数据分析师，如何在数据分析的流程中提供更大的价值？

数据分析究竟是在做什么？什么是数据分析，如何做高质量、有价值的分析工作？这篇文章给你答案。数据分析不只取数，一起做高价值数据分析师！推荐对数据分析，数据运营感兴趣的童鞋阅读。

有一个做数据分析师的朋友，向我表达了他的焦虑。他觉得每天的取数没有技术含量，知道自己要做分析，但不知道怎么做分析。这位朋友是很多人的缩影。

很多人从第一天入职开始就是从取数做起的，以为取数就是工作的全部内容。从来没见过真正的分析是什么样的，也没有参与到业务的决策中去，想跳出来也不知道从何做起。困在取数这个枯燥且低质量的工作中。

我之前也给过很多建议，比如少做取数多做分析等等，现在我觉得还是从数据分析师这个岗位设置的意义说起可能更容易理解，今天了解数据分析究竟是干什么的。

01 “数据分析”是干什么的

首先要注意，数据分析是干什么的，和数据分析师是干什么是两回事。要知道数据分析师是干什么的，先得知道数据分析是干什么的。

数据分析是一种决策的方法，是从历史数据总结经验并推演出结论的完整分析过程。和数据分析的决策方法对应的，是拍脑袋决策和经验决策。

拍脑袋决策拍脑袋决策，有时候并不是做出的决策不好。而是你很难持续的优化。而有数据记录，并用数据驱动的方法，未必一开始做的就很好。但是你可以总结过去的。经验不断的优化这样不管你的起点是怎么样，最终一定会达到一个相对较好的水平。

这里讲一个瓷器的故事你就能理解两者的差异。

在历史上很长一段时间，中国的瓷器都是世界顶尖的。在明朝末期的时候，只有中国和中国的两个藩属国朝鲜越南能够制作瓷器。瓷器能够带来大量的白银，所以朝廷对于瓷器工匠的管理非常严格，其他国家的人接触不到瓷器工匠，无法得到制作方法。

当时的欧洲瓷器是非常昂贵的，欧洲人实在是太想自己做瓷器了。到了十八世纪，一位叫做伯特格尔的炼金术师开始研究瓷器，但伯特格尔不知道瓷土的成份，所以只能不断尝试。好在他有炼金的基础，懂一些化学实验的方法。用了整整一年的时间，只烧制出了一个品相非常差的陶器，非常难看且不经用。

到了第三年，他非常幸运的在德国的某地区发现了适合烧制的土壤。但那些土壤和中国瓷土的成分不完全相同。不能直接烧制瓷器。后来伯特格尔进行了很多次的实验。终于发现在这些土当中添加一定比例的长石，便可以烧制出洁白的瓷器。

在这四年的时间里面，他做了3万次实验。他不仅记录了全部的实验过程和结果，而且把每一次实验之间的细小差异全都记录下来了。

有了这些记录，欧洲人不断地对瓷器进行改进。比如法国发明了珐琅瓷器，英国人发明了骨质瓷器。18世纪的时候，珐琅瓷器被欧洲人带到了中国，康熙皇帝非常喜欢，并要求大内仿制。这标志这当时中国的瓷器在制造技术上已经落后于欧洲了。

这个故事里中国瓷器和欧洲瓷器的发展就是经验决策和数据决策的区别。古代中国是经验决策。瓷器的烧制方法都考口口相传以及多年的经验，手艺经常失传。虽然在历史中中国瓷器一直领先世界，但由于不重视量化度量，也没有实验记录，很长时间没有进步。

而欧洲是数据决策。欧洲瓷器由于记录下了陶瓷的成分配比工艺流程等等，虽然一开始的起点较低，但很快就超过了中国瓷器。这就是数据分析的价值。企业经营和瓷器制作一样，有很多需要改进的地方。如果不用数据决策，很快就会被其他人追上然后失去竞争力。

02 “数据分析师”是干什么的

数据分析的决策流程在推进的过程中会遇到一些问题，比如没有数据、数据杂乱、数据获取困难、缺少数理统计知识等。所以为了推进这个流程，数据分析师登场了。举个互联网公司的例子：

1. 分析背景：运营做了一次营销活动投放，想要分析一下外部广告哪类人群更有效，从而决定下一次的外部投放侧重哪类人群。
2. 获取数据：于是运营给数据分析师提了这样一个需求：获取投放期相比平时的新用户、老用户、流失回流用户的规模提升规模。
3. 分析数据：运营拿到数据后，发现活动期流失回流用户提升比例较大，初步决定下一次营销针对流失回流用户提供回流福利。但还需要评估用户回规模用来确定营销预算。
4. 再次获取数据：于是给数据分析师又提了一个需求：获取累计流失用户的用户数。
5. 再次分析数据：运营拿到数据后，根据上一次活动的回流比例估算了一下回流人数，计算出回流福利所需的预算。
6. 分析结果：预估活动预算，向业务领导提交方案。

这整个决策过程都是数据分析。只不过这个数据分析中，运营同事是主角，数据分析师是配角。整个分析框架是运营同事主导的，数据分析师在其中只承担取数的工作。数据分析师不知道全貌是什么样的，有点像盲人摸象，只看到局部，看不到整体。

但如果没有数据分析师，这个流程走下来也确实会比较麻烦。原本一天时间可以搞定，可以要变成三天。所以这个案例中的数据分析师的价值是提高了数据分析的效率。总的来说，只要是推动完成数据分析流程的工作，都可以是数据分析师的工作。为了完成数据分析的整个过程，我们一般要做三件事：获取数据，处理数据，分析数据。这几件事对应的工作内容有：

（1）获取数据：

• 数据采集：前端开发、CRM录入等
• 数据存储：数据库开发、数据仓库开发等
• 数据提取：临时取数、数据产品开发、报表开发等

（2）处理数据：通过sql、excel、python等数据处理工具对数据进行维度下钻、聚合等操作。

（3）分析数据：通过结合业务知识、机器学习等方式，从数据中获得结论

上述这些工作都和数据分析师有关，有些公司分得细一些，数据分析师只负责处理和分析。

有些公司比较粗，数据分析师一人多职，什么都要会一点。

做着不同的工作的岗位但都叫数据分析师，这也是目前业内数据分析师岗位要求非常乱的原因之一。应聘时也要注意，这些数据分析师的岗位要求千差万别，有些要会excel，sql，有些要会hadoop，有些需要咨询公司经验等等。要想有准备地应聘，就得事先搞清楚这个岗纠结侧重什么。

03 数据分析师平时做什么

数据分析师不是出入高层会议室的光鲜亮丽的军师角色，而是一个很苦逼的岗位，有大量的脏活累活。经常遇到的脏活累活有：取数、对口径、底层重构，号称数据分析师三座大山。

取数：

取数是绝大部分数据分析师平时干的最多的活。领导做决策要你取数、业务做汇报要你取数、自己做分析也要取数。有时候为了取一个数，要对整个数据底层做一个梳理。花了大半天时间，只取出了一两个数。领导看来还觉得你工作效率低，取个数取半天。其中的苦真是一言难尽。

对口径：

取数的痛苦不仅仅来自于工作量，还来自于口径还经常对不齐。取出来的数据和报表对不上、和业务系统对不上、和上次取得数据对不上等等都会把人心态搞崩。有时候辛辛苦苦搞了一个下午取出来的数据，发现对不上。又要花时间去对两个数据的口径差异到底是什么？如果自己错了又要重新取。

有时候一个数据和其他人不一致，整个报告就得推到重新写。口径不统一不是创业公司特有的问题，大厂一样存在，一个公司内新用户数这个口径就可能有多个版本。我想每个数据分析师的新年愿望一定是每个口径都能够对齐。

底层重构：

随着业务的发展，数据底层表中的维度和指标经常会变化，就需要底层重构。这个工作的痛苦之处在于底层变了，那么和它对应的报表也得变，然后周报月报的模板也要变，然后业务会对新的数据反馈一些取数需求……

真是子子孙孙无穷尽也。以上这些工占到了数据分析是在日常工作当中的百分之七八十的时间，真正产生价值的工作只集中在剩下 20%的时间。所以开篇那位朋友提到的数据分析师工作价值感低。是非常普遍的现象。那么如何提升价值呢？

04 如何提升数据分析师的价值

数据分析师的价值就要看他在这整个的数据分析过程中发挥的作用。一般来说，高价值的工作有：

• 提出好问题
• 给出好答案
• 总结分析套路
• 提供高效工具
• 解决困难问题

1. 提出好问题

一个好的问题是决定分析价值上限的最核心因素。

以下问题，哪个问题的价值更大？

• 两组运营投放的文案a和文案b哪个更好
• 用户规模下降的原因。
• 目前的运营重点应该是继续提升用户规模还是尝试商业化？

第一个是具体执行的问题，关系到某个具体的业务同事的工作，分析的结果是最终选择一套方案。

第二个是战术层面的问题，关系到一个运营团队的工作，这个问题的结果可能导致运营团队的工作重点发生变化。

第三个是战略层面的问题，关系到整个项目组的工作。分析的结果可能导致项目组的KPI变化甚至组织架构调整。

所以很明显是第三个战略层面的问题更有价值。

不过很少有数据分析师能够直接参与到战略层面的分析，分析战略层的问题。可能不切实际。但战术层面的问题还是可以切入的，还是尽量的分析一些更高维度的问题。

日常的分析往往浅尝辄止：

• 销售额为什么低？因为转化率低。
• 转化率为什么低，因为落地页转化率低
• 为什么落地页转化率低？因为……

这几个回答都太浅，只给出表面的原因。这种结论给多了，业务以后就只会找你取数了。因为你给不了他想要的结果。

分析的结果有几个层次：

• 最低的是what：告诉我业务同学目前发生了什么事儿？是好还是不好？是会继续还是会结束？
• 其次是why：再然后是告诉他目前发生了这件事背后的原因是什么？
• 最后是how：最后是这件事儿能怎么办？

尽量的多给出how，如果给不出号就给出why。如果都是what，那么价值就太低了。

3. 总结分析套路

前面两个方向是把数据分析做得更深。挖掘更深物体。给出更深的解答。如果你不能在深度上提供更多的价值，那么你可以考虑在数量上。提供价值.

这不是说你做更多的分析。一个人的时间总归是有限的。再怎么加班努力也很难产出比平时高一个数量级的结果。但是你可以通过总结一些类似问题的分析方法论，并将这些方法论推广到全公司，甚至直接沉淀在业务系统中。那么更多的人采用这样的方法，全公司提升的效率都是来自于你的产出。

4. 提供高效工具

另一种提高数量的办法是提供高效的工具。这是最容易做到，但也很辛苦的一类工作。

每家公司或多或少都会有一些报表，但是报表好不好用就是另外一件事了。大部分的报表只是满足一些基础的数据查询的需求，但往往数据口径烦杂不清。报表的成绩结构又比较混乱，而且没法解决一些个性化的下钻或者聚合需求。

如果你能够提供一个统一口径、层级清楚、持续维护的报表或数据产品，这也是一种高价值的工作。很多大厂会有专门一个团队来维护成熟也许的报表体系，所有业务层面的变动都会告知这个团队，随后在报表基础上修改。

时间长了之后，这套数据产品就成了公司内工作流必不可少的一个部分。但不是所有领导都能看清这个工作的价值。可能会会出现你在的时候别人不觉得这套报表有多重要，等你走了才发现没你真不行。

就算是你的领导非常看重，你也要清楚这种成体系的报表系统在初期是没什么出彩的地方的，也许在最初的三个月大家都不认可。但到达一个量级会产生质的变化。所以要做这方面工作，需要一定的耐心。

5. 解决困难问题

最后一种提高工作价值的方法是解决困难的问题。

困难的问题类型有很多。

• 沟通问题：某个分析问题牵扯到很多的部门，不同部门的诉求也不同，跨部门的沟通非常困难。如果你能平衡各方诉求，解决跨部门项目，这是价值。
• 产出时间问题：由于数据量级太大，无法保证在每天上午8点前产出数据。如果你能够通过巧妙的数据模型设计使得产出时间提早两个小时，这是价值。
• 团队合作问题：业务团队没有数据驱动意识，数据分析团队开拓合作不顺利。你通过找出对方的业务痛点，主动提供分析结论，并推动建立流畅的合作机制，这是价值。
• 高层决策问题：高层讨论决策时，希望能即时清楚业务现状，加快决策效率。你把绝大部分的业务指标都记在脑子中，成为高层决策时的人肉取数机，聊到任何业务问题都能马上说出是否符合数据现状，这是价值。

业务需要，但别人做不到但你能做到的困难工作，就是有价值的工作。

对企业和组织来说，数据分析是必不可少的，但数据分析师不一定。我们能做的就是尽量提高自己在数据分析流程中的价值。如果数据分析师不能在数据分析流程中提供更大的价值，那么数据产品+业务解读能取代大部分的数据分析师。

数据分析师这个岗位其实是不太标准化的，你能做什么完全看你各方面的总和能力。搞清楚数据分析是干什么的，可以让我们理清自己可以发挥价值的地方都有哪些。如果不知道数据分析师要解决的问题，也就不知道自己可以在哪里发力。

结合自身优势，找到流程中自己能发挥最大价值的环节，一起做高价值的数据分析师。