在做數據分析的過程中，經常會想數據分析到底是什麼？為什麼要做數據分析？數據分析到底該怎麼做？等這些問題。對於這些問題，小數一開始也只是有個很籠統的認識。

最近這兩天我又重新讀了一遍早就被很多人推薦的《誰說菜鳥不會數據分析》這本書。發現對這些問題講的還是比較透徹，隨後對這本書的核心內容做了一個筆記。

說明：筆記主要以思維導圖的方式呈現。

目錄

一、資料分析概述

數據分析指用適當的統計分析方法對收集來的大量數據進行分析，將它們加以匯總和理解並消化，以求最大化地開發資料的功能，發揮資料的作用。

二、確定分析目的和思路

主要講數據分析的方法論，如何利用管理學、行銷學等知識從宏觀上指導資料分析的過程，為的是明確分析的目的和思路，以免南轅北轍，分析了很久卻不能解決要面臨的問題。

其中PEST用於對行業的宏觀環境分析，5W2H可以用於用戶的行為、業務問題分析、邏輯樹可以將某業務問題拆分為子問題進行專題分析、4P是一種行銷理論，用來信進行公司產品的運營情況分析、使用者行為分析可以用來分析各級指標之間的邏輯關係。

三、如何準備資料

「巧婦難為無米之炊」。資料就好比諺語中的米。做為數據分析師更是應該知道「米」的兩個方面。第一：“米的構造”「理解資料」，第二“米”從哪裡「資料來源」。

四、數據預處理

在做資料分析之前需要將資料清洗、加工、轉換等一些步驟以使得資料成為可以用於建模分析的規整數據。

五、數據分析方法（微觀）

當完成資料的處理之後，現在需要真正的從細節上對數據進行分析，並且在微觀上也有一套比較固定的分析方法可供參考使用。

六、視覺化圖表及美化

當數據分析的工作完成之後，需要對分析結果進行視覺化展示及美化。

七、數據分析報告

數據分析報告是對整個資料分析過程的一個總結和呈現。透過報告，把數據分析的起因、過程、及結果完整的展現出來、提供給決策者參考。

數據分析工作及相關崗位幾點經驗之談

其實入門數據分析並不難。但想成為優秀的數據分析師並不容易。首先要過硬的資料技能，其次要有敏銳的商業嗅覺，再次是流暢的溝通和表達能力，最後不斷地實踐這些能力，在實戰中應對商業的變化，提升分析能力，從而發揮在業務端的價值，甚至產生你的影響（make business impact）。

關於“數據分析”(Data Analyst)這一職位，通常一定規模的外企和國內的互聯網、IT、金融等行業會設有專門的數據分析崗位，也有著不錯的發展路徑。而在一個公司裡面，資料分析師可以存在於不同的部門，銷售支持，財務，市場研究，R&D等。但每個部門的側重點也是不一樣的，我原來在銷售支援部門，雖說是資料分析，但理解業務，與銷售端交流是很重要的。但如果是在R&D，技能上的程式設計要求，對架構的理解可能更重要。

資料分析最擅長的工具一定包括Excel，通常好的資料分析師一定是一個非常非常專業的Excel使用者，這其中包括了對Excel常用公式和功能的理解及使用（樞紐分析表，各種圖表等）。其實掌握Excel基本功能也是很多其他崗位（Marketing，Finance等職位）的必須。作為一款資料處理的基礎工具，市面上有太多的Excel教程。我個人的建議，可以從一本書+視頻教程+自我練習的方法來入門或者進階。

Excel更進階的另一個大技能是VBA，它是以Visual Basic為基礎的程式設計語言。但，掌握或者使用並不需要太強的程式設計背景。這也是為什麼知乎上很多用戶推薦用VBA作為高階Excel的技能。VBA用的好可以玩轉各大金融投行，諮詢公司的資料處理自動化，報表批量產出等。VBA的優勢是跟Excel的無縫銜接，能夠用簡單的程式設計實現資料自動化，或者金融模型實現，預測分析。即使在今天Python、R非常火熱的資料採擷，資料科學領域，仍然有不少公司選擇使用VBA。

另一大資料技能就是SQL, SQL和Excel已經成為這一崗位在發佈職位時的標配了。SQL是結構化查詢語言，對接的是後臺較大較系統化的資料庫。它的優勢是基於不同邏輯的資料抓取會很方便和有效率。基本的語法其實並不難，會使用join table、sub query,case when、rank這些功能其實不是太難，難點在於通過不同的練習，訓練出一個良好的邏輯思考能力。簡言之，就是知道什麼商業需求可以實現，哪些需求需要更久的時間。此外，對業務的理解也至關重要，千萬不要小看這個簡單的資料抓取，好的SQL實現者一定是對業務理解透徹，事半功倍的。

如果致力於從事資料分析工作，那除了掌握Excel， VBA，SQL之外，還需緊跟趨勢，學習最新技能，但同時也得夯實基礎。記得本科畢業的時候，跟現在2019年同樣一個資料分析職位的JD是完全不一樣的。而且公司或者業務層面對資料分析的重視程度也不一樣。建議要不斷更新自己的技能儲備，至少瞭解現在在發生著什麼，什麼是基礎，什麼是進階。這裡更想強調一下對資料和商業的理解。一般三年以內可能還是在磨練技術，過了三年就開始思考更深一層的東西，就是在有了“術”的基礎上，往“道”的方向思考。

理解資料並非易事，至少需要幾年經驗的。通常在掌握了基本技能並且熟練使用的基礎上，加上累積的商業實踐，一般來講都會產生一種資料直覺。具體體現在：第一：當遇到一個資料需求會先分析，而不是上手就做，因為有時候需求並不合理。第二：會評估不同資料專案的時間進度和回饋頻率，新手很容易不溝通，很難地做了很長時間之後發現結果不是用戶想要的。第三：當出現不合理的資料時第一時間能夠反應過來並調整。如果能做到這幾點，效率會大大增加。

職業選擇

1.堅持數據分析師，當然這個title是可以變化的，但工作內容本身還是一脈相承的。比如我現在是在Finance部門下面的Business Finance做Finance Analyst，但我們team有專業的CFA分析師，FP&A分析師，我就是做DataAnalysis。

2.轉型為資料科學家（Data Scientist），需要惡補統計學，Python和R，還有不斷地應用到商業實踐。

3.商業分析經理 (BA Analytics Manager)，該職位商業性強，溝通強，懂技術但不用去做基層的“苦力”工作，並且能夠找到得力的下屬做事。

4.資料工程師（Data Engineer），比較後端的職位，技術性強，對架構，資料底層的瞭解更深，我的理解是比較適合理工科出身，不太希望與業務端打交道，程式碼邏輯很強的童鞋。

5.諮詢師（Consultant），此職位更偏重商業分析能力+溝通能力+表達能力，這個對於硬性的技術要求不高，但軟性特別高。但好的諮詢公司待遇相當棒，招人的條件也是很高，名校背景，很高的GPA成績，自信表達能力，精准溝通等等，總之非常不容易。不過一般有一個諮詢團隊，有前段後端之分，後端（支援段）偏技術分析，前段偏表達溝通。這個職位的跨度就比較大，但是我還是鼓勵各種可能性的發生。要敢想。當然還有其他很多職位，比如資料採擷，資料視覺化工程師，產品或策略分析等等，各自有側重。

職場效率及注意點

技術永遠只是手段。產生價值才是王道。這裡面涉及到諸多的能力需要不斷磨練，比如意志力，溝通能力，演講能力，好奇心，創造力，影響力等等。這些都是能不斷塑造一個好的資料分析師的重要素質。要去make the change and influence，不只停留在數字展示。

好的身體會使你擁有更多能量。職場裡面那些充滿能量，對新鮮項目感興趣，滔滔不絕做presentation的人通常都是有著很好的生活習慣，處理事情很快，吸收知識很快，願意學習瞭解新事物，堅持鍛煉的人。這個法則適用於大多職場。拼到後面其實是持久的耐力，就是不鬆懈，堅持對的事情。

別鑽牛角尖，要靈活。如果一種方法試了好久都不行，停下來，問一問，試一試別的，可能會有新的出路。職場不是一個學術的地方。我們要認真做事，但是不要追著一個小的問題不放，這樣很容易丟失掉大的東西， 負責任地講，有很多項目是半途而廢的，有很多數字不是準確的，我們要做的是順勢而為，抓住重點。Always focus on big picture.
先做傾聽者，再做思考者，然後做好的提問者，最後做實現者。這裡每一個環節都重要，先知道別人關心的是什麼，有什麼問題，然後要系統性考慮，有時候不要著急解決小問題，Focus on big picture，此外，提問出關鍵問題甚至能夠幫助stakeholder更清楚瞭解他要的是什麼，最後搞清楚了這些之後就是Action。

有意識地去跟人交流，特別是業務相關人員，以及各個條線的stakeholder，如果僅僅利用必要的時間，比如開會的時候交流彼此對業務對分析的看法，通常是不夠的。我們作為分析人員，最好要走在前面，試探性的問問題，交流想法。提升自己舉例子的能力，把複雜的東西通過簡單的描述讓別人理解很重要。

不停的總結，反覆運算。其實資料分析裡面的分支學科還是很多的，ETL, Data Cleansing, 一些基本分析模型，Data visualization等等，不管是自己做過的項目經驗，還是網上看來得好文章，或者同行交流來的新的好的內容，都可以不停的總結，試用，回饋，以此迴圈。長期來看是非常有好處的並且容易形成自己的體系。

我是「數據分析那些事」。常年分享數據分析乾貨，不定期分享好用的職場技能工具。按贊我的臉書，期待你與我的互動！
更多精彩內容，去臉書 【數據分析那些事】查看！