大數據時代，不懂點數據分析都不好意思告訴別人你混互聯網、混大都市的，在大數據的環境下，我把市場上的分析師分為幾類
一、數據變現者
這類人一直在公司從事這業務分析的角色，他們一直在嘗試用數據去改變業務決策的流程變更和機遇，驅動這企業的北極星指標，更多做的事情是對業務驅動的輸出而不是簡單的輸入，他們要考慮目前的現狀、改變的機會、未來的方法，所以數據只是讓他們的思維更加嚴謹，更有穿透力，簡單的就是A\Btest、用戶增長的驅動模型、用戶生命週期管理方案、營銷分析模型等，一直在實戰中去挑戰自己對數據分析的看法和認識，也未必完全依賴數據，工作的環境很容易讓數據+行動變成閉環，從而不斷是積累洞察力
更多的思考集中在：
1、市場推廣費用如何能在有限的資源做到最大化的ROI
2、用戶的發展趨勢和質量存在什麼問題？結構如何？如何增活躍，防流失
3、提高轉化的方式是什麼？口碑的形成主要驅動因素是什麼？
4、現階段我們的組織結構和業務的融合度該如何調整？
5、整體市場環境如何？我們的地位穩健嗎？還有沒有新的發展機會
等等，記住他們的輸出不是一份報告那麼簡單，而是整個商業問題的輸入
工具對他們來講已不是核心，常用的就兩種Excel+PPT，地位不高，自己學點SQL
二、提數機器人
他們一直都被別人牽著走，可能是高級數據分析師、也可能是業務部門，也可能是甲方，別人要什麼，我做什麼，當然經常出現的問題就是要非所答，甚至是被推倒，重來，所以他們不得已要去學習數據庫知識，知道了土壤很肥沃才能明白要種什麼植物，收成是什麼？許多時候他們什麼都要去學習，身懷各種絕技，沒辦法，你不去掌握，每天的需求是無限增長，你不熟練、不找對應的高效工具，非搞死自己不可，市場上80%的數據分析師都是這類人，凡是市場上見到的技術、算法基本都學了一篇
三、技術研究者
在人工智能、機器學習還沒火的時候，有一個崗位一直做技術類的研究，那就是數據挖掘，整天每日每夜的折騰各種數據分析模型，甚至把模型開始的變量無限的去增加，以前20個變量做出來的模型可能效果是最好的，最後在自己手上把變量增加到成千上萬，做的自己都找不到東南西北了，沒辦法，從數據科學的角度來講，變量越多，考慮的越全面，數據量越大做出來的模型越精確，然而仍然會出現你在某電商網站買個鐵鍋，他會在下面再推薦你買個綱鍋.....
有些事情不是純算法能夠解決的，人與人的不同造成了場景和流程也是截然不同的
現在人工智能火了，許多人一頭撲向AI領域，為啥？人家都是年薪100萬的，至少都50w起，誰不心動？可是仔細想想，這條路到底適不適合自己，畢竟每個行業都有一些“異常值”，而且是少數，且不要斷章取義、局部去看這個行業的發展，那樣其實你無形中讓自己的競爭力再削弱，一波浪過去，總有很多裸泳的，自信的游泳健將
四、各類神仙
到處站在講臺上忽悠大數據的價值和未來，他們甚至連一個很小很小的項目經歷都沒有，沒辦法，他們能洞察市場、洞察客戶的痛點，用別人的知識、自己的認識包裝自己，他們更多數據的是數據價值未來的暢想、完美的數據平臺建構。從來不考慮數據獲取和標準的問題，畢竟這些在他們看來太LOW
在這樣的環境和分類下，我們該如何高效去學習？
那麼不管你未來或者現在是那類分析師，都要保持一個常態心去學習，在這個行業走的越深，你才會發現數據分析師最後已經不是簡單數據的加工者、PPT的彙報者、成果的宣講者，而是一個多知識領域的佈道者，你在在不斷去嘗試將管理學、經濟學、社會學、行為學等與數據分析相融合去看待一個商業的sense，從而慢慢形成做事、決策時候的邏輯和結構化思維，比如如何在整個業務流程設計關鍵的啟明星指標或者北極星指標
圖來自：秦璐文章
要走的更遠，首先，要先建立自己的思維能力，對數據分析的認識，而不是上來就學習數據分析的各類工具
比如我們的報告中會有很多的指標，許多人在寫發現什麼的時候總是，說用戶數增加了多少，增長几個點，市場費用多少，ROI環比下降幾個點，與競爭對手相比，我們的優勢指標體現在？不足之處等，其實站在高層的角度你是將圖表反饋的信息“念”出來了，聰明的分析師會這麼幹？
從規模效應來看，我們用戶量、GMV、排名如何？
從盈利來講，GMV表現如何，市場費用支出、ROI達到的成效是什麼樣子
從資源優化來說.....
這些讓老闆看著你還有點自己的知識體系，能夠將發現的問題懂得去歸類，去思考什麼是規模指標、什麼是盈利指標、什麼是資源優化關注
其實還不夠，還是沒有告訴領導數據發現了那些洞察
舉個栗子：用戶量增加，活躍用戶下降，GMV增加、市場費用也增加，那這些指標之間到底出現什麼問題，應該用什麼方案能解決這個問題？誰來解決？黑鍋總要有人去背？
分析完以後一定要梳理出好與壞，好與好之間的關係，再從幾個方面去描述，你會發現你的思路和出發點是不一樣的，老闆就喜歡色香味俱全的菜品
其次，在上面的深度思考和分析下，才是什麼樣的工具解決什麼樣的數據難題，比如公司有數據庫，每次都要去提交申請才有可能拿到數據，等數據來了，其實你當時的許多思考已消失了一部分，那能不能有一天你走到你們老大面前，說我也會數據庫，也會SQL語法，可以自己慢慢去提取想要的數據，你對底層越瞭解，採集和存儲的體系越清晰，你在部門的競爭力才越強，因為你能獨當一面，所以後面的升職加薪水到渠成
學習一門技術之前，你應該知道，你想要達成的目標是什麼樣的，也就是說，你想通過這門技術來解決哪些問題，應用在哪些行業，哪些業務場景下。只有這一點想通了，你的數據分析之路的學習才是高效的、有目的的、有意義的。
再比如有一天程序員給你發來一個20G文件的時候，你一臉懵逼（因為你平時可能處理的只有excel+access的幾千萬行），而面對20g文件的時候袖手無策，還怕影響項目進度，本月考核出現在黑名單，在職場有時候是自私的，自己動手豐衣足食，你經歷的越多，你以後的坑會越少，所以他們逼著你去學python+hadoop+spark這些，當有一天領導讓你做述職報告時，你一直做的是人機交互，連一個像樣的PPT都梳理不出來，如何給領導驚喜？
我從工具的層面去梳理要學習那些工具？這些工具足夠解決掉你商業或者工作上99%的問題
所以學工具有時候是逼出來的，畢竟工欲善其事必先利其器
當然我們也要根據自己的處境去選擇，過早的學習，到真正用的時候你依舊會忘記，到臨時需要時你卻一臉懵逼，一定要找一個自己適合的工具死磕到底，別的工具只需要掌握，天下套路那麼多，你總要有自己的套路，也有很多穩固的方式
1、找一些競賽的數據，自己沒事折騰一下
2、多去看看相關的論壇，有事沒事回答一下，溜溜自己的知識
3、找一些圈友寫一些自己操作的實錄或者自己的網站等，讓知識沉澱
最後，所有的學習都是態度問題，不能著急，我們只有在好的體系、好的課程質量體系下，自己才能在有效的時間成長的更快，有時候也是當局者迷，要嘗試和身邊的人或者同行去分享一些自己的認識，往往武俠小說裡面，速練成的武功往往對自己以後傷害更大，反而擁有一本武林秘籍，能讓自己成就大夢，大家都知道一個道理：
一份數據給不同的人做出來的肯定是不一樣的，因為沒有分析的目標
一個明確的需求給做出來的肯定有一個是最好的，因為他思你所思，想你非想
幾點建議：
1、多看看知乎上的深度交流，為你所用
2、多關注行業的變動，沒事去各大招聘網站看看需求的變化
3、少看點新聞，它不能讓你加薪升職，哈哈~~~
4、圈友們彼此之間多多交流，你的觀點只有和別人發生博弈時，你才有深思
5、多看一些跨學科的書籍，跨行業的報告，讓知識體系豐富起來，那樣你才有體系化思考的資本
6、堅持每天寫點什麼，日積月累你才有出眾的根基，所以文科生學數據分析成長要比理科生高很多，他們善於表達撰寫
7、選擇那些有一線實戰經驗講師的課程，他們才能讓你少走彎路，少採坑
轉自：大數據分析和人工智能
閱讀更多 元浦說文 的文章
