我是一個數據從業者，很早以前就想把自己在工作和學習中的心得做個總結，一方面是對自己過往經歷的一個總結和回顧；

一方面最近幾年大資料是越來越火了，也希望自己的經驗能幫到那些對資料有熱情、希望從事資料行業的新人們；

還有一方面，也非常重要，是希望藉助知乎這個平臺跟廣大同行們做一個交流，互相幫助，共同成長。

自我介紹

在開寫之前，先做下自我介紹。

我在企業裡從事資料相關的工作已經有11年了，在這些年裡，我做過諮詢顧問、資料分析師、售前工程師、開發工程師、資料分析經理直至總監。

在管理崗上，我帶過資料分析、資料探勘、資料產品、資料倉庫等各種團隊，其中帶資料分析團隊時間是最長的，先後就職於國企、傳統制造業和網際網路企業。

總的來說，比較雜，現在想來其實有得有失。

缺失的是，在任何一個細分領域上都沒有做得特別深入，不算是一個合格的專家；得到更多的是，我對整個資料的產生、處理、分析直至為企業提供價值的過程都有過體會和思考，從而也使我能夠站在一個更高的角度上看問題。

資料分析有哪些分類

1、面對的問題不同：戰略、運營

戰略分析：是為了解決公司戰略方向問題，回答要向哪裡去的問題。

此類分析通常比較宏觀，需要分析者有大局觀、有戰略思維所用的資料除了公司內部的資料，還需要競品資料、行業資料戰略分析的方法：需要從競品及行業資料中發現行業發展趨勢及競品的戰略定位，同時結合公司內部資料，可以發現相對於行業和競品發展，內部在哪些地方存在不足，以此制定進攻和防守策略

運營分析：不同於戰略分析，運營分析以解決實際運營問題為目標，比較微觀。

需要分析者對公司業務模式、運營細節有深入的瞭解使用的資料以公司內部資料為主此類分析最重要的是，分析結果要能夠與運營結合，並能有效落地

2、服務的部門不同：業務、資料

業務分析：

此類分析由業務部門發起，提交給分析師執行，最終結果交付給業務部門。此類分析一般在最終的價值發現環節效率較高，問題的針對性較強

資料分析：

此類分析由資料部門發起，最終結果視具體情況可能提高給業務部門或者管理層。由於此類分析的視角不同於業務分析，在最終的價值發現和實現環節需要與業務部門的深入溝通。同時，也正是由於視角不同，會經常發現業務部門沒有發現或者忽視的問題

3、分析的範圍不同：行業、公司、部門、業務環節

行業分析：

目的是總結和預測整個行業的過去和未來的發展趨勢，時間視窗一般在1年以上。使用場景較多的是在投資公司中或者很多公司的市場宣傳稿中會出現。

行業分析的物件是商業模式或者業務形態，關注的是資金、市場格局、使用者需求的變化和各企業的應對。最有價值和最難的是要提前預測行業的增長爆發點和衰退的轉折點

公司分析：

目的是結合行業分析對公司業務發展做出診斷，給公司發展提供決策建議。時間視窗一般在一年以內，在公司戰略決策會發揮較大的作用。

部門分析：

目的是對部門職能範圍內的業務發展做出正確的診斷並給出適當的建議，前提是能充分理解部門在整個公司中的角色和地位、該部門與其他部門的協作關係、在工作流程中的上下游關係

基於以上理解，以配合公司業務發展為目的，以提升部門KPI或某個關鍵任務為分析目標，利用公司和部門運營資料去做分析。此類分析中，理解公司業務、有產品和業務思維很重要，指標的分解、對比，資料變化的歸因往往是常用的分析方法

業務環節分析：

這是資料分析在業務最細粒度的應用。分析者只需要關注非常具體的某個業務環節，讓大家感興趣的是這個業務環節資料的變化原因和改善方式

資料分析師團隊的分工與合作個人感覺分析師團隊很不好帶，資料分析師團隊最大的三個痛點是：三：在公司級別的團隊中表現尤其顯著。由於支援的業務多，而各業務的發展目標不同，導致無法設立一個統一的業務目標，只能按人去設定目標，管理效率很低。亂：正是由於業務目標散亂，造成分析師之間的工作無法統一和協同。很多時候都是各自為戰，沒有配合，甚至出現目標衝突的情況。弱：不能影響業務，不能建立話語權。

這裡面的關鍵是解決“散”的問題，很顯然，如果把眼光放在部門級的業務上，是無法解決這個問題的。

因此，需要把視野擴充套件到全公司，基於公司統一的發展目標，建立一個統一的分析框架，正如資料分析是服務業務的，分析框架也要基於業務模型來建立。

業務模型的標準是：

業務模型要高度抽象化，它是從業務模式中抽取出來的，而不是反應部門職能

業務模型要能反應實際業務的運營規律、要素和目標。甚至，這個業務模型可以放之行業而皆準

有了業務模型，現在需要建立分析模型，我的經驗是對著業務模型提問題。

首先是公司級的：公司的發展目標是什麼？需要哪些要素來完成這個目標？各要素之間如何互相促進？然後將上述問題分解到部門級。

最後可以將問題歸類，可以分為：目標分析、運營分析、要素分析等。這些分類好的問題就是分析師分工的基礎。

傳統的分工方式是分析師按支援業務部門分工，或者按支援的業務模組分工。

這種分工方式的結果是：

第一、分析師對業務的瞭解如同盲人摸象，每個人都只能瞭解到部分業務，不能也不會從整體考慮業務問題，對問題的定位缺乏深度；

第二、分析師的工作是割裂的，自己的分析結果不容易被其他分析師採用。

以電商平臺模式舉例，運用上面的方法：

1、建立業務分析模型：使用者、商品兩個主要要素。

連結這兩個要素的是使用者購物體驗，使用者自身會有使用者生命週期，商品自身會有商品生命週期。

還可以進一步細化：使用者購物體驗包括查詢商品資訊、下單、配送、付費、售後等體驗。商品生命週期可以包括採購、倉儲、上下架等。商品要素包括定價、分類、功能、使用者評價等。

2、提問：

公司的發展目標？假設公司的發展目標就是追求銷售利潤最大化（實際上很多電商平臺不是透過這個模式來盈利的）。要素？利潤的大部分通常是由高淨值人群和高毛利商品貢獻的。要不斷髮展壯大高淨值人群和提升高毛利商品的銷量。各要素之間如何促進？高淨值人群不會只買高毛利商品，平臺也不可能只賣高毛利商品，連結這兩者的是使用者體驗。

分析師可以根據分析主題分成兩個大組：

一組的分析任務包括識別高淨值人群、分析高淨值人群的購物體驗、分析高淨值人群的生命週期；二組的分析任務包括識別高毛利商品、分析使用者對高毛利商品的購物體驗、分析高毛利商品的生命週期。

當然，還可以把購物體驗單獨作為一組或者在上述基礎上進一步細分。比如高淨值人群分為A、B、C等幾個不同特徵的人群，如果其特徵差異很顯著，可以基於人群分組做進一步劃分。

這樣分工的好處是：

第一、分析師是基於分析模型的分組，組內目標一致，組內分析結果是可以共享和互相借鑑的；

第二、組內大目標的設定可以較為宏觀，促使分析師從整體考慮問題

第三、組內對大目標的分解最終會落實到具體業務上，不會太虛

第四、不同分組間的分析師雖然目標不同，但是使用的資料維度基本一樣，很多的基礎性工作是可以共建的，且分析結果也可以互相借鑑