里她对7个产品做了数据分析,取得了不错的效果。 我想跟大家分享一下她对数据分析的想法和理解。 希望对您有所帮助。
1.你为什么选择数据分析师这个职业?
Alice:我毕业后加入腾讯,从事数据相关工作。 我刚开始做大数据的时候,主要是数据开发,也就是根据需求做数据报表,基本不涉及数据分析。 2014年左右,随着数据发展的成熟,我个人也想往大数据的方向迈进一步。 与此同时,产品专业的学生对数据支撑产品决策的要求更高,因此开始探索数据分析。
2. 您最擅长哪种分析工具?为什么选择它?
Alice:最常用的数据分析工具是SQL+EXCEL。 在大公司做数据分析的时候,这两个工具基本可以满足80%的分析。 剩下的20%要看具体需求然后选择相应的工具; 对于小数据量建模或者可视化,可以选择python或者R,更推荐Python。 有更多套餐可供选择,也更方便。 如果不想写代码,可以使用spss、sas进行建模,使用Tableau进行可视化; 对于大数据量建模,使用spark+scala。 ; 社区分析可以使用gephi。
3.您认为谁适合从事数据分析工作?
Alice:这个很难下绝对的结论。 我觉得只要你对数据感兴趣就可以从事数据分析。 未来,数据分析应该是各行各业都需要具备的一项基本技能,就像现在大家都用电脑来工作一样。
4.您认为一名优秀的数据分析师应该具备哪些素质和技能?
Alice:这个问题与上一个问题相关。 虽然从事数据分析的门槛很低,但我认为做好数据分析工作需要具备以下几个特点:
1)业务问题转化能力:将业务问题转化为数据问题,比如“评估产品是否健康”、“直播产品是否应该短视频运营”等。这些问题是产品问题还是运营问题,需要得到进一步改造。 只能把它变成数据问题来分析。 一个好的业务问题是数据分析的关键。 要有这样的思维,需要对业务有深入的了解,也需要自己的思维。
2)数据敏感性:您看到的数据不仅仅是数字本身,而是产品运行状况的相应衡量标准; 数据敏感性短期内无法立即提高。 你需要长期看数据,结合业务逻辑思考,才能逐渐掌握数据。 灵敏度。
3)逻辑推理能力:做数据分析和数学证明题很相似。 通常,你首先有一个假设,然后使用一系列数字证据来证明该假设或推翻该假设。 因此,你需要有一定的逻辑推理能力,这可以通过阅读别人的分析报告来完成。 ,学习现有的推理方法来获得技能。
4)推动策略的实施:这是数据分析中至关重要的一个环节。 没有实施的数据分析是没有用的。 公司内部大多数情况是与产品经理协作完成的。 为了确保战略能够落地,做两件事非常重要。 重要提示:该战略必须位于业务当前的关键路径上; 该战略需要分解为小团队或个人。
5)基本分析工具:这是分析的基础,在第二个问题中提到过,这里不再赘述。
5. 在数据分析工作中你最不愿意做的任务是什么?
爱丽丝:1)重复机械工作
2)与完全不懂数据的产品、研发同事沟通需求、报告数据
3)你认为没有意义的老板需求
虽然有很多事情是你不想做的,但你不可能百分百喜欢一份工作。 尝试将自己不喜欢的工作自动化、标准化,从而减少这方面的耗时工作,有更多的时间去做更多的工作。 有意义的事情。
6. 在数据分析工作中,什么给你最大的成就感?
Alice:1)分析报告中提出的策略被业务方采用并有效实施,为业务产生了巨大的商业价值。
2)用创新的分析方法解决问题,进一步积累方法论,在多个业务场景中复用,最终作为工具落地。
7. 您认为数据科学的未来趋势是什么?
Alice:数据科学和数据分析是两个不同的领域。 随着数据分析发展成为更复杂的工作类型,出现了两个更专业的领域:增长分析和数据科学。 增长分析主要是以产品增长为核心的数据分析。 它要求从业者不仅要有数据分析能力,还要有较强的产品规划能力。 这个职位通常是负责产品规划的。 顾名思义,数据科学就是让数据决策更加科学。 它要求从业者不仅要有数据分析能力,还要有扎实的统计、算法建模等能力。 数据分析师占大多数。 数据科学未来可能会在实验分析和智能分析领域的专业性方面快速发展。 结合线上数据科学技能要求和个人理解,列出一个数据科学能力图表:
8. 您认为增长黑客方法与传统增长方法有什么区别?
Alice:增长黑客方法主要是分解北极星指标来确定当前的增长重点。 每个人都聚焦于同一个关键目标,并与各个团队协作,寻找一切能够实现这一目标的增长手段; 传统的增长方法是从KPI开始,根据各个KPI指标进行分解,将KPI指标分配给每个团队的职能和资源,从而实现整体KPI的完成;
差异:
1)增长黑客更强调“敏捷性和实验性”。 增长策略需要通过ICE(影响值、置信成功率、轻松启动成本)对比评估来确定低成本高价值的策略。 强调要敏捷,所有策略都必须通过线上实验来评估收益,只有收益为正的策略才会大规模推出。 这些在传统的生长方法中很少被提及。
2)组织结构的差异。 增长黑客通常将增长战略和研发放在同一个团队中,以促进高效协作; 传统的增长团队主要按照职能划分,运营、策划、研发分在不同的团队。
共同点:
两者的主要区别在于增长理念和体系,但在解决具体问题所采用的分析方法上是一致的。 用户生命周期的划分基本相同,主要包括新增、留存、回流、获取等,并在每个周期中传递。 类似的数据分析方法寻找增长策略;
9.您如何平衡工作和生活?
Alice:我多年来一直在思考这个问题。 结论是工作和生活之间没有平衡。 只有一个选择。 我们能做的就是工作时间努力工作,非工作时间过好生活。 但事实上,要实现这一点并不容易。 ,这也是“知行合一”的体现。
10. 善良和智慧,你认为哪一个更重要,为什么?
Alice:我对数据分析工作中善良与智慧的理解:
1)善良意味着让严谨的数据说话,不带任何个人偏见地解读数据。
2)聪明就是老板想要什么样的数据,或者你想让数据呈现什么样的结论。
数据没有善恶之分,但在数据解读过程中,由于看待数据的角度不同或观察指标的差异,可能会得出相反的结论。 这时候就出现了矛盾。 我认为是时候回归数据本身,寻找更科学的解决方案,抛弃风险指标,遵循数据的原始意义。
11.您对toC业务做了很多分析工作。 您认为不同业务(如游戏、会员)之间的数据系统有哪些差异? 数据分析师是否有通用的方法来为不同类型的业务构建数据系统?
Alice:数据系统大致可以分为两部分:通用模块和个性化模块。 下面的内容将会涉及到这两部分的构建方法。 构建一个新产品完整的数据系统主要包括以下四个步骤:
1)首先需要对数据系统有一个基本的了解,大致包含哪些模块,这样设计的时候才能有的放矢; 不同产品的数据系统在大模块上基本相似,比如规模、用户健康度和渠道监控等,见下图。 产品从灰度到整个生命周期需要观察的指标大致如下:(部分细节可能与实际产品不符)
2)其次,利用OSM模型梳理自己产品的数据框架,不同产品的数据系统的差异主要体现在这一步:
以游戏用户留存为例,对于游戏业务来说,还有收入等其他业务目标,也可以用类似的方式来梳理:
3)结合1和2的信息列出您企业的数据系统
以游戏为例,蓝色为通用模块,无说明,绿色为游戏业务专用模块:
4)规划完成后,必须使用CSCE指南检查数据系统的合理性:
注:完整的数据体系的指标会比较详细,但在一定时间段内通常有1到2个北极星指标,并且还会有几个辅助指标来辅助实现北极星指标; 注意上述数据系统的设计方法与北极星指标的制定方法不同。 曲辉老师详细介绍了北极星指标的制定方法。 有兴趣的同学可以查一下相关资料。
12.您认为人工智能会取代数据分析师吗?为什么? 可以代替什么部件?
Alice:人工智能是用来提高数据分析的效率,但它不能取代数据分析师。 我认为对于已经有成熟方法论的老问题,可以用AI把方法论转化为计算机能识别的逻辑,自动帮我们发现问题->分析问题,但最终的策略是AI无法执行的,需要思维与业务结合。 确定实施策略; 对于没有任何方法论的新问题,AI无能为力,需要数据分析师来解决。 经过不同场景的迭代测试,形成方法论,然后通过AI实现自动化。
13.对于想进入数据分析领域的新人,您有什么建议? 你推荐什么书?
Alice:问题4中提到的数据分析所需的素质和技能必须得到巩固。 从体验产品开始,深入思考然后结合数据指标提出问题->敏捷分析->实验验证->优化产品,不断重复这个循环。 ,并继续做方法沉淀。
推荐书籍:
评论列表