資料分析師，目的一是，分析出地區消費能力群體和特性便於洞察先機創新和品類分化，市場洞察（正常都利基，大眾市場明顯點，廣告宣傳，口啤，模仿效應能激發）和危機預警。二是流程細節完善。

今天我們就來說說商業資料分析師的7類崗位，以及基礎技能。要知道資料分析這一行，入行容易，精通難。方法工具都要有。

一、商業資料分析的7類崗位

1.業務統計人員

理解企業資料，發現業務問題，開發預測模型，幫助企業更好地進行資訊決策。

2.資料探勘人員

進行知識發掘積累，需要熟悉各種資料探勘演算法，可以進行深層次的客戶識別、畫像，以滿足營銷、風控和客戶關係管理方面的需要。

3.大資料分析人員

處理海量異構資料，藉助其他工具進行資料的蒐集、儲存和清洗。同時與資料探勘人員、報表製作人員、業務統計分析人員合作完成工作。

4.業務支援

建立業務報表或進行業務分析。

5.報表製作人員

撰寫SQL程式進行查詢並生成報表。

6.資料管理人員

為需求人員提供便捷的資料訪問服務。

7.資料架構人員

流處理、模型開發和資料質量管理設計所需的架構和方法；平臺架構人員：負責企業管理平臺的安裝、配置、管理和維護。

二、什麼是資料分析？

資料分析是基於商業目的，收集、整理、加工和分析資料，提煉有價值資訊，並指導實踐的過程。資料分析的三大作用，主要是現狀分析、原因分析和預測分析。過程主要包括：明確分析目的與框架、資料收集、資料處理、資料分析、資料展現、撰寫報告6個階段。

1、明確分析目的與框架

一個分析專案，它的資料物件是誰？商業目的是什麼？要解決什麼業務問題？資料分析師對這些都要了然於心，隨後整理分析框架和分析思路。

例如，減少新客戶的流失、最佳化活動效果、提高客戶響應率等。每個專案對資料的要求不同，使用的分析手段也是不一樣的。（本文第三部分將詳細介紹4種常用分析框架。）

2、資料收集

資料收集是資料分析的基礎，按照確定的分析框架，有目的的收集、整合相關資料。

3、資料處理

資料處理是指對收集到的資料進行加工、整理，它是資料分析前必不可少的階段，也是整個資料分析過程中最佔據時間的，耗費時間的程度取決於整個專案對資料倉庫和資料質量的要求。

資料處理的常用方法有：資料清洗、資料轉化等。

4、資料分析

在明確了分析目的與框架，收集處理好資料後，就可以開始著手進行資料分析了。我們需要透過特定手段、多種方法和行業技巧對資料進行探索，從中發現因果關係、內容聯絡和業務規律等，為商業目的提供參考。

到了這個階段，要能駕馭資料、開展分析工作，就要使用工具和方法了。

在分析方法方面，最基本的要了解例如方差、迴歸、因子、聚類、分類、時間序列等概念，及他們的原理、使用範圍、優缺點；在分析工具方面，資料分析師一般首選Excel，同時搭配一個專業的分析軟體，如資料分析工具SPSS/SAS/Matlab等，便於進行一些專業的統計分析、資料建模等。

5、資料展現

俗話說：字不如表，表不如圖。藉助資料展現手段，能更直觀的讓資料分析師表述想要呈現的資訊、觀點和建議。一般情況下，資料分析的結果都是透過圖表方式來呈現的。

常用的圖表包括：餅圖、折線圖、柱形圖/條形圖、散點圖、雷達圖、金字塔圖、矩陣圖、漏斗圖、帕累託圖等。

6、撰寫報告

最後階段，就是撰寫資料分析報告，這是對整個資料分析成果的呈現。透過分析報告，把資料分析的目的、過程、結果及方案完整呈現出來，以供商業目的提供參考。

Tips: 一份好的資料分析報告，首先需要有一個好的分析框架，並且圖文並茂，層次明晰，能夠讓閱讀者一目瞭然。結構清晰、主次分明可以讓閱讀者正確理解報告內容；圖文並茂，可以令資料更加生動活潑，提高視覺衝擊力，有助於閱讀者更形象、直觀地看清楚問題和結論，從而產生思考。

另外，資料分析報告需要有明確的結論、建議和解決方案，不僅僅是找出問題，後者是更重要的，否則稱不上好的分析，同時也失去了報告的意義，資料的初衷就是為解決一個商業目的才進行的分析，不能捨本求末。

三、4種常用分析框架

從管理和業務的角度提出的分析框架，指導著後期資料分析工作的開展。

營銷方面的理論模型有：4P、使用者使用行為、STP理論、SWOT等。

管理方面的理論模型有：PEST、5W2H、時間管理、生命週期、邏輯樹、金字塔、SMART原則等。

本文主要說明：5W2H、邏輯樹、4P、使用者使用行為這4個比較實用的理論。

1、5W2H

定義：何因（Why）、何事（What）、何人（Who）、何時（When）、何地（Where）、如何做（How）、何價（How much）

適用範圍：使用者行為分析、業務問題專題分析、營銷活動等。

優點：廣泛應用於企業營銷、管理活動，對於決策和執行性的活動措施非常有幫助，也有助於彌補考慮問題的疏漏。

2、邏輯樹

定義：邏輯樹，又稱問題樹、演繹樹或分解樹等。它將問題的所有子問題分層羅列，從最高層開始，並逐步向下擴充套件。

適用範圍：業務問題專題分析

優點：邏輯樹的作用主要是幫你理清自己的思路，避免進行重複、無關的思考。邏輯樹能保證解決問題的過程的完整性，能將工作細分為便於操作的任務，確定各部分的優先順序，明確地把責任落實到個人。

缺點：涉及的相關問題可能有遺漏，雖然可以用頭腦風暴把涉及的問題總結歸納出來，但還是難以避免存在考慮不周全的地方。所以在使用邏輯樹的時候，儘量把涉及的問題或要素考慮周全。

使用邏輯樹必須遵循以下3個原則：

要素化：把相同問題總結歸納成要素。

框架化：將各個要素組織成框架，遵守不重不漏的原則。

關聯化：框架內的各要素保持必要的相互關係，簡單而不孤立。

3、4P

定義：4P，即產品（Product）、價格（Price）、渠道（Place）、促銷（Promotion）

適用範圍：主要用於公司整體經營情況分析。

4、使用者使用行為

使用者使用行為，即使用者為獲取、使用物品或服務所採取的各種行為。

使用者使用行為的完整過程

通常情況下，使用者對產品首先需要有一個認知、熟悉的過程，然後試用，再決定是否繼續消費使用，最後成為忠誠使用者。在這個鍋層中，我們可以利用使用者使用行為理論，梳理產品分析的各關鍵指標之間的邏輯關係，構建符合公司實際業務的產品分析指標體系。

它的缺點是用途較為單一，就是用於使用者行為的研究分析。

資料分析師的發展前景普遍如何？本文，我們收集了目前國內主流招聘網站的一些相關資料，透過視覺化的方式來看看這一崗位的現狀。

分析目的

基於招聘網站的相關資料，透過視覺化分析，探究以下問題：

哪些行業對資料分析師需求量最大？

招聘企業普遍處於哪個階段（融資情況，上市情況）？

資料分析崗位學歷要求？

資料分析崗位工作經驗要求？

資料分析崗位薪水情況？

資料整理

我們隨機採集了目前較為主流的幾個招聘網站有關“資料分析”崗位的資料，包括拉勾網、智聯招聘、獵聘網以及BOSS直聘。

採集欄位為：職位、公司、薪水、經驗要求、學歷要求、所屬行業、企業融資情況

分析工具

首先使用八爪魚資料採集工具（免費版，可從官網http://www.bazhuayu.com下載），新增搜尋網址，並選擇我們所需的欄位，開始採集。對於新手來說，八爪魚資料採集工具是不錯的選擇，可以沒有任何程式碼基礎，也不需要寫正則等採集規則（火車採集器會複雜一點，需要寫正則）。

然後我們將採集到的資料匯出，匯出格式為Excel，由於各招聘網站欄位有出入，需要使用Excel工具進行簡單的整理。

資料分析工具我們使用DataHunter資料視覺化分析平臺Data Analytics，同樣也是因為Data Analytics相比於Excel等產品更為簡單易用，拖拽式的操作即可完成分析過程。對於個人使用者，Data Analytics完全免費，可透過在官網（http://www.datahunter.cn）註冊即可使用。

分析結果

這裡並未把所有行業都顯示出來，只選擇了佔比較高的一些。資料結果顯示，金融行業、資料服務、遊戲這三個行業對資料分析師的需求更為強烈，醫療、資訊保安、生活服務、社交等行業也在招聘資料分析相關崗位。其它行業還包括了計算機硬體、廣告營銷、文化娛樂等。

與資料分析相關的崗位佔比，可以看到，絕大部分企業在招聘資料分析師，其它崗位還包括資料分析工程師、資料分析經理、資料分析專家以及資料分析實習生，儘管都是與資料打交道，但不同崗位對技能的要求還是有一些區別的。

薪水方面，我們也只是顯示了佔比較多的薪水區間。可以看出，資料分析崗位的薪水普遍在10K-20K的區間，10K以下的崗位也有一定的佔比，當然，從整體資料來看，資料分析崗位的薪水跨度區間還是很大的，實習生工資最低只有3K左右，而最高薪可以達到80K-100K。

我們可以看到，絕大部分崗位都需要有一定的工作經驗，其中，3-5年佔比最多，其次是1-3年。當然，還有部分企業要求有5-10年的工作經驗。而學歷方面，本科佔比最多，有部分要求較高的職位，還要求具備博士、碩士學歷。

俗話說的好，"男怕入錯行，女怕嫁錯郎。"在工作上，選對一個行業著實非常重要。

一、何為資料

既然是資料分析師，他的工作肯定是分析資料，那麼，何為資料？

資料，從大的方面可以分為:結構化資料和非結構化資料。

1、結構化資料

結構化資料，指的是資料具有非常清晰的屬性結構。比如:透過屬性(即:欄位)和物件(即:個案)，形成行列關係，表與表之間的關係。

因此，由漢字、字母、數值等所構成的表(如:Excel表)，就是最典型的結構化資料。

2、非結構化資料

在當前，其實更多的資料都是非結構化的。比如:影象、音訊、影片等，也因此，針對這些資料的分析方法，就不能由傳統的工具來完成。

二、掌握哪些資料分析工具

不同的資料形態，意味著我們需要採取不同的分析工具和方法。目前，作為一個入門級的資料分析師，通常會遇到以下工具。

根據它們的作用，我們可以大體分析4類:

1、資料採集

工具:python

資料採集，就是獲取資料，如果是到網頁上獲取，又稱為"爬蟲"。做爬蟲，最流行的就是python。

2、資料儲存

工具:Excel、Mysql、Oracle、Hbase、MongoDB

(1)Excel

我們日常辦公，開啟一張Excel表，將客戶資料記錄在裡面，這其實就是資料儲存，只不過Excel適合儲存較小的資料，因為一多就卡，極大影響工作效率。

(2)關係型資料庫:Mysql、Oracle

除了甲骨文的Mysql、Oracle，其實還有微軟的SqlServer，IBM公司的DB2等等。當資料量較大，Excel表不便於儲存時，我們就會用資料庫來儲存。一個數據庫，其實就是由N張表所構成。

(3)非關係型資料庫:Hbase、MongoDB

以上的工具主要用於儲存結構化資料，但是，如果遇到圖片、音訊、影片等非結構化資料時，我們會採用Hbase、MongoDB這類工具來儲存。

當然，資料儲存的工具非常多，我這裡只是介紹最常見的幾種。

3、資料分析和建模

在分析這個環節，嚴格來講，會包括:描述性分析和建模分析。

(1)描述性分析

工具:Excel、IBM SPSS、Python、R、SAS

描述性分析，又稱為頻率分析，是在進行資料建模前不可缺少的過程。

在這個階段，幾乎每一款分析工具都可以完成。

(2)建模分析

工具:IBM SPSS、Python、R、SAS

建模分析，主要是找出資料中隱藏的規律。比如:挖掘使用者特徵、預測未來銷量等。

傳統的三大統計分析工具:IBM SPSS、SAS、R曾經較長時間牢牢佔據著時常，直到機器學習、人工智慧的興起，Python才慢慢走向舞臺，並迎來高光時刻。

在這個階段，淺層次的建模Excel也能完成，另外IBM SPSS、R兩者的工業化程度較低，所以，掌握Python才是硬道理。

值得注意的是，要真正做好模型，除了掌握工具外，更重要的是學習統計學、數學的一些基本模型原理。比如:線性迴歸、二元Logistic、樸素貝葉斯、決策樹、隨機森林等各類模型的原理。

4、資料視覺化

工具:Excel、Python、PowerBI、Tableau

由於資料分析的最終過程，往往需要將結果展示給客戶或領導，便於他們做決策。因而，資料視覺化也不可避免。

做資料視覺化的產品也非常多，各種BI工具滿天飛，但其實最常用的Excel也能做成比較好看的圖。另外，如果想做動態的BI介面，PowerBI桌面版、Tableau桌面版也是不錯的選擇。當然，Python中更有Pycharts這樣圖形豐富的拓展包可以使用。

三、零基礎如何入門

看完以上的分析工具，估計對零基礎、想入門的人來說，會有點懵。我這裡，也給些參考:

1、先精通Excel

包括:常用功能、函式、透視表、圖形及部分模型

在資料分析領域，有75%以上的人從事資料運營、使用者運營、遊戲運營、電商運營等網際網路運營崗位，在這些崗位中，85%的分析工作可以透過Excel來完成。

因而，精通Excel工具尤其重要。

2、再熟練掌握Mysql

重點:sql查詢

在資料儲存上，中等規模以上的企業，基本都會用到資料庫，網際網路企業Mysql用的最多。因此，如果想進入這些企業，獲取更高的薪酬待遇，顯然熟練掌握Mysql也是不可或缺的。

當然，與分析相關的sql技能，重點在於查詢。比如:多表間的連線、子查詢，兩者是重中之重。

3、儘早上手python

重點:numpy、pandas、sciki-learn

熟練Excel函式和Mysql時，再學python會事半功倍，因為它們有諸多類似之處。比如:Exvel函式Trim，Mysql有相同函式，python有類似函式strip。

當然，在學pyhon的同時，也儘可能去了解統計學的基礎。包括:集中趨勢、離散程度、四分位數、分佈形態、標準化、歸一化等。然後，在學習模型時，也結合統計學原理來完成。

先學會利用python實現報表自動化分析，再學會資料視覺化，然後學會資料建模，循序漸進。

四、後期如何發展

由於資料分析涉及的崗位眾多，可以是"大而全"什麼都會一點，也可以是"小而美"專注某一種技能。因而，後期的個人發展路線也多。

總體來講，可以分成兩大方面:

1、走技能路線

路線參考:初階分析→資料探勘→大資料演算法→人工智慧。

這條路線，適合對新技能感興趣的夥伴。從入門做描述性統計開始，再到專注統計模型，接著再到分散式環境中大資料的動態演算法，最後進入人工智慧領域的研究。

2、走業務路線

路線參考1:分析員→主管→經理→總監

由於分析人員對資料敏感，便於做出正確決策，容易給企業創造價值。因而，該崗位的升遷速度會相對更快。

路線參考2:專案顧問→專案經理→自己創業

我身邊的朋友，不少是走這條路線。首先，進入一家乙方公司做專案顧問。乙方公司的好處是可以接觸很多不同的專案，見很多形形色色的人，對提升自身的能力，積累人脈資源有很大幫助。

然後，做幾年之後，有部分積蓄，就自己創業做類似的服務。

當然，不管是走哪條路線，其實都不會太差。因為，這個時代有著更多的資料，需要更多的人來挖掘價值。

你好，個人覺得這是一個有未來發展的職業，在網際網路金融公司都會有，本人也是做運營管理資料增長，我們團隊也有資料分析師，工資還高。

國家層面也在大力發展大資料，資料分析師是做資料的商業價值，讓資料變成生產力，

傳統行業的運營管理中也會用到資料分析，

更別說網際網路行業了，90%的管理決策和市場營銷決策都是透過資料分析確定的。

支援你！

現在資料分析前景還是很不錯的，做資料分析用python比較多。可以先去了解一下python，如果是轉行的話，主要分為幾個途徑：

1、自學 ：自學的話，成本低，但是時間長，而且對自身的要求更高一些。需要有很強的自制力和學習能力，另一方面，自學在專案實戰這一塊就比較缺乏。

2、網課：看網課學習，和自己差不多，比較好點的就是有老師講解知識點，但是學習的話還是要靠自覺。

3、培訓學習：這種的話，就是比較系統，大家一起學習學習環境和氛圍也比較好，還有專門的老師管理。但是培訓學習的話，找培訓學學校非常重要，主要看教學方式，學習環境氛圍，就業，等等。

優就業這一塊很不錯的，小班面授，學習之後還推薦就業，可以瞭解一下。

【乾貨】資料分析師怎樣幹才有前景？我來解答

在這個依靠資料競爭和精細化運營的年代，資料分析師，作為日前炙手可熱的大資料技術的前端落地職業，在企業的發展壯大和輔助決策支援方面發揮著重要作用。在日常的工作中，資料分析可以分為兩部分工作。

01 常規工作

1.定期的日、周、月報

這類工作是每日必做的常規工作，要當成是能力積累的工作來做。

（1）每日看生產經營指標，保持職業敏感度，從業務變化資料分析原因。

（2）每週進行復盤。一是思考新策略效果，二是按周進行趨勢分析。

（3）每月進行總結。一是每月進行指標分析，評估目標階段性達成情況；二是提出決策建議。

注意：

（1）多用自動化。建設報表系統，自動生成日、周、月報，機器人傳送報告……簡單繁雜的工作都透過系統自動化完成。

（2）突出價值點。日常工作往往很繁雜，價值點是對報告的解讀和提出決策建議。不能陷入雜事，要善於從雜事中找到價值點。

（3）多尋求領導幫助。資料分析涉及問題較多，比如雜事太多可以請領導協助抵禦一下，比較敏感的決策分析可以先與領導探討一下等。

2.臨時報表提數

這類工作是技術含量和價值都較低的工作，要儘量減少精力的投入。

（1）管理層需要

這類需求要優先處理，但儘量要少接。

注意事項：

1）要深入瞭解背景，理解真實需求。

2）務必仔細，保證彙報結果準確無誤。

3）彙報成果簡明扼要，直擊領導最關心的部分。

4）不要馬上就反饋，要體現出技術含量，給領導留下較好印象。

（2）一般人員需要

這類工作儘量不接。

注意事項：

1）找到核心人員、瞭解核心需求，避免做無用功。

2）針對需求形成一套完整方案和系統，然後教會業務人員自己執行，脫離反覆的糾纏。

02 專題分析工作

這是資料分析工作的價值所在，也是技術提升最快的工作，要高度重視。考核資料分析師能力的核心指標就是看專題分析的數量和質量，質量指標最重要的是看分析建議有多少能夠落地。

主要步驟包括：

1.需求解讀

要透過現象看本質，首先要學習業務，將業務問題轉換為資料問題。然後要不惜用大量時間挖掘出真實的業務需求，一定要當面的溝通。核心是界定問題。

（1）找到主要問題：

應用二八定理，找到關鍵問題。主要方法包括：一是先列出所有問題進行頭腦風暴，二是根據最大機率法則，選擇重要問題，期間可以找leader或業務人員集思廣益。

（2）問題的拆解方法：

原則是MECE，不重複不遺漏。

實戰技巧：一是先快速按照理解進行拆解，先不用管重複和遺漏的問題。二是將拆解結果先找業務人員核對一次。三是將第二步的完善思維匯出給自己的leader稽核修改一次。四是將leader的意見修改完後，就可以給業務方或大領導彙報了。這個時候不會有大問題了，否則也不是你的問題。

2.取數和資料預處理。

（1）三類方法獲取資料

一是從一些有公開資料的網站上覆制/下載，比如統計局網站，各類行業網站等，透過搜尋引擎可以很容易找到這些網站。

二是透過一些專門做資料整理打包的網站/api來下載，如果你要找金融類的資料，這種方法比較實用。其他型別的資料也有人做，但通常要收費。另外，淘寶上有很多幫人抓資料的店……

三是自行收集所需資料，比如用爬蟲工具爬取點評網站的商家評分、評價內容等，或是直接自己人肉收集（手工複製下來），亦或是找一個免費問卷網站做一份問卷然後散發給你身邊的人，都是可以的。這種方式受限制較少，但工作量/實現難度相對較大。

（2）資料預處理

1）資料清洗：排除異常值、空白值、無效值、重複值、缺失值等預處理。透過爬蟲等方式得來的數特別需要進行清洗，提取核心內容，去掉網頁程式碼、標點符號等無用內容。

2）資料標準化：排除量綱。

（3）資料整理

一般用Excel來完成這一工作。

如果你的資料已經是表格形式，那麼計算一些二級指標就好，比如用今年銷量和去年銷量算出同比增長率。

如果你收集的是一些非數字的資料，比如對商家的點評，那麼你進行下一步統計之前，需要透過“關鍵詞-標籤”方式，將句子轉化為標籤，再對標籤進行統計。

3. 資料分析和建模

建立邏輯樹進行資料分析。在整個專項活動的過程中，還可以分為活動前、活動中、活動後多層次、多維度的分析。

資料分析主要分為兩類：

（1）描述分析，這類分析比較簡單

描述統計分為兩大部分：資料描述和指標統計。

指標統計：用來作報告，分析實際情況的資料指標，可粗略分為四大類：變化、分佈、對比、預測。

• 變化：指標隨時間的變動，表現為增幅（同比、環比等）；

• 分佈：指標在不同層次上的表現，包括地域分佈（省、市、區縣、店/網點）、使用者群分佈（年齡、性別、職業等）、產品分佈（如動感地帶和全球通）等；

• 對比：包括內部對比和外部對比，內部對比包括團隊對比（團隊A與B的單產對比、銷量對比等）、產品線對比（動感地帶和全球通的ARPU、使用者數、收入對比）；外部對比主要是與市場環境和競爭者對比；這一部分和分佈有重疊的地方，但分佈更多用於找出好或壞的地方，而對比更偏重於找到好或壞的原因；

• 預測：根據現有情況，估計下個分析時段的指標值。

描述分析的產出是圖表。

（2）建模分析

主要流程包括：選擇變數和重構變數、選擇演算法建立模型、設定引數、檢驗指標、模型計算和落地、迭代最佳化、開展分析和形成結論。

4.成果展現和彙報。

這一步是資料報告的核心，也是最能看出資料分析師水平的部分。

一個完整的資料報告，應至少包含以下六塊內容：

（1）報告背景

（2）報告目的

（4）本頁結論以及支撐的分頁圖表論據

（5）各部分小結及最終總結

（6）下一步策略或對趨勢的預測

（7）落地建議，要非常具體：有人、時間、效果

其中，背景和目的決定了你的報告邏輯（解決什麼問題）；資料基本情況告訴對方你用了什麼樣的資料，可信度如何；分頁內容需要按照一定的邏輯來構建，目標仍然是解決報告中的問題；小結及總結必不可少；下一步策略或對趨勢的預測能為你的報告加分。在所有的資料結論和落地項中，有1-2個真正應用了，這份報告就非常有含金量。

建議：

（1）多用圖表，多使用視覺化工具，減少大段的文字描述。

（2）金字塔結構，邏輯層次清晰，先講結論，然後展開分析。

（3）講故事，報告用於簡練，透過設問等方式緊緊抓住讀者興趣。