感谢关注天善智能,走好数据之路↑↑↑
欢迎关注天善智能,我们是专注于商业智能BI,人工智能AI,大数据分析与挖掘领域的垂直社区,学习,问答、求职一站式搞定!
对商业智能BI、大数据分析挖掘、机器学习,python,R等数据领域感兴趣的同学加微信:tstoutiao,邀请你进入数据爱好者交流群,数据爱好者们都在这儿。
数据分析师的职业发展,戳{大数据职业规划}
想在日常工作中培养分析能力,戳{数据思维养成}
成人的世界,有更多难以应付的考题
高考绝不是最难解答的考题。实际上当你步入职场后,有更多问题能把你一句话问死。让你心惊胆战,听到就怕。比如股评师,最怕被问到的问题是:“老师,你买了什么股票,挣了多少钱啊!”o(╯□╰)o
数据分析师怕什么?第二位的,当然是:“老师,你那么会分析,你的房子买在哪里呀,买了多少套啦!”当然,更进一步的还可以追杀一句:“你天天做模型,做预测,咋不预测下房价咧,做模型挣得多还是买房子挣得多呀?”
听了这个,你是啥心情? 是不是好想对着丫脑袋天降正义一下。
因为会做分析不代表会买房啊!因为真到买房的时候,你会发现首付,月供,投机卖家,土豪买家,甚至女朋友,老丈人,自己亲妈都会成为比分析模型、数据、计算更重要的影响变量。不信,往下看:
筹备买房:突然发现自己爹妈一份钱都不肯支持。“这些钱是我们养老的,你不是年薪百万高端数据科学家吗,自己挣去啊!”即使在上海挑个便宜点的400万一套的,首付也得140万,家里不支持的话,自己得攒多少年啊!更糟糕的是,辛苦工作3年涨薪了,发现房价涨的更快了!哭晕在电脑前。
开始看房:这时候才发现自己的女朋友是个现实版的樊胜美。房产证加名都是小意思,买房非要你出全款!蛋碎一地啊!这时候开始反思,当初为啥要找这种女朋友!可是真的很漂亮啊,梦中女神啊,费了九牛二虎之力才追来的啊!啥叫骑虎难下啊!
看房选房:好不容易筹集到经费,开始选房。终于想着数据分析本领可以派上用场了。做了爬虫,爬取全上海在售楼信息。做决策树模型筛选房源,整套过程行云流水,心理暗暗开心。结果去到一问发现被土豪一把买走了!
购房意向:渡尽劫难,终于找到一套房子开始和业务谈判,谁知政策忽然变了,房价开始暴涨!业主表示要么加价50万要么不谈了。~(>_<)~
当然,更多的时候是看看房价,想想算了,可能女朋友还没半个呢,先不买了。然后过了一年发现年薪涨了几万块,房价涨了100多万块。加完班回出租屋,走出地铁站,听到派传单的小哥铿响有力的一句:“今年不买房,明年又白忙!”。心中五味杂陈,可能要去地铁出口的烧烤摊撸几串安慰一下了。
从分析到落地,隔着很多运气
显然大家已经看出来了,这个锅不该数据分析工作背。因为整理数据,分析原因才是数据分析师的本职工作。真当一个数据结果落地的时候,要受多重因素制约。一个成功的项目,运气成份非常重要。
然而很多人,特别是业务部门不这么理解。既然你做了分析,就得对结果负责。如果按照分析建议执行总是不利,是不是在分析的时候就少考虑了很多因素呢?如果分析没有结论,那只能说明你分析的不够专业!
因此作为专业数据分析的我们,必须很清醒的看到:到底业务部门提的是什么问题?对症下药,才能体现出我们能力高低。
总的来说,常见的问题分为三类:
数据问题:现在的房价是多少?预计明年房价是多少?
分析问题:为什么预计明年房价继续上涨?为什么涨到这个幅度?
策略问题:明年我要买房,我该怎么办?
解决数据问题是分析师基本职责
出现:“是什么?”的,是典型的数据问题。人们问数据问题,期待的是一个具体的数字。数字是多少,与统计口径有关系。清晰表达一个数字,需要时间范围,需要取数区域,需要计算公式。取数还和数据来源渠道有关系。越是内部的数据越准确,越是外部的数据越笼统。清晰了标准定义以后才能提供有效的数据。
比如当我们提及房价多少钱一平米的时候,我们是在谈挂牌价还是成交价?(挂牌价通常都有很大水分)看成交价看多长时间范围内的?(越长越不准)是在谈商品房、小产权房、公寓?(实际上相当多小老板在一线买小产权房)新房还是老房?(价格差太多了)我们谈的数据是统计局发布、中介现场提供、还是购房网站公布?(含水量差不多是这个顺序)
取一个数是数据分析师最基础职责。然而即使取数也有能力高低。懂业务的分析师,可以围绕取数目标提出更多精细化取数方法,从而更全面、更多维度反应事情全貌,给到业务部门其实。还以买房为例,新闻媒体总喜欢报道一些很宏观的平均值。实际上深入到一个城市不同板块、位置、楼龄的小区,是可以经常找到买房小机会的。
分析问题是分析师晋级要求
出现:“为什么?”的,是典型的分析问题。解决分析问题,核心是逻辑,是弄清楚问题的因果关系并且加以量化。探索因果关系的过程有多种形式。可以先通过数据探索,寻找规律,再到现实场景中验证。也可以先基于经验,习惯,观察到的现象抽象成数据指标,用数据来验证是否这些感性的理论可以用数据支持。总之,分析逻辑的建立,提炼经验,数据验证的过程是必不可少。
这也是房价很难预测的原因。房价,特别是一线城市的房价早就脱离了正常产品销售的范畴,成了一种政策产品。房价对政策反应非常灵敏。但是我们很难预知政策什么时候出,会怎么出。缺失了一个关键信息,就很难真正搞懂房价到底会怎么走。今年年头陈老师看中一套房子准备卖旧换新,结果限购令一出,丫一周内飙升100多万……找谁说理去。(+﹏+)
分析问题布满了数据分析师进阶之路。从一个菜鸟入门刚会取数开始,分5个步骤逐步提高自己:
1. 描述现象
2. 发现异常值
3. 发现问题
4. 发现导致问题的原因
5. 剖析重点原因
6. 预计问题走势
这个过程,也伴随着数据分析师对业务的理解。因为数字只是一个数字,数据是否反映了问题,反映了什么问题,是什么导致这些问题,是要基于对业务场景的理解,才能提高的。能够看到数字就把问题潜在原因,预计对未来的走势描述清楚,就已经是一个很优秀的数据分析师了。
策略问题需要与业务部门紧密合作
出现:“做什么?”的,是典型的策略问题。策略落地,要考虑n多影响因素。正如同买房一样,至少要考虑:
1. 父母意见(领导的支持)
2. 男/女朋友一条心(上下游部门配合)
3. 卖主不闹事(市场环境良好)
4. 不遇到土豪买家(竞争压力小)
5. 自己能筹集到足够多资金(实力雄厚)
这时候真正体现出了长袖善舞,多钱善贾的道理。这也是为什么很多人不重视数据照样能获得成功的原因。有可能人家就是财大气粗运气好,心黑手狠腰杆硬。这些也都是促进项目成功的原因。但这不代表数据分析师不能做事情。有很多场景我们可以提升决策效率:
1. 领导支持:总结经验,提示方向,估算收益,争取资源。
2. 部门配合:预计工作量,合理规划工作,监测工作过程,提示问题。
3. 市场环境:采集信息,警示风险
4. 竞争压力:采集信息,警示风险
最终,通过理性的分析,为项目筹集到尽可能多的资源,规避一些明显的风险。项目做的多好,要看产品经理设计能力、运营操盘能力、市场的推广能力。但项目做得多烂,则要看数据分析能否把之前遇过的大坑标识出来,能否及时感知风险,提示机会。在实际运作用,数据分析更多起提高下限的作用。
数据分析落地到业务是一个加分项。并不是所有的数据都能促成业绩,但是这是值得努力的。毕竟没有数据分析师甘心默默无闻当一个被人抱怨的支撑部门。我们掌握了科学方法,探索出规律,就希望他们能真正产生价值。就像如果真的用买房模型买到称心如意的房子,就再完美不过了。
——全文还差一点就完了——
问:全文都在讲第二怕被问到,那数据分析师最怕被问到的问题是什么?
答:以陈老师的个人经验,最怕的问题是:朋友聚餐,喝得七荤八素以后要买单,朋友们一起说:“来来来,搞数据的算一算账单准不准!”o(╯□╰)o
体系化了解数据分析在企业实战应用,戳:{数据分析师的第一门实战课}
作者介绍:陈老师,在咨询行业打拼了9年,在如何诊断经营问题、建立分析体系、解决专项问题上有超过30个大型项目积累与实战,天善智能特邀专家。
数据分析职场路上有困扰吗?不妨到《数据分析师八大能力培养课程》https://edu.hellobi.com/course/272里聊聊!
视频课程特色:
从真实数据分析工作场景出发,训练实战能力
启发式教学+大量实际操练,培养属于自己的能力
不依赖于某个具体技术,也适合对数据分析感兴趣的学生、业务部门人士学习