-
-
宋宋 数据领袖Lv6
发表于2020-5-22 10:18
楼主
本帖最后由 宋宋 于 2020-5-22 10:35 编辑
分享一位腾讯高级数据分析师 Alice 在公司 7 年做了 7 个产品的数据分析后，对数据分析的思考和理解。
1、你为何选择数据分析师这个职业？Alice：我毕业进入腾讯，就从事数据相关的工作，刚开始做大数据主要是数据开发，也就是按需求做数据报表，基本不涉及数据分析；大概在 2014 年随着数据开发的成熟，个人也想在大数据方向上往前更进一步，同时产品同学对数据支持产品决策有了更高的要求，于是开始在数据分析上探索。
2、你最擅长的一门分析工具是哪个，为什么选择它？Alice：做数据分析平时用的最多的是 SQL+EXCEL，在大公司做数据分析，这两个工具用好基本能满足 80%的分析，剩下的 20%看具体需求再选择相应的工具；小数据量建模或者可视化可以选择 python、R，更推荐 python，可用的包更多更方便，不想写代码的可以用 spss、sas 建模，Tableau 做可视化；大数据量建模用 spark+scala；社区分析可以用 gephi。
3、你觉得什么人适合从事数据分析工作？Alice：这个不好下绝对定论，我觉得你只要对数据感兴趣就可以从事数据分析工作，未来数据分析应该是各行各业需要具备的基础技能，就像大家现在都会使用电脑办公一样。
4、你觉得优秀的数据分析师应该具备什么素质和技能？Alice：这个问题和上一个问题是有关联的，虽然从事数据分析工作门槛很低，但要把工作做好我觉得还需要具备以下特点：
1）业务问题转化能力：将业务问题转化为数据问题，如“评估产品是否健康”、“一款直播产品要不要做短视频运营”等，这些问题都是产品问题或者运营问题，需要进一步将其转化为数据问题才能分析，一个好的业务问题是数据分析的关键，需要通过深入理解业务再加上自己的思考才有这样的思维。
2）数据敏感度：看到的数据不仅是数字本身，而是对应的产品经营状况度量；数据敏感度不是短期内就能立即提升的，需要长期看数据并结合业务逻辑思考，才能逐步具备数据敏感度。
3）逻辑推理能力：做数据分析很像数学证明题，通常是先有假设，再通过一系列数字证据，来证明假设或者推翻假设，所以需要具备一定的逻辑推理，可以通过阅读别人的分析报告，学习已有的推理方式来获得技能。
4）推动策略落地：这是做数据分析至关重要的环节，没有落地的数据分析都是无用功；在公司内大部分情况是跟产品经理协作完成，为了保证策略能够落地，做到两点很重要：策略要在业务当前的关键路径上；策略需要分解到小团队或者个人。
5）基本分析工具：这是分析的基础，在第 2 个问题有提到，这里不赘述。
5、在数据分析工作中，你最不愿意干的活是哪些？Alice：1）重复机械的工作
2）与完全不懂数据的产品和研发同事沟通需求和数据上报
3）自己认为没有意义的老板需求
虽然不愿意做的事挺多，但一份工作不可能 100%都是自己喜欢的，努力把自己不喜欢的工作做到自动化和规范化，减少这块的工作耗时，有更多时间做更有意义的事情。
6、在数据分析工作中，哪些让你觉得最有成就感？Alice：1）分析报告提出的策略被业务方采纳，并有效落地执行，对业务产生很大的商业价值。
2）采用创新的分析方法来解决问题，并进一步沉淀方法论，复用到多个业务场景，最后做到工具化。
7、你觉得数据科学未来的趋势会是怎样？Alice：数据科学和数据分析是两个不同的领域，在数据分析向更精细工种发展的过程中，出现了两类更专业的领域：增长分析和数据科学。增长分析主要是以产品增长为核心的数据分析，要求从业者不仅具备数据分析能力，还要具备较强的产品策划能力，该岗位往往是产品策划居多。数据科学顾名思义是让数据决策更加科学的进行，要求从业者不仅具备数据分析能力，还要具备扎实的统计学、算法建模等能力，数据分析人员居多。数据科学未来可能会在实验分析、智能分析这些领域的专业性上快速发展。结合网上对数据科学的技能要求以及个人理解列举了数据科学的能力图：
8、你觉得增长黑客的方法与传统的增长方法，有什么不同？Alice：增长黑客的方法主要从北极星指标拆解，确定当前增长重点，大家围绕同一个重点目标，协同各个团队寻找所有能达到这一目标的增长手段；传统的增长方法从 KPI 开始分解，依据每个团队的职能和资源给其分配 KPI 指标，进而达成整体 KPI 完成；
差异点：
1）增长黑客更强调“敏捷和实验”，增长策略需要通过 ICE（impact 价值、confidence 成功率、easy 上线成本）对比评估确定低成本且价值较大的策略，强调要敏捷，所有策略都必须通过上线实验评估收益，只有正向收益的策略才会被放量上线，这些在传统增长方法中较少提及。
2）组织架构差异，增长黑客通常增长策略和研发在同一团队，便于高效协作；传统的增长团队主要是按照职能划分，运营、策划和研发在不同的团队。
共同点：
二者主要差异在增长理念和体系，但在解决具体问题所采用的分析方法上是一致的，用户生命周期划分基本一致，主要包括新增、留存、回流、拉收等，在每个周期通过相似的数据分析方法寻找增长策略；
9、你如何平衡你的工作和生活？Alice：这个问题我也思考了好几年，结论是工作和生活无法平衡，只能是取舍，我们能做的就是在工作时间认真工作，非工作时间好好生活，但其实能做到这个也不容易，这也是“知行合一”的一种体现。
10、善良和聪明，你觉得哪个更重要，为什么？Alice：在数据分析工作中，我对善良和聪明的理解：
1）善良是让严谨的数据说话，不带任何个人偏向去解读数据。
2）聪明是老板想要什么样的数据，或者你想让数据呈现什么样的结论。
数据本没有善恶，但在数据解读的过程中，由于看数据的角度不同或者观察指标差异，可能会得出相反的结论，这时候就存在矛盾。我觉得这时候就要回到数据本身，寻找更科学的解决方法，摒弃有风险的指标，遵从数据本来的意义。
11、你做了这么多 toC 业务的分析工作，你认为不同业务之间，数据体系有什么区别（比如游戏和会员）？数据分析师是否有通用的方法来构建不同类型业务的数据体系？Alice：数据体系可以粗略划分为通用模块和个性模块两部分，下面内容会涉及这两部分的建设方法。给一个新产品构建完善的数据体系，主要通过以下四个步骤：
1）首先，需要对数据体系有个基本的了解，大致包含哪些模块，便于在设计的时候有针对性；不同产品数据体系从大的模块上来讲基本是类似的，比如规模、用户健康度和渠道监控等，见下图，一个产品从灰度到整个生命周期需要观测的指标大致如下：（部分细节可能与实际产品不符）
2）其次，利用 OSM 模型梳理自己产品的数据框架，而不同产品的数据体系差异也主要体现在该步骤：
以游戏用户留存为例，对于游戏业务来说，还有其他业务目标比如收入，也可以按类似方法梳理：
3）结合 1、2 信息列出自己业务的数据体系
以游戏为例，蓝色为通用模块，未展开描述，绿色为游戏业务特有模块：
4）规划完成后必须用 CSCE 准则来检验数据体系的合理性：
注意：完整的数据体系指标会比较细，但北极星指标在某一段时间内通常 1~2 个，另外会有几个二级指标来辅助北极星指标达成；要注意上述数据体系的设计方法和北极星指标的制定方法不同，曲卉老师详细介绍过北极星指标的制定方法，感兴趣的同学可以去查相关资料。
12、你认为 AI 会取代数据分析师吗，为什么？它能够取代哪部分？Alice：AI 是用来提升数据分析的效率，但无法取代数据分析师。我认为对于已经具备成熟方法论的老问题，可以通过 AI 将方法论转化为计算机能识别的逻辑，自动帮我们发现问题->分析问题，但最后的策略 AI 是无法执行的，需要结合业务的思考才能确定落地策略；对于没有任何方法论的新问题，AI 就束手无策了，需要数据分析师来解决，经过不同场景的迭代测试，进而形成方法论，再通过 AI 自动化。
13、对于想进入数据分析领域的新人，你有什么建议？推荐哪些书？Alice：问题 4 提到的数据分析需要具备的素质和技能都要夯实起来，从体验产品开始，深入思考再结合数据指标提出问题->敏捷分析->实验验证->优化产品，不断重复这个循环，且持续做方法沉淀。
推荐的书：
来源互联网
分享一位腾讯高级数据分析师 Alice 在公司 7 年做了 7 个产品的数据分析后，对数据分析的思考和理解。
1、你为何选择数据分析师这个职业？Alice：我毕业进入腾讯，就从事数据相关的工作，刚开始做大数据主要是数据开发，也就是按需求做数据报表，基本不涉及数据分析；大概在 2014 年随着数据开发的成熟，个人也想在大数据方向上往前更进一步，同时产品同学对数据支持产品决策有了更高的要求，于是开始在数据分析上探索。
2、你最擅长的一门分析工具是哪个，为什么选择它？Alice：做数据分析平时用的最多的是 SQL+EXCEL，在大公司做数据分析，这两个工具用好基本能满足 80%的分析，剩下的 20%看具体需求再选择相应的工具；小数据量建模或者可视化可以选择 python、R，更推荐 python，可用的包更多更方便，不想写代码的可以用 spss、sas 建模，Tableau 做可视化；大数据量建模用 spark+scala；社区分析可以用 gephi。
3、你觉得什么人适合从事数据分析工作？Alice：这个不好下绝对定论，我觉得你只要对数据感兴趣就可以从事数据分析工作，未来数据分析应该是各行各业需要具备的基础技能，就像大家现在都会使用电脑办公一样。
4、你觉得优秀的数据分析师应该具备什么素质和技能？Alice：这个问题和上一个问题是有关联的，虽然从事数据分析工作门槛很低，但要把工作做好我觉得还需要具备以下特点：
1）业务问题转化能力：将业务问题转化为数据问题，如“评估产品是否健康”、“一款直播产品要不要做短视频运营”等，这些问题都是产品问题或者运营问题，需要进一步将其转化为数据问题才能分析，一个好的业务问题是数据分析的关键，需要通过深入理解业务再加上自己的思考才有这样的思维。
2）数据敏感度：看到的数据不仅是数字本身，而是对应的产品经营状况度量；数据敏感度不是短期内就能立即提升的，需要长期看数据并结合业务逻辑思考，才能逐步具备数据敏感度。
3）逻辑推理能力：做数据分析很像数学证明题，通常是先有假设，再通过一系列数字证据，来证明假设或者推翻假设，所以需要具备一定的逻辑推理，可以通过阅读别人的分析报告，学习已有的推理方式来获得技能。
4）推动策略落地：这是做数据分析至关重要的环节，没有落地的数据分析都是无用功；在公司内大部分情况是跟产品经理协作完成，为了保证策略能够落地，做到两点很重要：策略要在业务当前的关键路径上；策略需要分解到小团队或者个人。
5）基本分析工具：这是分析的基础，在第 2 个问题有提到，这里不赘述。
5、在数据分析工作中，你最不愿意干的活是哪些？Alice：1）重复机械的工作
2）与完全不懂数据的产品和研发同事沟通需求和数据上报
3）自己认为没有意义的老板需求
虽然不愿意做的事挺多，但一份工作不可能 100%都是自己喜欢的，努力把自己不喜欢的工作做到自动化和规范化，减少这块的工作耗时，有更多时间做更有意义的事情。
6、在数据分析工作中，哪些让你觉得最有成就感？Alice：1）分析报告提出的策略被业务方采纳，并有效落地执行，对业务产生很大的商业价值。
2）采用创新的分析方法来解决问题，并进一步沉淀方法论，复用到多个业务场景，最后做到工具化。
7、你觉得数据科学未来的趋势会是怎样？Alice：数据科学和数据分析是两个不同的领域，在数据分析向更精细工种发展的过程中，出现了两类更专业的领域：增长分析和数据科学。增长分析主要是以产品增长为核心的数据分析，要求从业者不仅具备数据分析能力，还要具备较强的产品策划能力，该岗位往往是产品策划居多。数据科学顾名思义是让数据决策更加科学的进行，要求从业者不仅具备数据分析能力，还要具备扎实的统计学、算法建模等能力，数据分析人员居多。数据科学未来可能会在实验分析、智能分析这些领域的专业性上快速发展。结合网上对数据科学的技能要求以及个人理解列举了数据科学的能力图：
8、你觉得增长黑客的方法与传统的增长方法，有什么不同？Alice：增长黑客的方法主要从北极星指标拆解，确定当前增长重点，大家围绕同一个重点目标，协同各个团队寻找所有能达到这一目标的增长手段；传统的增长方法从 KPI 开始分解，依据每个团队的职能和资源给其分配 KPI 指标，进而达成整体 KPI 完成；
差异点：
1）增长黑客更强调“敏捷和实验”，增长策略需要通过 ICE（impact 价值、confidence 成功率、easy 上线成本）对比评估确定低成本且价值较大的策略，强调要敏捷，所有策略都必须通过上线实验评估收益，只有正向收益的策略才会被放量上线，这些在传统增长方法中较少提及。
2）组织架构差异，增长黑客通常增长策略和研发在同一团队，便于高效协作；传统的增长团队主要是按照职能划分，运营、策划和研发在不同的团队。
共同点：
二者主要差异在增长理念和体系，但在解决具体问题所采用的分析方法上是一致的，用户生命周期划分基本一致，主要包括新增、留存、回流、拉收等，在每个周期通过相似的数据分析方法寻找增长策略；
9、你如何平衡你的工作和生活？Alice：这个问题我也思考了好几年，结论是工作和生活无法平衡，只能是取舍，我们能做的就是在工作时间认真工作，非工作时间好好生活，但其实能做到这个也不容易，这也是“知行合一”的一种体现。
10、善良和聪明，你觉得哪个更重要，为什么？Alice：在数据分析工作中，我对善良和聪明的理解：
1）善良是让严谨的数据说话，不带任何个人偏向去解读数据。
2）聪明是老板想要什么样的数据，或者你想让数据呈现什么样的结论。
数据本没有善恶，但在数据解读的过程中，由于看数据的角度不同或者观察指标差异，可能会得出相反的结论，这时候就存在矛盾。我觉得这时候就要回到数据本身，寻找更科学的解决方法，摒弃有风险的指标，遵从数据本来的意义。
11、你做了这么多 toC 业务的分析工作，你认为不同业务之间，数据体系有什么区别（比如游戏和会员）？数据分析师是否有通用的方法来构建不同类型业务的数据体系？Alice：数据体系可以粗略划分为通用模块和个性模块两部分，下面内容会涉及这两部分的建设方法。给一个新产品构建完善的数据体系，主要通过以下四个步骤：
1）首先，需要对数据体系有个基本的了解，大致包含哪些模块，便于在设计的时候有针对性；不同产品数据体系从大的模块上来讲基本是类似的，比如规模、用户健康度和渠道监控等，见下图，一个产品从灰度到整个生命周期需要观测的指标大致如下：（部分细节可能与实际产品不符）
2）其次，利用 OSM 模型梳理自己产品的数据框架，而不同产品的数据体系差异也主要体现在该步骤：以游戏用户留存为例，对于游戏业务来说，还有其他业务目标比如收入，也可以按类似方法梳理：
3）结合 1、2 信息列出自己业务的数据体系
以游戏为例，蓝色为通用模块，未展开描述，绿色为游戏业务特有模块：
4）规划完成后必须用 CSCE 准则来检验数据体系的合理性：注意：完整的数据体系指标会比较细，但北极星指标在某一段时间内通常 1~2 个，另外会有几个二级指标来辅助北极星指标达成；要注意上述数据体系的设计方法和北极星指标的制定方法不同，曲卉老师详细介绍过北极星指标的制定方法，感兴趣的同学可以去查相关资料。
12、你认为 AI 会取代数据分析师吗，为什么？它能够取代哪部分？Alice：AI 是用来提升数据分析的效率，但无法取代数据分析师。我认为对于已经具备成熟方法论的老问题，可以通过 AI 将方法论转化为计算机能识别的逻辑，自动帮我们发现问题->分析问题，但最后的策略 AI 是无法执行的，需要结合业务的思考才能确定落地策略；对于没有任何方法论的新问题，AI 就束手无策了，需要数据分析师来解决，经过不同场景的迭代测试，进而形成方法论，再通过 AI 自动化。
13、对于想进入数据分析领域的新人，你有什么建议？推荐哪些书？Alice：问题 4 提到的数据分析需要具备的素质和技能都要夯实起来，从体验产品开始，深入思考再结合数据指标提出问题->敏捷分析->实验验证->优化产品，不断重复这个循环，且持续做方法沉淀。
推荐的书：
- SQL 基础：《SQL 必知必会》；
- 数据分析：《深入浅出数据分析》、《精益数据分析》；
- 增长理念和实践：《增长黑客》作者：肖恩、《硅谷增长黑客实战笔记》作者：曲卉；
- AB 实验：《数据驱动设计-A/B 测试提升用户体验》；
- Python 做数据分析：《利用 Python 进行数据分析》
来源互联网
