我是一个数据从业者，很早以前就想把自己在工作和学习中的心得做个总结，一方面是对自己过往经历的一个总结和回顾；
一方面最近几年大数据是越来越火了，也希望自己的经验能帮到那些对数据有热情、希望从事数据行业的新人们；
还有一方面，也非常重要，是希望借助segmentfault这个平台跟广大同行们做一个交流，互相帮助，共同成长。
自我介绍
在开写之前，先做下自我介绍。
我在企业里从事数据相关的工作已经有11年了，在这些年里，我做过咨询顾问、数据分析师、售前工程师、开发工程师、数据分析经理直至总监。
在管理岗上，我带过数据分析、数据挖掘、数据产品、数据仓库等各种团队，其中带数据分析团队时间是最长的，先后就职于国企、传统制造业和互联网企业。
总的来说，比较杂，现在想来其实有得有失。
缺失的是，在任何一个细分领域上都没有做得特别深入，不算是一个合格的专家；得到更多的是，我对整个数据的产生、处理、分析直至为企业提供价值的过程都有过体会和思考，从而也使我能够站在一个更高的角度上看问题。
到底是成为一个专才好还是通才好，我觉得这没有一个确定的答案。个人觉得T型人才是比较受欢迎的，也就是自己的技能和业务面同时要有宽度和深度。当然，到底多宽或多深才合适，取决于个人的职业发展意向。
数据分析有哪些分类
1、面对的问题不同：战略、运营
战略分析：是为了解决公司战略方向问题，回答要向哪里去的问题。
- 此类分析通常比较宏观，需要分析者有大局观、有战略思维
- 所用的数据除了公司内部的数据，还需要竞品数据、行业数据
- 战略分析的方法：需要从竞品及行业数据中发现行业发展趋势及竞品的战略定位，同时结合公司内部数据，可以发现相对于行业和竞品发展，内部在哪些地方存在不足，以此制定进攻和防守策略
运营分析：不同于战略分析，运营分析以解决实际运营问题为目标，比较微观。
- 需要分析者对公司业务模式、运营细节有深入的了解
- 使用的数据以公司内部数据为主
- 此类分析最重要的是，分析结果要能够与运营结合，并能有效落地
2、服务的部门不同：业务、数据
业务分析：
此类分析由业务部门发起，提交给分析师执行，最终结果交付给业务部门。此类分析一般在最终的价值发现环节效率较高，问题的针对性较强
数据分析：
此类分析由数据部门发起，最终结果视具体情况可能提高给业务部门或者管理层。由于此类分析的视角不同于业务分析，在最终的价值发现和实现环节需要与业务部门的深入沟通。同时，也正是由于视角不同，会经常发现业务部门没有发现或者忽视的问题
3、分析的范围不同：行业、公司、部门、业务环节
行业分析：
目的是总结和预测整个行业的过去和未来的发展趋势，时间窗口一般在1年以上。使用场景较多的是在投资公司中或者很多公司的市场宣传稿中会出现。
行业分析的对象是商业模式或者业务形态，关注的是资金、市场格局、用户需求的变化和各企业的应对。最有价值和最难的是要提前预测行业的增长爆发点和衰退的转折点
公司分析：
目的是结合行业分析对公司业务发展做出诊断，给公司发展提供决策建议。时间窗口一般在一年以内，在公司战略决策会发挥较大的作用。
SWOT等方法适合在公司分析中使用。分析者首先要认清企业的商业模式，要与公司的管理者同步公司的短期和长期目标，了解企业的盈利来源和运作方式，通过公司内外部数据的对比发现运营中的问题和商机
部门分析：
目的是对部门职能范围内的业务发展做出正确的诊断并给出适当的建议，前提是能充分理解部门在整个公司中的角色和地位、该部门与其他部门的协作关系、在工作流程中的上下游关系
基于以上理解，以配合公司业务发展为目的，以提升部门KPI或某个关键任务为分析目标，利用公司和部门运营数据去做分析。此类分析中，理解公司业务、有产品和业务思维很重要，指标的分解、对比，数据变化的归因往往是常用的分析方法
业务环节分析：
这是数据分析在业务最细粒度的应用。分析者只需要关注非常具体的某个业务环节，让大家感兴趣的是这个业务环节数据的变化原因和改善方式
数据分析师团队的分工与合作
个人感觉分析师团队很不好带，数据分析师团队最大的三个痛点是：
- 三：在公司级别的团队中表现尤其显著。由于支持的业务多，而各业务的发展目标不同，导致无法设立一个统一的业务目标，只能按人去设定目标，管理效率很低。
- 乱：正是由于业务目标散乱，造成分析师之间的工作无法统一和协同。很多时候都是各自为战，没有配合，甚至出现目标冲突的情况。
- 弱：不能影响业务，不能建立话语权。
这里面的关键是解决“散”的问题，很显然，如果把眼光放在部门级的业务上，是无法解决这个问题的。
因此，需要把视野扩展到全公司，基于公司统一的发展目标，建立一个统一的分析框架，正如数据分析是服务业务的，分析框架也要基于业务模型来建立。
业务模型的标准是：
业务模型要高度抽象化，它是从业务模式中抽取出来的，而不是反应部门职能
业务模型要能反应实际业务的运营规律、要素和目标。甚至，这个业务模型可以放之行业而皆准
有了业务模型，现在需要建立分析模型，我的经验是对着业务模型提问题。
首先是公司级的：公司的发展目标是什么？需要哪些要素来完成这个目标？各要素之间如何互相促进？然后将上述问题分解到部门级。
最后可以将问题归类，可以分为：目标分析、运营分析、要素分析等。这些分类好的问题就是分析师分工的基础。
传统的分工方式是分析师按支持业务部门分工，或者按支持的业务模块分工。
这种分工方式的结果是：
第一、分析师对业务的了解如同盲人摸象，每个人都只能了解到部分业务，不能也不会从整体考虑业务问题，对问题的定位缺乏深度；
第二、分析师的工作是割裂的，自己的分析结果不容易被其他分析师采用。
以电商平台模式举例，运用上面的方法：
1、建立业务分析模型：用户、商品两个主要要素。
链接这两个要素的是用户购物体验，用户自身会有用户生命周期，商品自身会有商品生命周期。
还可以进一步细化：用户购物体验包括查找商品信息、下单、配送、付费、售后等体验。商品生命周期可以包括采购、仓储、上下架等。商品要素包括定价、分类、功能、用户评价等。
2、提问：
- 公司的发展目标？假设公司的发展目标就是追求销售利润最大化（实际上很多电商平台不是通过这个模式来盈利的）。
- 要素？利润的大部分通常是由高净值人群和高毛利商品贡献的。要不断发展壮大高净值人群和提升高毛利商品的销量。
- 各要素之间如何促进？高净值人群不会只买高毛利商品，平台也不可能只卖高毛利商品，链接这两者的是用户体验。
分析师可以根据分析主题分成两个大组：
- 一组的分析任务包括识别高净值人群、分析高净值人群的购物体验、分析高净值人群的生命周期；
- 二组的分析任务包括识别高毛利商品、分析用户对高毛利商品的购物体验、分析高毛利商品的生命周期。
当然，还可以把购物体验单独作为一组或者在上述基础上进一步细分。比如高净值人群分为A、B、C等几个不同特征的人群，如果其特征差异很显著，可以基于人群分组做进一步划分。
这样分工的好处是：
第一、分析师是基于分析模型的分组，组内目标一致，组内分析结果是可以共享和互相借鉴的；
第二、组内大目标的设定可以较为宏观，促使分析师从整体考虑问题;
第三、组内对大目标的分解最终会落实到具体业务上，不会太虚;
第四、不同分组间的分析师虽然目标不同，但是使用的数据维度基本一样，很多的基础性工作是可以共建的，且分析结果也可以互相借鉴。
