一名数据分析师的日常工作流是怎样的?


数据分析」这个职位,不同的公司,不同的行业,对于它的理解,以及它覆盖的工作范围不太一样。在有些传统行业,数据分析工作重点是「做行业报告」等;在阿里巴巴等大型互联网公司,职位区分比较明确,数据分析大部分时间只做产品和运营的分析工作,至于「基础数据处理」、「搭建数据产品」等等不涉及;在创业公司等相对小型公司,「数据分析」要干的活可能要不仅仅是「产品和运营分析」,「基础数据采集和处理」,「数据产品搭建」都属于「数据分析」的工作范围。

明确了数据分析的工作范围,大概也就清楚了每天要做些什么,比如:

  • 产品和运营的数据提供(正常分析师工作)
  • 基础数据采集和处理(类似ETL工作)
  • 数据产品的思考和搭建(类似数据产品经理工作)
  • 数据价值的挖掘(类似数据挖掘工程师工作)

每日的工作流大概如下:

上午:日常项目的跟进,包括跟产品,运营,开发同学的沟通,这部分主要通过 Tower 和项目 PM 每天的邮件来互相协作和周知进度,当然,每个项目会有5-10分钟晨会;

每天不定时:日常运营需求的沟通比较多,这个主要是面对面,固化需求以后,邮件周知和记录;

下午晚点和晚上:数据平台自己的活,包括基础数据开发、数据产品搭建等等,就需要我们自己去安排时间完成。创业公司的一个优点就是人员相对少,大家互相协作都是面对面。

如何进行时间和日程管理?

数据分析工作因为涉及内容比较多,所以经常会被产品/运营叫过去讨论某些项目,营销活动,等等,或者,被不同业务线主管召唤,讨论如何对某个业务线效果进行深入分析,所以,很多时候自己计划的「什么时间干什么事情」,基本得不到保障。就算得不到保障,每天早上过来以后,也要大概列清楚今天要干的几件事情,提醒自己去抽时间做完。每做完一件事情,就划掉。尽管有很多工具使用,比如,Trello,但是我还是喜欢一个笔记本,一支笔的方式。

1

时间是一个很奇怪的东西,只要你想要,它就来到你身边。比如,我想晚饭后来写采访的内容,就会拒绝同事邀请去做其他事情。我看过很多时间管理方面的书,也尝试过「番茄」等各种方法,最后发现,任何想基于「时间安排」去做「时间管理」的方法都很难有很好的效果,反而,基于「待做工作」来做时间管理,更合适。

比如,今天需要做三件事情,按照轻重缓急排序,1)2)3),然后就开始做,不想需要多少时间做完,尽量自己控制时间把它做完。很多人可能觉得这样很糟糕,万一做不完怎么办啊。其实,你自己尝试一下就行了,为什么自己会不得不、不情愿也要做、非要做完。因为,第二天工作又来了,今天做不完,明天这些工作还是你的。除了一浪一浪每天工作的累加的压迫,它更需要一个人的「自律」。如果有点时间就刷微信,微博,或者找同事闲扯几句,很容易打断工作流,所以最好是一气呵成。不管计划如何完美,如果没有「自律」,也没有结果。

数据分析的思维是如何练出来的?

可能提到数据分析这个职业,「思维」是被提到最多的一个词。或许这个跟数据分析思考比较多,沟通过程中更理性,让大家得到的错觉。个人觉得,任何一个职业,任何一个人都应该有一套自己的思维体系和一个好的思维方式。数据分析的思维仅仅是其中的一个不同的看世界的方式。比如,每个人的思维是一条道路,条条大道通罗马,虽然每个人看世界的方式不一样,但是可能得到的结果一样。

想知道数据分析思维,首先要了解「思维」是什么,bing一下,得到「思维」的定义:

①思维与“感性认识”相对。指理性认识,即思想;或指理性认识的过程,即思考。是人脑对客观事物间接的和概括的反映。包括逻辑思维和形象思维,通常指逻辑思维。

②与“存在”相对。指意识、精神。

显然,定义①是我们这里想讨论的思维。这个定义也清楚的说明了思维是每个人看世界的方式。

数据分析通过数据来认识产品/业务,所以,它确实有一套跟别人不一样的思维,即「类统计学的逻辑思维」。除了这个之外,其他基本跟其他同学一样。

从我打篮球、乒乓球的经历,加上5年数据分析的体验来说,很难通过一些简单的训练就学会某种思维方式,主要还是要自己在工作过程中通过实际的案例多踏几个坑,多开拓眼界来学习。所谓「九折臂而成医」,大概如此。

在这里分享给大家我平时常用的方法:

-看书,看别人的总结。

学习大牛是如何认识世界,分析案例,比如《穷查理宝典》——查理芒格,《把时间当做朋友》——李笑来,《系统思维》——德内拉•梅多斯,等等,分析为什么这些作者的思维如此的独特?我和他们认识世界的方式为什么不一样?我们彼此的认识事物的方式哪个更好,哪个更接近真相?为什么他们看到的世界是这样,而我是这样?多问问为什么,多找差异,然后再去找其他的书看,一步步丰富自己。这些作者可能也没得到真相,而是他们可能距离真相近一点。

1

-学会举一反三。

做分析师,非常需要「举一反三」的能力。去食堂吃饭,看到排队的效率如此低,分析一下为啥效率这么低?我们的产品上某个地方是不是也有类似的效率问题?滴滴打车这种叫车模式,我们的产品可以用么?为什么不能用?反正,多问几个为什么,多举一反三,思考,思考。「对或者错」有些时候不重要,重要的是我们感知世界的能力在变化。

-研究别人家的产品和别人家的数据。

比如,我非常推荐新的分析师看各个公司的财报。为什么呢?一个大公司的财报如果能看懂了,基本就了解了一个公司的运作模式和重要产品,也明白了如何写一份报告。再者,研究别人家的产品,不管是工具类还是用户类,看看他们的交互,设计,体验上怎么会不一样,别人的用户数为什么是这个,而我们的是多少?

-关注「经济」和「社会」新闻,多串联起来看新闻。

北京大雨了,河北大雨了,南方干旱,南北方需要什么?我们的产品是否能提供这些东西?长征7号上天了,哪些东西可能会不一样?多把不同事物串联起来想,思考,分析。

总结一下,数据分析要有一个「系统、整体和部分的思维」,也要有一个「事物类比思维」,更要对「事物敏感」,可以很迅速的把不同的事物串联起来(敏感),很快的抓到事物的本质特征(类似思维),然后局部整体的来分析和研究(系统思维)。

如何进行跨领域学习?

实,数据分析经常面临「跨领域」,只不过跨的大和小的区别。比如,我之前在阿里妈妈研究广告的竞价,来到空格研究共享经济、服务,也算是一个很大的跨领域。从「分析方法」和「研究产品」的角度来说,两者没有差别,但是研究的领域确实不一样了。「跨领域学习和交流」对于分析师来说还是比较重要的,毕竟,我们不能保证自己所做的东西都是拿手或者了解过的,很多业务和产品都是新产品,新业务,自己要保证快速的跟上。

跨领域学习其实没有那么难。很多事物都是相似的,比如,足球和桌上足球相似,足球和篮球在某些方面也相似,乒乓球和篮球,其实在练习方法上,技巧上也有一些共同的地方。分析师研究产品和业务也一样。如果学会了分析事物背后变化发展规律,也就不存在「跨不跨」领域学习的问题,比如,一个用户留存模型,即适合 Facebook 的研究,也适合 Uber 的研究,为什么呢?因为用户使用产品过程中,行为和体验过程是类似的。

大家可能都被教育过,「看事情要看本质,不要浮于表面」。这个对于分析师来说更重要。如果看懂了一个商业模式,比如「共享经济」的模式,不管它是滴滴,还是Airbnb,还是空格,基于「大众参与的闲置资源的使用权的让渡」特征是不会变的,唯一不同的是三种产品运营和用户体验上的差异。所以,推荐大家建立一套自己认识事物的思维模式。

就像一个 VC ,或者巴菲特,为什么他们可以投资不同的行业的公司和买不同的股票,为什么他们能看懂看准呢?因为他们各自都有一套认识世界和事物运作的思维模式,这套通用的模式会让他们在跨领域的投资中都能受益。

所以,大家不要局限于「怎么样跨领域学习,怎么样学习,学习些什么」,以为学了这么多肯定就无所不知,通行天下,但你看到的「星星」还是星星,「太阳」还是太阳,从没发现「太阳出来了,星星不见了;太阳下山了,月亮出来了」的天体运行规律。

归根结底,跨领域学习,要学一套「认识事物的思维模式」,而不是一点点具体的知识。推荐大家学习一下投资公司评估公司价值的一些原则和方法。还有,可以看看《易经》等从系统和整体上看待事物相关的书籍,锻炼自己系统思维和「凡事看本质的」能力。

数据分析的本质是什么?

查理芒格说过一句话:「不要做一个股票分析家,而是做一个商业分析家。」

对于数据分析来说,不管我们通过何种「分析方法」,「挖掘算法」,还是「数据可视化」,都是为了「分析和研究产品,以及使用产品的人」,而「产品和人」会给我们带来商业上的利益。做产品的目的是为了让别人使用,成立公司是为了获得商业的最大化利润。所以归根结底,数据分析的目的是「更好的了解使用产品的人的行为,体验和想法」,基于这些了解,「再做产品上的改变,获得商业的利益最大化」。

比如,很多互联网公司都要分析「用户行为路径」,为什么要分析这个呢?如果我们非常清楚的知道「用户怎么进来,去了哪里,哪里看的多,哪里看的少,从什么地方跳失」,我们就可以优化「产品的交互和设计」,让用户的体验更好,让用户点击「我们想让他们点击的东西」,从而实现我们产品上的某些成功。

为什么亚马逊会通过分析用户购买的东西,做「推荐算法」?如果可以找到每个人购买的东西,然后根据「概率」计算出TA可能潜在购买的商品,然后在用户经过的页面上放上「概率大」的这些商品,用户购买的概率就会高很多。 一切都为了更好的了解用户,服务用户,最终让用户买更多的东西(或者留存率高,可以卖更多广告)。

1

所以,一个好的「数据分析」是一个好的「商业分析家」。

额外的努力有多重要?

之前在其他文章中提到「数据建模」的影响,这个「额外的努力」对于当时的我来说,就是一个爱好和兴趣,没想到会通过它得到什么。最后因为喜欢「数据建模」而做了「数据分析」,只能用看似偶然其实必然来解释了。大家可能都听过一句话:「从来没有白费的努力」。我也非常认同。

不说努力,就谈工作之外的看似额外的事情吧,比如,看书,运动,听公开课,业余时间学学某种语言,跟有趣的人交流一下,做自己喜欢的晚饭,研究一下一年的节气变化,跟朋友出游自己计划路线,等等,这些很生活,很情趣,看似跟工作不相关的事情,真的不相关么?

工作是什么?工作需要具备什么技能?工作需要解决什么问题?工作需要面对什么?这些问题都是生活的一个侧面,什么侧面?工作需要面对「人」,工作要解决「人喜欢不喜欢你的产品」的问题,工作需要具备「规划、思考、沟通、观察」等技能。

「跟有趣的人交流」是不是会更好的了解「人」?「研究一下一年的节气变化」是不是需要一个「研究和思考的」过程?「跟朋友出游自己计划路线」是不是需要一个更好的「规划的能力」?这些看似不相关的东西都在让「我们」潜移默化中的某些技能得到提高。

因为大学里面没有「数据分析」这个专业,所以,公司招聘「数据分析」从来不是按照「专业」来招聘,而是通过面试考察候选者是否有「独立思考、善于观察、有研究精神」等特质。只要一个人具备了某种技能,TA一定能干好所有的事情。所以,没有什么额外的,只有你不去观察、体会和思考。

我的习惯是这样的:

-微信上,我自己会固化一些「我认为不错的公众号」,每天会抽零碎时间看它们推送的文章;

-微博上,在吃饭排队过程中,刷完自己「晒选过」的账号发送的信息,跟「数据」相关的会 @ 我的印象笔记;

-看到跟商业和「数据」方面相关的书,比如《证析》,《为数据而生:大数据创新实践》,《商业的本质》等等,都会买,然后晚上抽时间看完。作为一个数据分析,除了要看必要的数据和统计相关的书之外,更推荐大家看看经济学、社会学等开拓眼界,比如「预知社会:群体行为的内在法则」,「消费者行为」等看似跟数据分析无关的书,看似无用其实很有用,任何的产品和分析,最后都会回归到「用户」、「用户行为」的分析上。其他书不再推荐,等有了一定的积累之后,你会发现,一本《易经》或许就够了。

-上述过程中,如果有看到很契合工作的内容,自己会找时间在公司的实际产品上「写代码/做分析」等研究。

时间花在哪里,收获就在哪里(就算是天天吃东西,也一样会有收获)。喜欢做一件事情的时候,从来没有感觉我竟然在花时间。

推荐几本书给大家吧《开智100本经典书单》。

这100本书,还是不错的,可能国外的书居多。先不要问哪些书好,哪些书没用,自己看多了,比照自己的生活和工作进行反思,自己会有判断的。当你有了判断,也就具备了一定的思维能力。

读完100本,可能自己喜欢读的会越来越少,把书读薄了;也有可能自己喜欢反复读一本书,然后不时有新的感悟和解读,把书读厚了。