数据分析中的硬实力与软实力「如何锻造解决问

小提示：您能找到这篇{数据分析中的硬实力与软实力「如何锻造解决问}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的数据分析中的硬实力与软实力「如何锻造解决问内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

编辑导读：数据分析师作为互联网行业背景下诞生的岗位，听上去非常高大上，也有不错的职业发展前景。本文作者针对数据分析这个岗位进行了分析，与你分享。

本文来自知乎问答。

问题：想做一名数据分析师，自学了《统计学》、R、SQL等。入门级别的，现在有点迷茫了，下步学什么才是合适的？

我目前自学了《统计学》、JAVA、R、SQL、SPSS。但都是学到学门级别的，现在有点迷茫了，数据分析有那么多工具，不知道学哪些才是最正确的，不知道怎么规划了（问题重点）。我目前考虑的问题主要有两个：

• 短期希望找到一份相关的工作（目前事业编混日子）。
• 长期规划是做一名数据科学家不想走偏了。

正文：

同样是因为喜爱而转行踏上数据科学之路。

毕业工作后，业余时间我一直在关注人工智能的新闻，出于兴趣开始在晚上自学相关的理论知识、工具例如统计学、python。突然有一天，我心血来潮，忽然想通了，为何不投身喜爱的行业，要不然也只是空有一腔热血。

于是我便马不停蹄地开始学习Python，并决定从人工智能时代通用基础能力——数据分析入手。

但因为是零基础转行，所以刚入职很多都不会，挨骂最多的就是做的计划不落地、提的方案脱离业务场景……经历了许多项目、积累了经验后，我总结了以下能帮到你的经验。

一、工具篇——硬实力

从题主学习了这么多工具的经历，想必跟我一样是个“工具控”，接触到有趣又强大的工具会忍不住去学习。

现在我作为数据分析师，题主说的工具我都有在用，目前我在用的一些相关工具的应用场景：

1. Python

常用的数据分析工具，数据科学界的明星产品。几乎是万能的工具，尤其是在解决重复性工作、大数据分析等场景方面特别好用。在Python列入小学课程的时代里，它绝对是值回票价的编程语言。

2. SQL

通用的数据库语言，对于数据分析师而言，可以完成取数、分析工作。所谓巧妇难为无米之炊，SQL可以从源头上解决无数据的问题，要不然你是无法想象IT是如何拒绝或延后你的提数需求的。

3. SPSS

“傻瓜式”的数据分析图形软件，可以像操作Excel那样点点点，很简单地完成复杂的数据分析工作，例如相关性分析、回归建模等。

目前我工作中，很喜欢用它的可视化决策树。在实际的数据挖掘工作中，可解释性是很重要的一环，它很多时候决定了模型的逻辑及结论是否被业务所认可。众多模型中，线性/逻辑回归在这方面绝对是老大，而在我发现了SPSS中将决策树模型可视化这个逆天功能后，它就成为了我分析的最爱之一，得益于易懂的可视化图形，它的逻辑与结论往往也很能被业务所接受。

4. R

数据科学界的老大之一，统治着专业的统计学、生物、医学等领域。目前我在用它，是因为公司的销售预测模型是其他同事用R语言写的。

R与Python的差异在于：R是统计语言，有很多优秀的框架，例如Python里最常用的Pandas库就是从R移植过去的，再例如可视化图表的库的表现一骑绝尘。但是在自动化办公、应用领域却没有Python广。

所以，建议刚入行的童鞋先学Python这个性价比高的语言，等有进一步明确的需求后，再按需学习R即可。

5. Power BI

非常优秀的可视化分析工具。在用Python做数据分析时，很多时候只能将分析结论可视化后黏贴到PPT里，对业务来说，他们更想要有可互动、动态更新的可视化分析结果。而这，就是我应用PowerBI的场景：数据导入后，建模分析，形成的分析报表业务直接点点点就可以感受到数据变化与特点。

但是PowerBI的建模思维有一定的门槛，而对于大多数分析师来说，Excel的图表已经可以满足。所以建议初学者先学习灵活应用Excel的可视化能力。

6. JAVA

是使用最广的开发语言，与数据分析关系不大。我之所以学它，是因为我负责的数据产品几乎都是用Java开发的数据接口，所以才需要懂一些基础。

想要从事数据分析工作的同学，不建议学习Java

7. 分析工具的优势

以上的提及的工具，建议挑选1-2个，如SQL+Python，进阶学习。最重要的是进行项目实战，可作为短期找工作的敲门砖。

掌握分析工具可以更快地在业务公司抢得眼球，可以应对复杂的业务需求。

工具无法解决的问题——对业务场景的理解

工具可以解决很多深度分析需求，但是重要核心还是用工具的人，分析思维还是要回归业务场景。

二、思维篇——软实力

职场里真正重要的是：解决问题的能力，而它由定义问题、找到原因、落地建议三部分组成。

业务需求的提出，简单地说，便是业务在运营过程中，发现了问题，故想通过数据分析找出问题原因所在，进而解决它。

1. 定义问题的能力

只有正确的问题才能指引数据分析工作往正确的方向进行。

从一个模糊的问题说起：今天领导提出，最近老客表现差了。

下面对领导提的问题进行剖析：

【观点与事实】

“最近老客表现差了”，首先这是一个观点，不是事实。

【还原事实真相】

作为专业的数据分析师拿到这样的观点之后，第一件事是要还原事实的全部：

• 最近：最近是多长时间周期，这周？近三周？还是上个月？
• 老客：如何定义老客？以往注册过、但并未消费的客户？还是说一定是有历史消费的客户？
• 表现：哪个指标？重购金额？回柜人数？
• 差了：是同比下降，还是环比下降，还是说增长幅度不及预期？

面对领导的业务观点，我们还原的事实是：上个月（2020年12月1日-12月31日），以往消费过的老客，在回柜消费时产生的消费金额，环比（与2020年11月1日-11月30日）下降了30%。

【事实与观点】

组建好事实集合后，要利用信度效度思维，重新审视领导的观点是否客观、合理。

信度：

代表的是数据的可靠性程度和一致性程度，反映数据的稳定性和集中程度

也就是说，数据计算结果之前的取数逻辑、数据清洗工作是否合理，是否符合业务场景逻辑？

效度：

指测量工具能够准确测量出事物真实情况的能力，反映数据的准确性。

简单地说，这样环比的比较是否有意义？例如品牌或行业属性是节日敏感的，上上个月有双十一大促，而12月是淡季没有活动，不论是横向与行业内其他公司，还是纵向按往年的经验，12月重购金额比11月下降20-30%是合理的波动区间。

所以，这样的事实似乎无法支撑领导的观点。

2. 寻找原因的能力

实际工作中，找到问题，并将它明确之后，就要抽丝剥茧般找到问题背后的原因，而这一定要回归业务场景本身，才能在理解业务的背景下，通过数据分析，找到原因所在。

【了解业务】——梳理业务流程

了解业务的过程，实际上就是在不断沟通的过程，这也引申出数据分析师职业特性：沟通、沟通与沟通！对此暂不展开讲。在与业务沟通的过程中，要尽可能多且深入地了解目前业务的动态，尽可以还原业务的全貌。

这个例子里，因为是在单品价格高的行业里，客户购买产品后，因为产品价值高，所以一般都会存在护理需求，所以售后政策是在质保期内可以免费护理1次。

而业务也正是找到了这个切入点，针对已享受过护理次数的客户，赠送免费的护理次数，以吸引他们到店来护理，而有了面对顾客的机会，自然也就有进一步销售的可能。所以现场浙江省开门大吉价格还会准备新品、活动宣传等材料，处处精心营造成冲动消费的心理暗示。

【建立公式】——数据思维常州市场调查公司+业务流程

从业务流程中抽象出来：圈选目标客户 → 通过护理吸引到店 → 营销促销 → 消费。

应用数据思维，进一步抽象成公式：老客重购金额 = 目标老客数 * 到店率 * 转化率 * 客单价。

抑或用“人货场”业务思维进行讨论。

【理解业务】——搭建业务模型

基于公式，将流程建成立体的网状结构，形成针对某个具体场景的业务模型。

【数据分析】—— 找到问题所在

通过在业务模型的框架内进行分析比较，我们才能看到某一个业务的全貌，才能发现背后是哪个模块引出的问题。例如案例中，数据分析发现触达客户中，回柜率很低，问题可能在“老客”、“回柜”。

从历史数据上看，此次采取的吸引到店玩法都是很成熟的策略，有很好的成功案例，数据表现良好，所以问题可能就是出在“客户池”——运营维护部分，如没有分群营销。

3. 落地建议的能力

【KPI相关】

分析项目是否可推动实现很大程度上取决于是否切合业务KPI。

根据多次和业务合作的经验，尤其是对数字化决策不那么敏感的公司， 甚至是由上至下的数据分析项目，分析结论很容易沦为一纸报告，而不了了之。很大程度上，是因为分析建议与实际业务动态偏离，即并不是业务的考核重点。在资源有限的情况下，也就难以执行。

所以，在最后给落地建议的阶段，还是要回归业务，了解业务的运营计划，在现有的项目下，去试验、实践分析建议。

【符合实际操作】

问题在于用户分群的问题，应用RFM模型进行精细化运营。一般来说，RFM模型分为八大人群，根据不同人群特点进行精细化管理，例如案例中，针对重要价值人群进行新品发布会邀请等差异化体验，针对重要唤回人群进行节日关怀策略等。

但是如果了解实际业务操作的话，对于零售企业来说，并不会按八个人群去实践，而是选其中的几个重要人群，或者进行二次组合，以减少客服部门的触达量。

知道这样的背景后，就不要再去建议说分成八个人群给不同的建议，而是有优先级地划出人群优先级，或者配合给人群合并运营建议等。这样考虑到实际操作情况，业务自然也能感受。

【分析深度】

另一个落地建议，就是一定要具体可行。

在已知数据分析结论不容易落地的情况下，将结论建议尽可能地具体，给出“令人惊喜的”发现，才能更容易去推动项目。

但是不要忘记数据分析与业务执行之间的边界，在大部分情况下不要尝试去给具体的落地计划，否则很可能会引起反效果。

如何做到具体可行？则需要纵向的分析深度：

分析模型的深度理解：

如图RFM分析案例中，但在我看来，RFM模型的’KPI’在于良性人群的占比提升。所以将门店RFM人群结构及关键数据进行同期对比，可以达到进一步分析的目的。

杜邦分析与指标拆解：

这部分内容可以参考：

本文由 @饼干哥哥 于，未经作者许可，。

，基于CC0协议