1. 先说结论
如果只会 SQL、Tableau、Excel,其他方面一概不知的话,很大概率做不了数据分析师,因为数据分析师的竞争已经越来越卷,无形中拔高了数据分析师这个岗位的准入门槛。
这里没有刻意制造焦虑的意思,感兴趣的同学可以去了解一下,数据分析师对口专业之一的应用统计专业,这几年的考研分数水涨船高,很多高校初试没有 400+,估计连复试都进不了。
SQL、Tableau、Excel 都是数据分析师应该掌握的硬技能,不同公司使用的工具会略有不同,这些通过短期的学习和实战,都是可以快速提升的。
而数据分析师需要掌握的软技能,包括分析思维、业务知识、沟通能力、汇报水平、对数据的敏感度等等,才是决定数据分析师上限的 X 因素。
2. 数据分析师小王的一天
我们以流水账的形式,来围观一下某电商公司数据分析师小王真实的一天,看看数据分析师主要做哪方面的工作。
上午 9:30:
刚到公司,业务 A 就来找小王了,"昨天 BI 报表里的 GMV 数据是不是不对,怎么一点增长都没有?我们搞了力度比较大的活动",小王看了一下 BI 报表对应的 SQL,开始排查问题。
根据以往的经验,小王怀疑很可能是流量端出了问题。通过拆分不同流量来源的 GMV,小王发现有一个流量的数据明显有异常,排查后发现原来是开发同学新增了一个流量来源,并没有告知他,导致该流量的数据没有统计到,经过处理后,GMV 数据恢复正常。
上午 10:30:
业务 B 急急忙忙地来找小王,"帮我拉一下去年大促期间热销 Top20 商品的销量、GMV 和 毛利率,老板要用来定今年大促的目标,很急的"。这种临时的数据需求,本来是要走排期的,但看在和业务 B 关系比较好的份上,小王三下五除二就写完 SQL 统计好了,业务 B 很开心,表示下午要请小王喝 奶茶。
上午 11:00:
业务 C 找小王沟通之前做的一个渠道报表的统计口径变更问题,同时想要加一些使用时长的指标,以便能更全面地评价投放渠道的质量,需求先排在了需求池里,重要但不紧急,等有空了再改。
下午 13:30:
小王刚午睡完,就看到业务 D 走了过来,“上周新上的详情页 AB 测试,实验组和 对照组数据看起来差距怎么这么小,数据没问题吧?” 小王看了一下,没发现什么问题,建议业务 D 把实验组的流量加大一点,从 10% 增加到 30%,再观察几天看看。
下午 15:00:
小王去找业务 E,和开发、设计、测试同学一起参加版本 V6.1 的需求 评审会,会上小王提了几个埋点相关的问题,鉴于这次 埋点的需求并不多,小王觉得过两天就把埋点设计文档给到开发同学。
下午 17:00:
业务 F 来催小王,问什么时候可以把上次运营活动的复盘报告写好,小王说快了,再补一些数据。拖了这么久,主要是因为本次运营活动的数据并不亮眼, 小王分析起来也没有什么动力,要是数据好的话,报告估计早就写完了。
晚上 19:00:
终于没有业务方来烦小王了,可以静下心来做 复购率的专题分析,这个分析对小王来说至关重要,月底的 OKR 全靠它了。如果能挖掘出一些有用的点,并且推动业务落地的话,离升职加薪就不远了,以后 跳槽也能用来吹吹牛逼。
晚上 21:00:
小王突然想起来, 留存率预测模型有几个特征还需要 优化一下,下班前改完的话,可以在服务器上跑一下离线数据看看效果。噼里啪啦一顿狂敲 键盘,代码居然没有报错,小王心满意足地提交了代码,收拾东西准备下班。
晚上 22:00:
打卡,打车回家。
3. 数据分析师的工作内容
总结一下的话,数据分析师的主要工作包括以下方面:
1) 临时数据需求:
产品、运营、市场等业务同学每天都会有大量的数据需求一个接一个提过来。
排好需求的优先级,能砍掉的需求尽量砍掉,活是永远都干不完的,心态要保持淡定
2) 指标波动排查:
今天的 GMV 为什么降了这么多,日活怎么突然涨了 20%等等,业务关心的核心指标,如果出现较大的波动,都需要去排查原因,给出合理的解释。
具体分析的方法就是拆分维度,比如分操作系统、分渠道、分新老用户、分版本等维度去看某个指标的波动,大部分情况下都能找出问题
3) 做 BI 报表:
数据分析师需要梳理出一套能够反映业务现状的指标体系,在这个基础上,搭建出大量的 BI 报表,以满足各个业务方的数据需求,并做好核心指标的监控预警。
不同的公司做报表的工具不同,有些可能直接购买了做报表的软件,如 Tableau、Quick BI、Power BI 等,还有些可能是公司内部开发的报表平台。用什么做报表并不重要,重要的是一定要做报表,不然老板上哪看数据呢?
4) 埋点设计和验收:
通过埋点可以获取到用户的大量行为数据,从而进行各种分析,挖掘出产品的优化点。比如分析用户下单的漏斗,找出哪个环节的转化率比较低,之后就可以设计优化方案,需要特别注意埋点的数据质量问题。
数据分析师在给出埋点设计文档后,研发会开发好埋点,之后数据分析师和测试要一起对每个埋点进行验证,是个苦力活
5) AB测试:
小到新用户注册页按钮的颜色,大到商品详情页的改版,对于数据驱动的互联网公司,都开始通过AB测试的数据,来决定产品迭代的最终方案,而不是由产品经理拍脑袋。
AB测试的基本原理要掌握,不知道的话可以去翻一下统计学的书,头条发布一个新 APP,名字都必须打 N 个包放到各大应用市场进行多次 AB 测试才能决定,你说 AB 测试重不重要?
6) 写分析报告:
运营搞了一个拉新的活动,想对活动的效果做个复盘,需要找数据分析师出个报告。数据分析师自己也可以做一些探索性的分析,比如研究一下用户留存的影响因素,流失用户的特征分析等等,最后出个报告,总结一下自己的劳动成果。
分析报告是可以体现数据分析师价值的地方,好的分析报告,要能够指出问题、给出方案,最重要的,要争取得到业务方的认可并推动落地,没有那么的容易,但很有价值
7) 模型开发:
有时候,也会涉及到一些建模的工作,需要写 Python 或者 R 代码调包跑模型,不同的公司对数据分析师建模的要求不太一样,这里就不展开细说了。
这块一般不是数据分析师工作的重点,会更好,不会也无妨,毕竟有专门的算法同学来搞模型,但基本的逻辑回归模型、决策树、XGboost模型还是要知道的,因为面试会问
以上每项工作内容,都会涉及到数据的统计,所以数据分析师通常自嘲为"取数器",对 SQL 查询语句的熟练程度,很大程度上会决定你取数的效率,所以一定要掌握好 SQL。
关于Python技术储备
学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!
一、Python所有方向的学习路线
Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
二、Python必备开发工具
三、Python视频合集
观看零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
四、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
五、Python练习题
检查学习结果。
六、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
最后祝大家天天进步!!
上面这份完整版的Python全套学习资料已经上传至CSDN官方,朋友如果需要可以直接微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】。