十年可以发生很多事，同时也能收获到很多。本文作者做了十年数据分析，并整理和总结了这些年做数据分析时的经历和感受，分享了在工作中的所思所想，推荐对数据分析感兴趣的小伙伴阅读，希望对你有所帮助。
我是西索，做了十年数据分析。疫情期间，一直在做知识的重构梳理和复盘，理了一下这些年的经历以及在过程中的感受。从市场营销，到产品运营，到企业经营管理，一直在摸索。种一棵树最好的时间是十年前，其次是现在。十年了，分享大多来自工作中的日常所思所想，欢迎自取。
一、写在前面，说说我知道的历史
“2019年是过去十年最差的一年,也是未来十年最好的一年” 这几年，在经历了P2P暴雷、房地产政策限制、疫情影响、国际贸易形式紧张、中美关系导致的芯片问题等一系列的社会环境变化的前提下，2022年，很多公司开始裁员，就业环境开始变得复杂。
市场环境虽然恶劣，但数据分析依旧很火，尤其是在中国互联网历经30年发展后的现在，大数据、人工智能、元宇宙开始变得普遍，到处都在说数字化转型的年代。未来的市场经济发展过程中，数据是重要的一个环节，和数据相关的分析、数仓、产品，必定还存在着很大的发展机会。从1980年代，引进中国，数据分析在这片广袤市场上的推进和成长还很短暂。
从2011年毕业至今，我所知道的十年，也是数据分析、大数据分析崛起的十年，从最早的数据化运营，到数字化转型，到大数据驱动，到AI，到元宇宙，互联网崛起的十年。随着大数据、云计算、互联网、物联网等信息技术的发展，人工智能技术飞速发展，大幅跨越科学与应用之间的“技术鸿沟”，图像分类、语音识别、知识问答、人机对弈、无人驾驶等具有广阔应用前景，从“不能用、不好用”到“可以用”。
在过去的几次风口里面，关键影响因素一直都是科技的发展，技术的更新迭代，让很多不可能变成了可能，才有了小数据、海量数据、大数据的持续演进，势必就会对职业有更细分的要求。顺应时代的发展，跟紧国家政策的方向，持续学习新鲜的理念，才能在动荡的年代，保持好良性的竞争力，不至于在浪潮拍下来的时候被淘汰。
二、十年，过的很快，变化也有很多
1. 十年数分经验整体感受
这十年下来的一些感悟，需要保持足够自驱（共情）、高度专注（逻辑）、敏锐洞察（反应）。
（1）格局要打开
十年下来接触到的场景变丰富了，政务关系、大客户关系、品牌合作关系、投行关系、FA的资源、品牌运作、大的制造商、供应链物流、金融融资、中间的渠道资源、小的零售商，数据分析是在分析什么？人、事、物，看似最重要的是数据，回归到实际，最终的决定性因素还是在于“人”
（2）必须有野心
不在拘泥于自己的一亩三分地，开始变得唯“利”是图，搞价值也好，塑造影响力也好，总得图点什么。取数是一个数据从业人员绕不开的话题，唯一的区别在于被动听从还是主动触达，sql boy / girl 很多时候都会沉迷在sql写下来的G点上，没有去影响人的野心，大概率上会停留在一个层次，无法往上；
（3）团队更重要
签个500、1000万的合同开心么？除了一开始的时候会兴奋，后面都会很平淡。真正开心的是在这个合同拿下来之前，商务谈判、方案构思、难题攻克的过程，和团队一起出差，一起拼命的时间。从发展历程上来看，前期都是猥琐发育的时候，经济低、装备差、机能不全，中期有一定实力了就会去浪，后期其实都是靠策略，财富积累到一定的程度之后，往后看的重点会更偏向于在影响力、价值感、故事性的塑造上，而且得持续；
（4）打开关系网
开始会去有目的结交人，刻意的去和周边自带“资源”的人保持联系，攒一个局，未来好彼此成就。打工也好，创业也好，要玩儿的高级，离不开好的队友，也离不开好的前辈，打开一些关系网，让信息流进来，然后去平衡，再去分配，最后实现共赢；
（5）演绎非归纳
分析的过程里面有很多坑，各种原因导致的脏数据、测试数据、人为插入的数据，尽可能的了解业务、系统和人，用数据阐述事实而非观点，不臆测、不猜想、不做主观判断、不预设立场，重演绎过程而非归纳总结，踩的坑多了自然就轻车熟路了；
2. 对工作的一点思考
（1）把一件事做完和把一件事做好
职场的前几年可以尽可能的去做加法，过了一定的年纪，就要开始学会做减法。一开始，很多时候为了求快，在同一时间做了好几件事情，但是发现每一件都没有做好。贪图快，就容易出问题，同时也忽略了过程中的体验感，这也要，那也要，最后发现处处都去做了，但是处处都好像没有很好的结果。
把所有的事情划分优先等级，紧急/重要的四象限，在既重要又紧急的领域，心与力全部只聚焦在这一件事情当中，在特定的时间里面去发挥极致的思维，去把一件事做好，而不仅仅只是做完了事。在短暂的时间里面，用有序的步骤，正确的方法，根据既定的计划，寻寻渐进，逐步去推动事情的开展，必要的时候借助外在的力量，做好向上、向下的管理同步，及时的进行邮件通报，事情做完必有报告，交付之后必有反馈。
（2）思维转变是绕不开的话题
十年工作经历下来，最大的感触是慢慢从对技术的偏执，变成了业务上的驱动。
一开始进入职场的时候，会沉迷于各种工具、技术、技巧的钻研。因为通过学习可以加快自己处理数据的效率，譬如研究excel里面的公式、vba；譬如会钻研各种算法和模型，研究用户的各种行为特征，挖掘数据的应用场景，只为了适配和拥抱互联网带来的变化。
这样的时间总是会乐不此彼的，因为可以专心的去做研究，而不用把精力分散在人际关系的处理上。随着需要解决问题的场景复杂度越来越高，单兵作战的疲惫感就会越来越沉重，压垮自己的永远是自己的执着，而不是外在的环境。
一个人可能走得更快,但是一群人会走得更远，在一个组织里面，如果有能够互相协作的伙伴，实在是一件快事，也能省心省力。这些伙伴可能是产品、运营、销售、市场，他们可以带来更多的想法和灵感，学以致用，而不是空读圣贤书，筑造的是空中楼阁。
数据，只有贴切用户的思维，才能真实有用，发挥真正的价值，而了解用户又必须要通过伙伴的媒介才能触达，团队的协同以及业务场上的应用驱动，能够真正的帮助我们认识到数据在商业中的价值。无论是外部用户还是内部用户，他们给予的反馈都显得额外重要。
直到什么都会了，才幡然醒悟，工作了10年之后，最大的优势其实并不是在技巧上，而是在对业务的熟悉度上。业务熟悉度，包括了常说的战略目标理解、用户sense、政策敏感度、洞察能力、解决方案能力能够清晰的知道用户说的是什么关心的是什么，读懂用户的想法，然后也能关注到政策的变化对市场的影响，捕捉到新的机会；
将业务上用户的需求，转换成为数据需求，通过数据的视角去对业务问题进行解构，利用不同的分析方法和模型组织数据对业务进行诊断和剖析，抽象出核心的指标来进行衡量、监测，最终输出专业的数据分析报告，支撑决策论点；
对于解决方案，所需要的是复杂问题处理能力，核心就是——综合！对一家公司的组织架构必须要有深刻的认知，熟悉不同团队的分工和职责，熟悉业务流程和产品流程，熟悉平台架构和工具功能，熟悉行业并对数据在用户侧的价值有深刻的认知，这些要求就得需要有很长时间的积累和沉淀。
熟悉底层的数据存储、结构、清洗过程、指标汇集、接口透出，数据资产管理，开放平台管理；熟悉数据产品的开发过程，团队构成（UED/前端/后端/测试/用户验收），项目管理；熟悉数据分析框架，核心指标管理、标签建设、数据分层、图表呈现、价值解读；熟悉数字化营销方案，钩子设计、营销方案、用户追踪、客户成功、推广方案、收费定价；熟悉运营工具和技巧，获客、激活、促活、转化、留存、复购、付费；
3. 对几个词的浅层理解
（1）核心词：数据价值
数据价值有哪些？按照：
职业 → 行业 → 公司 → 部门 → 岗位 → 职责
的区分，内外的价值可以看下面：
- 经营管理考核：对核心指标的监控，帮助老板“看”清楚业务推进的现状，还原客观事实，而不是靠主观上的“我觉得”；
- 外部品牌影响：抽象出内部的运营管理共性，增加数据在一些细分行业的影响；
- 内部营收增长：通过数据直接带来的线索、商机、流量，最终都会体现在合同份额的增长上；
- 内部运营优化：利用分析帮助产品进行的迭代改造所带来的用户体验改善；
- 内部日常提效：搭的数据看板，让其他团队的人从取数据、整理数据、汇集数据上释放工作量，所带来的工作效率提高
（2）核心词：真伪需求
识别真伪需求，最好的办法是去和用户面对面的聊几次，去接触真正的一线业务，去和真正的用户进行对话，而不是靠言传，中间的信息会因为人为理解能力的因素打折扣。感受业务团队的痛点，厘清真正的诉求和需求，才能理解公司其他团队在制定战略过程中的目标，进行目标拆解，然后再站在数据的视角去组织分析框架、指标模型，实现数据的可落地性评估，实现价值；
沉淀的时候写过一篇《我在B端走数据分析——用户篇》，之后也会发出来，从内部做用户分层，到怎么筛选目标用户群体，拟定拜访计划，实际拜访问题清单，拜访过程中的控场细节，拜访结束之后的用户问题复盘一系列的过程进行具体的阐述。
（3）核心词：生产力
为什么说工作要说生产力？我们之所以努力学习，本质上来说，就是要在短暂的几年里面，尽可能提高生产力。这里面包含两层：
- 利用好时间、工具、方法，提高自己单位时间内的生产力；
- 利用好资源，提高团队整体的生产力，产生综合影响，实现共赢.
想说的是，作为一个数据分析，会不会用python，写不写的好sql，虽然不是一个必须的事情，但是如果不精通，那么在很多层面上就会受制于人，在效率和产出能力上都会大打折扣，无法在第一时间内给出相应的解决方案，从而消耗了业务方的信任度，合作变得没那么顺畅。
（4）核心词：生产工具
工具必须要要精通1～2个，技术迭代能够提升“生产力”。不再追求华而不实的“屠龙术”，能用规则解决的绝对不会用复杂逻辑，能用复杂逻辑解决的绝对不用算法，能用算法解决的绝对不用深度学习；
最初，之所以选择做数据分析，可能是因为自己的excel比别人用的熟悉，处理数据速度快。其他小伙伴需要用1天统计好的数据，通过用公式、写vba可能几分钟就搞定了；之后，通过R语言学习到了ggplot，可以一键绘图，尤其是地图、关系图等复杂图形的处理，会比excel方便很多，也成为领先于人的一种优势；
再之后，python 2.3的时代，利用pandas进行数据分析，可以整合不同的数据源，相当于打破了一个壁垒，可以通过python作为路由，对excel、word、txt、数据库、html等源头进行整合，因为可以模板化的缘故变得更加的高效，就有了时间去琢磨业务上的现存问题，再深耕进去解决，技术&业务并存的情况下，塑造了核心竞争力。工具的使用，也会成为自己挑选团队成员的一个重要因素，绝对的趋同。
三、怎么做到专业
最近几年，比较喜欢说一句话，在这家公司，只要是在数据领域，如果西索不知道，那应该就没人能知道，保持绝对的权威和话语权，这些都依赖几层能力和思维。所具备的能力矩阵，数据分析，最重要的真的是数学功底扎实么？左手概理统计，右手人情世故。
1. 管理能力：工作中常用的几个管理方法汇总
2. 分析能力：分析方法、模型和框架
（1）基础统计分析模型
（2）常用商业分析模型
（3）互联网营销策略模型
3. 算法能力
- 机器学习（无监督、半监督和有监督）、深度学习（NLP、RNN）
- 技术框架：python+sklearn+pytorch
四、如何塑造价值和影响力
主要分为应用价值和影响塑造。在所有的分析项目上，我的团队主要是占主导作用，实现这个过程总体可以划分为三个阶段：
- 前期准备：理解业务。了解产品流程，绘制业务流程图（processon），盘点场景和对应的资产；
- 第一阶段：建立信赖。通过日常的一些需求，和业务方建立好良好的合作关系，在需求实现的过程中，通过快速响应、快速交付的方式，以高效、准确的专业性，塑造一个好的角色，这个环节主要是破冰和建立信赖；
- 第二阶段：心智养成。对过往的需求进行整合，把临时对接的需求包装成为数据报告or数据方案，帮业务方提前去构思好问题，或者提前准备好业务方可能需要的内容，培养用户的数据意识和心智，养成好的用数习惯，让对方在使用数据的时候从弱依赖，慢慢引导成为强依赖；
- 第三阶段：价值共赢。关系熟了之后，可以站在业务方的视角去思考问题，了解部门or团队的整体KPI，结合周期内（月度/季度/年度）规划，寻找数据的切入点，在哪个流程什么环节，可以提供哪些数据的支撑，通过价值创造来实现共赢，从强依赖，到专业掌控，把事情交给专业的团队，不管是诊断还是设计。
五、分析团队的带法、管法和打法
从2014年开始，认识项目管理、产品管理、团队管理、经营管理。需要带入一定的管理方法，为了塑造团队的专业性和核心竞争力，需要建立流程、作业规范、作业标准、价值衡量方法、绩效考核制度，然后团队内需要有梯队化的建设过程，在复杂业务场景的时候如何利用owner来实现跨业务的高效协作。
1. 团队定位和价值趋向
定位，数据资产的整合、数据价值挖掘、数据质量治理、数字化转型、数字化营销，都可以成为团队的价值定位点，取决于团队的组织架构挂在哪一层，是管理层的垂直管理去做商业模式研究，还是在研发侧作为中台的一部分提供能力输出，还是挂在业务侧直接提供决策支撑。不同的组织模式下，作用域不一样，谈资也就不一样，重要的依旧还是在于人，而不是数据，“他们”想要通过数据拿来做什么？故事、影响、度量手段、汇报工具还是仅仅只是报告。
价值：
- 数据影响力，通过数据来塑造团队在公司内外的影响力
- 数据价值力，挖掘数据在用户侧应用场景做数字化营销
- 数据驱动力，支撑内部经营业务运营组织开展专项分析
- 数据发展力，分析团队的搭建，招聘、绩效考核、激励
2. 职责和分工
- 支撑公司经营管理上的数据需求，主要是对老板和管理层，经营管理分析；
- 塑造数据团队在内外部的影响力，第三方机构的合作机会，行业分析；
- 通过数据产生直接的营收增长，数据资产的整合，ka用户上的价值挖掘；
- 完成对内部运营的支撑，活动分析、产品分析、市场分析、竞品分析；
- 对知识的沉淀，打造可移植、高复用的分析框架和模板；
3. 管理、协同
- 重价值产出，以结果为导向，输出数据、报告可支撑运营决策；
- 做标准和规范，高度的可移植性和复用性；
- 团队成员的差异化，不趋同，各有所长，能够充分发挥扬长补短的特性；
- 梯队化建设，一个资深带1个高级+1个初级，彼此做backup，降低用人风险；
4. 团队打法
- 注重产出、注重数据分析价值，对于高价值的需求重点投入人力，对于低价值的需求做到高效处理；
- 超过三天的需求，对于BI产出的数据分析报告、白皮书、算法模型、数据看板等需留痕，以邮件形式交付，并抄送双方的一二级部门leader；
- 别人做的我不做，对于其他项目组已经涉猎的项目，不做重复的项目；
- BI的工作内容应侧重分析，合理分配工作时间，对于日常数据需求的处理原则上应归还给数仓同学和数据产品，两个原则：模板化和产品化；
- 在日常的需求中提炼需求的共性，梳理模板，提高效率，构建系统的分析框架和解决方案；
- 基础建设：所有的基础性建设工作，作为需求方，以业务推进点为导向，形成指标、口径、规范，导入给产品侧进行排期解决；
六、尾声
为什么是数据分析而不是其他数据岗位？
因为我当时那个专业80%以上的同学都去当了老师，然后抱着试一试的心态，经历了诸多岗位的轮岗，最后误打误撞的做数据，可能是因为我excel用的比较6，现在依然很6。
2011年应用数学毕业，毕业之后先是在一家小型零售企业做HR「绩效模块」，后面轮岗去做了市场和销售，在一线做营销的时候需要大量的数据支撑，而当时会数据分析的人并不多，在那段期间就是通过excel处理各种业务上的数据来支撑营销决策，也就是国内比较早的一批数据化管理，用的是excel；
2013年进入到一家工业物联网的公司，开始转型做管理方面的事情，数据应用的层面主要是在经营分析上，通过对公司的投入、产出方面的信息内容分解，来辅助管理层做产品定位、用户调研和市场战略，另外就是对海内外的竞争对手进行分析去抢占市场，不断迭代打法，这时候算是企业的数字化转型，用的是python/R+oracle；
2017年为了了解互联网，跳出了原来的舒适区，去了一家阿里系原高管创建的汽车互联网的公司，待了两年，从C端到S端到B端的过程里面积累了很多的经验，所以这个阶段里面就是一个补充大数据、区块链知识的时候，通过算法去改变一些经验决策；通过saas化的过程，去实现数据在业务中的影响力，基本上是大数据赋能的阶段，用的是python+dataworks；
2019年去了2G的电商平台公司，18年底国内的P2P彻底暴雷了，金融股票市场彻底崩盘，很多实体企业受到了冲击，互联网公司的损失更严重，经历了三轮裁员，在送走了一大半的下属和同事之后，也就离开了，到了现在的电商类型公司，也是一家阿里系合资的公司。重组团队，一年的时间里面，通过数据创造了8000万的营收，把原来在小数据、数据化管理、数字化转型、大数据应用、AI变革的经验完全串在了一起；
2022年兜兜转转又回到了汽车业，期间和TOP互联网公司都有接触过，疫情三年，经济受创，在大小公司都开始裁员的时间里面选择了去智能制造，只是觉得2025之后大概是中国工业4.0的时代，尽管入局有点晚，还是得去摸一摸。
