最近很多人都在问我，如何能够成为一名数据分析师，我需要掌握哪些技能和工具？我的进阶路线是什么？将来是不是有发展潜力？ 我原来是运营能转数据么，我产品能转数据么，我技术，我视觉设计，我…能么？我…
在我有限的职业生涯中，遇到过很多文科生转数据分析的例子，可以说屡见不鲜，那么你觉得你们能行么，那必须行啊！不光是文科生，我还见过许多不同职位，比如运营、产品、技术、市场、视觉设计师等等的小伙伴转成了数据分析师，在这里我很负责的告诉大家，你一定行的！解锁数据分析师的成就，你也值得拥有！
以往我都是以增长为主题，可能大家看得有些蒙圈，需要一定的门槛；同时2020年的开年就被暴击了，大家都在开玩笑的说能否重启2020年，这个肯定是没戏了，但是我可以，对，数据分析师是可以重启的。
那么今天我就给大家带来一篇基础性的文章，告诉大家数据分析师需要哪些能力（工具）、未来进阶路线、职场的小建议以及工作中的小案例等。想成为数据分析师的小伙伴可以做参考学习相关技能，已经是数据分析师的小伙伴呢，可以看一下成长路线与职场建议，希望大家看完文章各取所得，方法全知道，分析不吃灰。
言归正传，在接下来的章节里，我们一起来聊一聊数据分析师的常见种类、职责与晋升轨迹。最后我为大家总结了一下数据分析师需要的8种基础能力和日常生活工作中的一些分析小案例，供大家参考。
在国内数据分析师一般分为5大种类：数据产品、数据分析师、数据建模师、数据工程师与数据科学家，这5类人才的必备能力和成长路线我们来逐一介绍。
1、数据产品
在产品的基础上，增加数据思维。数据产品不仅懂得埋点原理，能够通过抓包等工具抓取数据并进行分析。同时还能够参与数据化产品的制作，如BI报表、CRM系统、AB test试验后台等。老板会说：“去给我做个神策、GrowingIO那样式儿的平台出来”，然后你就根据老板的需求，转化为详细的技术需求，提给技术去开发，这就是数据产品的日常。
成长路线：CGO、增长专家、产品总监、数据产品总监、数据运营总监
（1）数据产品一般会对编程、数据处理、统计等专业知识方面较弱，建议加强数据分析能力，做个有技术、分析能力的产品。
（2）既然有产品属性，那就涉及到与技术无止境的扯皮之中，如何提升自己业务与沟通能力让自己更专业，同时使工作流程更加顺畅，这便是数据产品的王者能力。
2、数据分析师
这就是我们常说的商业化数据分析师，主要负责01搭建可视化监控报表，利用数据挖掘和洞察业务，为需求部门提供数据支撑、分析报告、商业化模型等服务，这里面的key word是监控、挖掘、有价值和服务，在公司里担任领导的眼睛与大脑的角色。
成长路线：CGO、增长专家、数据咨询专家、数据分析总监、数据运营总监
（1）一定要重视可视化。为什么呢？因为数据分析师花90%的时间用在处理数据上，只贡献了10%的价值，而老板看到你的报告，却用了不到10%的时间便做出决策，贡献了90%的价值，所以说BI可视化尤为重要。下图给大家展示可视化的正反两个例子A和B：
同样是数据分析师做出来的AB两张图，看了图A的老板点头肯定，看了图B的老板肯定想弄死你，正愁没人裁，有没有？
（2）分析师要有自己的业务思维能力，什么意思，比如老板经常会问你今天的DAU怎么暴涨了，留存怎么掉了等等。许多大神都有自己的独立业务思维，对答如流，迅速解决问题，并有自己的一套思维，什么留存“六脉神剑”啊，增长“九宫格”啊啥的，这都是业务思维沉淀形成的。
（3）千万不要把数据分析师做成取数的、跑数的，那样你的可替代性太强。如果明天要裁一个数据分析师，那么这类“工具人”就是首选。数据分析师的价值是挖掘数据中的价值并让领导知道你这么做的价值，不要你觉得，要你的领导和你都觉得，这才是最重要的。
（4）沟通能力，这个是我面试经常会问的问题，你觉得数据分析师最重要的能力是什么？对，就是沟通能力，如果你连需求方想要的是什么都唠不明白，那你如何服务于他，目标错误高效的执行就是灾难，咔咔做了2周，发现不是人家想要的，这种事在工作上并不少见，所以说沟通真的很重要。
（5）要养成大局观，作为数据分析师不能总局限于自己业务的那些数，也要抬头看看市场上大盘变化，以及竞品变化。分析格局的大小源自看待问题的高度，这一点非常重要，初期可以慢慢养成，这也是高阶分析师必备的能力。
3、数据建模师
数据建模师也叫算法工程师，是数理统计知识、编程与业务思维集一身的模型大师，通过建立数学模型、利用算法实现增长，可以说是一家产品的灵魂工作者，你就说信息流产品的推荐算法核不核心、金融行业的反欺诈和信用评级厉不厉害，P2P的智能配标优不优秀。
成长路线：CTO、技术总监、资深算法工程师
（1）技术不用说，那必须杠杠的，但容易钻入数据的黑洞，沉迷于算法但又无法与实际业务相结合，最终项目流产。谷歌眼镜厉不厉害，炫不炫酷，最终惨遭压箱底，暂停个人消费者服务的命运，为什么？出发点很好，但花费过高、周边技术不完善等因素，使其不具备商业价值，最终倒在了5G之前。我还认识一个彩票公司的小哥，自称研制出了一套“迷人”的算法，能够让公司收益最大化，可最终…呵呵。我想说的是技术一定要结合实际业务，通过技术变现这才是王道，并不是所有公司都有钱有精力去做“华而不实”的事情，尤其是在目前的大环境下。
（2）大家都认为技术不需要沟通，我们的通用语言是R、python、java、自然语言，很冰冷很cool。但殊不知你若会技术又有业务头脑，那总监的位置是不是在向你招手；你若懂业务、懂管理又会为人处世，拿下CTO这个位置是不是志在必得。当然也有喜欢钻研算法，不掺乎管理层的资深技术，所谓事了拂衣去，深藏功与名，说的就是这些人。不管怎么说，之所以能够有今天的成就，除了过硬的技术外，很好的沟通能力也是必不可少的。
数据工程师的职能更偏向技术工程，主要的工作职责是搭建数据仓库、创建ETL、进行数据治理、数据安全等方面的工作、通过提升运行速度，优化数据结构，更好地服务于数据使用方，比如数据分析师、数据产品及数据建模师。
（1）我们不生产数据，只是数据的搬运工，搬好了是我们应该的，但搬不好任务流程挂掉，BI报表自动化任务失败就要扣薪水。这是许多数据工程师接触都遇到的问题，这个时候就考验专业能力，如何优化流程，监控及预警就尤为重要了。举个我自己的亲身经历吧，之前做了流失用户自动召回系统，每天定时按照算法算出目标用户并发送短信、push和红包。逻辑简单的说是这样的，A表是全量用户表，B表是活跃用户，那么A-B=C，C表就是目标用户，即不活跃的流失用户。
突然有一天因为一个BUG，导致B表挂掉了，B表变为空表，那么A-B=A-0=A=C，就相当于把A表全量用户都发送优惠券及信息。这事故仅次于PDD那次红包事故了，当时我们没有推卸责任（毕竟绩效已经没了），迅速制定了数据异常预警，人工短信确认等机制，避免了类似事故发生。这次事故给我的教训就是，人无远虑必有近忧，错误是不可避免的，但如何提升专业水平，降低错误发生概率，提前预知错误，以避免资源的浪费。
综合性人才，数据分析能力、统计学基础、业务能力、算法与沟通能力集聚一身的人才。市面上有很多不懂技术只会嘴炮的领导，也不缺不懂结合业务的技术大拿，但做到样样精通，实属不易。向下能够了解前沿技术并指导下属进行研究开发，向上能够很好的与领导沟通，让领导理解这么做的价值。
就是这么强大，不过这类人才乃是可遇不可求，正所谓流氓会武术，谁也挡不住；科学家会武术，流氓也挡不住，实在是社会…社会…
成长建议：没啥建议，都挺好的，就是建议给别人留条活路，卒。
① 数据技术
既然是数据分析，就要了解数据在各个环节是如何运转的，同时还能运用工具读取和分析数据，在这里我将其分成基础、数据提取、分析工具。
基础：office软件
包括且不限于excel、VBA、ppt、word，尤其是excel很深很深，大多数人只用了excel中1%的功能，到现在我只敢说会用excel，谈不上精通，也许我只用了2%吧，但应付日常数据足矣。
数据提取：SQL、HiveSQL
都是类SQL软件，会一个就能精通所有，大家不要觉得编程很难就望而却步，其实SQL是最简单的语言，不夸张的说，用心学SQL不到一个月就可以干活了，什么你还学不会？你只是缺个人逼你而已。
分析工具：SPSS、SPSS modeler、R、Python、SAS
不是每个人都有机会接触SAS，如果没机会也不要紧，这里推荐大家一定要学SPSS，可以理解为升级版的excel，也很简单；然后Python和R任选其一即可。
② 可视化
Excel、PPT、Tableau、Echarts、powerBI
数据可视化的工具很多，除了Python、R、JAVA这类的之外，上面列的几种算是比较常见的BI可视化工具。先说Excel和PPT，没错它们也算可视化软件，如下图：
这是用我用excel做出来的dashboard（看板），也还可以吧，应付一般老板那是够够的。但要想玩的洋一点，就得用例如tableau、powerBI等软件，毕竟老美都用tableau么，样式如下图所示：
不管是用什么工具，能够将抽象的数据用图形展示出来，便于老板观察和决策，那就是ok的，至于如何做的好看，那就是进阶的课题了。
统计学基础在AB test、数学模型、抽样检验里常常会用到，有的时候你看到的数据并不是真实的，怎么去解释，我给大家列几个例子：
示例一 AB test的错觉：
看到这张图，很多人都会认为B比A的转化效果好对吧，但是这里有多大的可能是因为一些随机的因素导致这样的区别呢，这就要用到统计学的假设检验了。我们来假设B不会比A效果好，然后试图通过样本来推翻这个假设，如果样本足以推翻假设，那么我们就可以认为实验完成了，所见即所得；否则我们会认为B比A好只是偶然现象，这组AB test没有任何意义，需重新测试。
示例二 R平方值的重要性：
上图是一个简单的回归模型用来预测DAU，红色是指数回归，绿色是多项式回归，哪种模型更精准呢，这时候就要看R方。R平方值是趋势线拟合程度的指标，取值范围在0到1之间，它的数值大小可以反映趋势线的估计值与对应的实际数据之间的拟合程度，拟合程度越接近1，趋势线的可靠性就越高。同样是预测，3个月后指数预测比多项式预测高出30%，选哪个模型才能使误差率最小化呢，这个时候R方的重要性就体现出来了。
以上列举了2个统计学的小例子，在实际工作当中还会遇到很多统计学的知识，比如显著性、置信度、离散度等等，统计学会让我们的分析结果更加专业，更加严谨。
根据不同的业务需求，会使用一些模型，下面简单的介绍集中常用模型供大家参考。
分类：基于历史用户行为构建模型，套用到新用户身上，预测用户可能发生某种行为的概率，常用的分类模型有C5.0、决策树、随机森林、逻辑回归等，如下图运用逻辑回归，预测用户是否下单：
聚类：按照个体的特征将他们分类，让同一个类别内的个体之间具有较高的相似度，不同类别之间具有较大的差异性，常用于给用户打标签，如下图K-means聚类所示：
回归：在③提到的指数回归和多项式回归就是典型的例子，常用于预测销量、人口等数据。
评估：评估模型市面上分为2大类，回归和标准化模型，多用于对品牌投放、效果投放、会员积分的评估，如下图所示：
除了上述的4大类模型外，还有很多种类的模型，根据实际业务去选择对应的模型就ok了，在这里不过多赘述。
数据是冰冷的，若想开启真相的大门，业务思维便是我们的钥匙。举个简单的例子，老板发现2019年6月份的汽车成交量突然猛增，想让你分析一下原因。这时候你会发现产品、渠道、技术等等都没问题，那会是什么原因呢？如果你没有业务思维就会埋在一堆数据里，如果有业务思维就会去想，国家规定2019年7月1日开始执行国六排放标准，国五汽车将不能再办理牌照，这时候经销商、4s店应该怎么办？那当然是降价清库存啦，你降价了用户当然是买买买啦。所以说业务思维非常重要，不要死看数，看死数。
知己知彼，百战不殆。作为分析师亦是如此，知己好做，知彼怎么做呢？那就是竞品分析，从竞品数据及竞品策略层面分析对手。职场上老板也经常会问咱们的数据怎么样？然后你会说大幅增长，形势一片大好。老板又问了，竞品数据怎么样？这时候你就傻眼了，不是回答不上来，就是数据没有竞品好看。
优秀的数据分析师则会这样去说：“我们同比增长XX，环比XX，竞品的数据是XX，我们哪些方面优秀，哪些不足，接下来应该如何如何。”这样一套操作下来，领导会觉得你的工作做到位了，不是一问三不知，也不是自己“闭门造车”。
数据产品如何构建埋点，数据分析师如何输出有价值的商业洞悉报告，数据工程师如何优化数据结构，数据建模型如何针对不同业务建立最优模型，数据科学家如何把大数据中的规律传达给BOSS从而影响产品，流程和决策。
我在面试的时候问的最多的问题是，你觉得数据分析师最重要的技能是什么？对！是沟通，什么数据敏感度、增长思维、方法论都是瞎扯，你连话都听不清楚，说不明白，你能知道老板想要的是什么，你又怎么能把分析出来的价值让老板知道，所以说排名第一位的能力是沟通！沟通！沟通！
今天给大家介绍的数据分析师基础篇就到这里了，文章向大家讲解了如何成为、毕业即成为、转行成为、打断腿也要成为数据分析师所需要的基本能力及后期的进阶路线。只要大家方向正确，接下来奥利给就完事了。我们遇到什么困难，也不要怕…干就完啦，没毛病吧，奥…奥…利给（鬼畜3分钟）
本文转载自鸟哥笔记公众号（ID：niaoge8）
