字数: 3k+

时长: 5mins

收获: 数据分析师岗位的新认知

一、数据分析师的分类

根据我个人的工作经历及同行小伙伴的交流，我认为「数据分析师」可以根据两种维度划分如下类型：

1、根据是否具备算法模型能力划分为数据分析师（Data Analyst）和数据科学家（Data scientist）。这里并不是说「数据科学家」要比「数据分析师」更高级，二者能力所长的侧重不同而已。

• 「数据科学家」具备扎实的机器学习、深度学习、因果分析等方法论，他们工作内容经常需要根据某些业务需要挖掘具备某种特征的人群、或者将用户分群、或者配合推荐算法的同学迭代个性化推荐模型等。比如，针对双十一活动，需要数据科学家们根据用户对促销力度的敏感程度，对不同用户分发不同满减额度的优惠券，整个过程各注重“根据某种模型”将用户分类。他们与产品、运营等业务方的合作相对较少，对业务的实际运作知之较少。
• 「数据分析师」则在“业务理解”方面优于前者。数据分析师与业务方合作密切，①帮助业务方“了解用户”，比如用户画像分析、行为轨迹分析；②通过数据诊断，“看清业务”，比如指标异动分析、KPI拆解；③通过ab分析，帮助业务“确定影响”，通常很难主观预测某项产品改动带来的指标影响；④通过用户偏好分析等，帮助业务“明确打法”，比如业务的终极目标之一是用户留存，而提升留存的抓手有很多，以抖音为例，比如视频点赞、评论、关注作者、发布视频等等，主观并不能有效判断这些抓手在当下最有可能把指标提升上去。这个时候，可以观察研究历史数据和现状，量化抓手与终极目标的关系强弱，辅助业务排布各抓手的优先级。

2、根据服务的对象可以将分析师分为：经营分析师、商业分析师以及产品分析师（通常也叫业务分析师）。

• 经营分析师服务于管理层，或者是对外的财务报告，旨在通过统计分析各项经营数据，来描述公司的运营和盈利情况，包括公司的用户规模、收入、成本等。
• 商业分析师服务于变现的业务部门，比如广告部、用户付费、B端客户付费等，主要分析用户的行为特征、消费偏好，提升用户的付费转化，从而提升公司整体收入。比如app开屏广告、游戏付费、直播打赏、电商GMV转化等等。
• 产品分析师服务的对象主要是用户体验相关的业务部门，比如产品部、运营部、客服部等，通过分析用户在站内的各种行为转化和用户满意度，从而改善用户体验，能让用户更多的留在app内，为商业化变现提供用户基础。

了解了数据分析师的工作内容，下面我们来看看数据分析师应该具备哪些能力。

二、数据分析师的能力图谱

a) 技能项

很多招聘信息里，要求你熟悉各种五花八门的数据分析工具。比如取数工具SQL、Hive、Shell、Python、Excel，比如可视化工具 Tableau、PowerBI、百度 Echarts、开源的 Superset 等。真的需要这么多技能吗？这里将技能分成三类：

• 必备技能：SQL、Excel、基础统计学知识。
• 加分技能：如果不会也没关系，大部分岗位并不要求，但如果具备该技能，能为自己加分，比如python、tableau、算法模型（数据科学家必备）、R、hive、shell
• 惊喜技能：严格说，这些技能可能更多的是通过实践积累获取，比如埋点、ab实验设计和评估、如何从底层日志采集到前端 BI 展示，如果具备这些能力，将大大加分，可以减少入职之后的人才培养时间

b) 分析方法论

掌握常用的方法论，比如AARRR分析、留存分析、漏斗分析、用户规模分析、画像分析、用户分群分析等。科学的分析方法论是构建分析框架的支架。网上有很多各种方法的介绍，在此不过多赘述。

c) 业务思维

对于上面提到的技能项，大部分是可以通过学习获取的，它们相对程式化。对于已经入门的同学，可能更困惑的是，数据摆在面前，但业务提出的问题还是不知道如何着手分析。比如，“上周环比周活明显下降，收入为什么还上升了？”“为什么用户人均使用时长变长，但互动率却下降了？”“要提升新客 ARPU 值，如何优化现有新客定价策略？”

或者，对于业务的理解不深，数据和业务事实相互割裂：只知道有数据，却不知道数据代表什么。只有在数据和事实之间建立关系，才能对业务有鲜活的理解。要常常问自己，这个数据反映了什么事实？这个事实可以用什么数据来描述？

将业务问题抽象为数据问题，解读数据代表的业务问题，也是数据分析师重要的基本功。

d) 解决问题（项目落地）

解决问题的能力，是数据分析结论运用到实际业务的环节，也是数据价值的终极体现。辛辛苦苦做出的分析结论，业务方没有任何反馈，数据还怎么驱动业务增长？所以数据落地的第一步是，收集业务方的反馈，最好跟业务方充分讨论，以达成共识。在此基础上，讨论方案，跟业务方一起推动方案落地。

e) 软能力

硬实力决定我们的起点高度，但是软实力决定终点高度。在具备上述种种硬实力后，我们同样需要达到良好的沟通、逻辑表达等能力。分析最终被业务方采纳的前提是，说服业务方相信我们的观点。它离不开科学的方法论，也离不开我们如果表达观点。这种软能力，也是可以培养的，比如思维导图训练、SCQA表达模型等。

如果你已经选定数据分析行业，希望你能够在前期熟悉数据处理技能后，将重心更多放到解决业务问题和落地数据策略上，这样数据的价值和个人价值才能充分体现。