一个好的数据分析师是怎样炼成的？

过去十几年，中国互联网行业依靠人口红利和流量红利野蛮生长；随着流量获取成本的增加和运营效率的下降，这种粗放式的商业模式已经行不通了。互联网公司迫切需要通过数据分析实现精细化运营，降低成本，提高效率；这也对数据分析师提出了更高的要求。

本文将与大家分享数据分析师的演变，数据分析的价值体系，数据分析师必备的四种能力，七种常用思路，以及实际分析案例。

首先，数据分析师的前世

在介绍数据分析师之前，我们先来看看这些历史人物，看看他们都与数据分析师有着怎样的渊源。

历史上著名的“分析家”

上图所示的六位历史人物(从左到右，从上到下)分别是:张亮、管仲、萧何、孙斌、鬼谷子、诸葛亮。他们都是历史上著名的谋士，有的还当过宰相。他们博览群书，眼光独到。他们通过总结大量史实发现了许多规律，并在实践中成功预言了许多事件。他们通过“历史统计-汇总分析-预测未来”的实践，为自己的组织创造了巨大的价值，这就是“数据分析师”的前身。

那么现在，一个数据分析师必备的技能是什么，如何成为一名优秀的数据分析师？

二、数据分析师的价值金字塔

一个完整的企业数据分析系统涉及很多环节:收集、清洗、转换、存储、可视化、分析和决策等。其中，不同环节的工作内容不同，消耗的时间和产生的价值也相差甚远。

数据分析价值金字塔

互联网企业的数据分析系统至少有三个方面的数据:用户行为数据、交易订单数据、CRM数据。工程师收集不同来源的数据，然后通过清洗和转换，统一到数据平台上。然后专业的数据工程师从数据平台提出数据。这些任务占据了整个环节90%的时间，但产生的价值只占10%。

这个金字塔上的数据分析与实际业务紧密结合，以报表和可视化的方式支持企业的经营决策，覆盖了产品、运营、市场、销售、客服等所有一线部门。这部分只占整个环节10%的时间，却能产生90%的价值。

一个优秀的商业数据分析师应该以价值为导向，紧密结合产品、运营、销售、客户支持的实践，支持各条业务线发现和解决问题，创造更多价值。

三、数据分析师的四大必备能力

数据分析师的四项基本技能

1.全局视图

有一天，产品经理找到我，问我:你好，能帮我看看昨天产品新功能发来的数据吗？谢谢条件反射我会说:好的，马上给你！但我礼貌地问:你为什么需要这些数据？产品经理回复:哦，新功能昨天上线了，想看看效果。知道了产品经理的目的，我就可以有针对性的提取和分析数据，分析结果和建议也就更具有可操作性。

很多时候，数据分析师不能只统计，卡在各种报表里。一个优秀的数据分析师应该有全局观，遇到分析需求时多退一步多问，更好地理解问题背景和分析目标。

2.职业化

企业中的数据科学家对用户流失进行建模和预测，用户流失模型的最终预测准确率在90%以上。准确率高到商业分析师都不敢相信经过测试，发现数据科学家的模型中有一个自变量是“用户是否点击了取消按钮”。点击“取消”按钮是用户流失的一个重要标志，做了这个动作的用户基本都会被粗制滥造。用这个自变量来预测流失，没有商业意义和可操作性。

数据分析师应展示其在行业中的专业素养(如电子商务、O2O、社交网络、媒体、SaaS、共同基金等)。)，熟悉她/他所在行业的业务流程和数据背后的意义，避免上面的数据笑话。

3.想象

商业环境变化更快更复杂，一组商业数据背后的影响因素是常人无法想象的。数据分析师要发挥想象力，大胆创新，在工作经验的基础上做出假设。

4.信任

以销售岗位为例，一个销售人员首先要和用户建立信任；如果用户不信任你，他们很难信任或购买你的产品。同样，数据分析师也要和各个部门的同事建立良好的人际关系，形成一定的信任。各部门同事信任你，他们可能更容易接受你的分析结论和建议；否则事倍功半。

四、七种常见的数据分析思路

1.简单趋势

通过实时获取趋势了解产品的使用情况，便于产品的快速迭代。用户数量、访问来源、用户行为这三个指标对趋势分析具有重要意义。

分钟级实时趋势

与周周期的趋势比较

2.多维分解

数据分析师可以根据分析需要，从多个维度分解指标。比如浏览器类型、操作系统类型、访问来源、广告来源、地区、网站/手机应用、设备品牌、app版本等等。

接入用户属性的多维分析

3.转换漏斗

根据已知的转化路径，借助漏斗模型分析整体和每一步的转化情况。常见的转化场景有注册转化分析、购买转化分析等。

漏斗分析显示了每一步登记的流失率。

4.用户分组

在精细化分析中，往往需要对具有某种行为的用户群体进行分析比较；数据分析师需要以多维度、多指标作为分组条件，优化产品，提升用户体验。

5.仔细检查路径

数据分析师可以观察用户的行为轨迹，探索用户与产品的交互过程；然后发现问题，启发或者检验假设。

通过仔细查看路径来分析用户的行为规律。

6.残留分析

留存分析是探索用户行为与回访之间的关系。一般来说，我们所说的留存率是指一段时间内“重新回到网站/app”的“新用户”的比例。数据分析师通过分析不同用户群和使用过不同功能的用户的留存差异，找到产品的增长点。

留存分析显示，“创建图表”的用户留存较高。

7.A/B测试

A/B测试是同时并行测试几个方案，但每个方案只有一个变量不同。然后通过一些规则(如用户体验、数据指标等)选择最佳方案。).在这个过程中，数据分析师需要选择合理的分组样本、监测数据指标、事后数据分析以及不同方案的评估。

动词 （verb的缩写）数据分析的实际案例

某社交平台推出了高级付费功能，以EDM(邮件直销)的形式推送给目标用户。用户可以直接点击邮件中的链接完成注册。该渠道注册转化率一直在10%-20%之间；然而，8月下旬，注册转化率大幅下降，甚至不到5%。

如果你是这家公司的数据分析师，你会怎么分析这个问题？换句话说，是什么因素可能导致EDM转化率暴跌？

一个优秀的数据分析师，应该具备全球视野和专业素养，从业务实际出发，综合各方面的可能性。因此，EDM注册转化率突然下降的可能性如下:

1.技术原因:ETL延迟或失败，导致前端注册数据缺失，注册转化率大幅下降；

2.外部因素:这个时间节点是否有节假日，最近是否有其他部门给用户发促销邮件，可能会稀释用户的注意力；

3.内部因素:邮件的文案和设计是否有变化；邮件的到达率、打开率、点击率是否正常；邮件注册流程是否顺畅。

经过逐一调查，数据分析师将原因锁定在注册环节:产品经理在注册环节增加了绑定信用卡的内容，导致用户提交注册意愿明显下降，转化率大幅下降。

一个看似简单的转化率分析问题，背后却是数据分析师各方面能力的体现。首先是技术层面，对ETL(数据抽取-转换-加载)的理解和认识；其实是全局观，在季节和公司层面对业务有清晰的认识；最后是专业性，对EDM业务的流程和设计了如指掌。

练习数据分析的力量不是一蹴而就的，而是在实践中不断的成长和升华。一个优秀的数据分析师应该以价值为导向，放眼全局，立足业务，善待他人，用数据驱动增长。