有同学会说,得先定义清楚数据分析。
是的,想定义清楚数据分析,不能看他叫什么,而要看他做什么。适用于任何职位。
总结有4个方向可能影响到日常工作内容,按影响程度排列:
1、所在的部门
2、历史工作年限+入职时长
3、个人的技术栈
4、数据部门的规模
既然是一个特定职业,那么无论在什么部门,无论工作多久,一定是有一定的共性的。就像画家总会拿起自己的画笔,司机自然会有一辆车~
那数据分析师,有哪些共性呢?
我们先简单定义分析师为:对数据进行一定的处理,并辅助需求方决策。
/ 共性1:对数据进行处理
对数据处理的工具有很多,但是基本都绕不开两个核心 EXCEL + SQL
/ 共性2:了解业务
想要辅助决策,首先要了解对方干什么。
如何了解业务?通过数据看业务的表现,和需求方沟通,参与需求方的会议,到需求方进行轮岗等。
这些内容可以用流程图+文档记录,帮助自己理解业务流程及细节。
/ 共性3:可视化传递信息
需要将信息有效的传递到需求方中,需要使用合理的方式将信息传递。
可视化是常见的且有效的方式。
这里一般使用EXCEL就可以完成对大多数的需求。但是更建议掌握一个BI工具。
推荐使用商业化产品,例如tableau,power bi等。
汇报时,可以使用PPT,但是要注意效率问题,毕竟制作一个逻辑合理,美观的PPT还是很肝的。
/ 总结
无论你在什么部门,什么行业
EXCEL + SQL + BI + 流程图(了解业务)
对于小白来讲,快速掌握以上几点,是进入工作角色有力的保障。
非共性的部分
/ 1、所在部门影响的工作内容
1、数据中台组
当项目有多条业务执行线时,且部门对全部业务线服务时,该数据部门就可以定义为中台组。比如,同时为产品、市场与渠道、运营提供数据支撑~
这个时候更多的会在底层数据服务。除共性内容外:
1、了解数据库存储逻辑,字段含义。了解数据指标具体定义及产出逻辑。
2、承接各需求部门提数需求,部分可能会需要python等脚本语言来处理。
3、数据埋点文档产出。
4、为业务方提供的数据产品的配置及培训等。
2、运营部门
活动运营:会统计每一次活动的效果,及流程转化率,产出每次的数据结案,及是否优化建议。主要会关注到成本情况,效益情况,各流程转化率情况,用户在活动后表现。
用户运营:了解用户生命周期。产出用户画像及用户分层规则,并执行精细化运营的逻辑策略,同时统计效果。有能力需进行频繁的AB测试,沉淀测试结论。
其他运营:略
3、市场及渠道部门
统计投放及效益数据,核心为成本模型的搭建。
并测试出各种渠道的效果,可以根据不同的目标,进行投放的调整。
2021年了,除了传统的渠道方式,现在更有私域渠道,社交媒体渠道。可能会要求了解新型营销内容,技术上可能会要求爬虫技能。
4、产品部门
1、主要为产品功能的数值监测,新功能数据复盘,用户路径分析
2、功能AB测试,提供分析结果及测试建议
3、寻找用户留存和活跃的魔法数值,该部分和用户运营重叠。
5、战略情报部门
1、市场研究及竞品分析
2、企业成本模型,用户分析
3、使用PPT进行信息传递
4、可能会要求爬虫技能【工具】
6、算法组
1、为数据挖掘提供EDA分析,描述分析
2、提供业务建议
注:算法与数据分析是两码事,已经完全是另外一种工作。
/ 2、历史工作年限+入职时长
这个主要是决定在 一线工作内容 和 资源协调沟通的 上的时间分配问题。
比如:
实习生:一线工作内容 100%,还不一定可以做的很好
初级数据分析师:一线工作内容90%,资源协调沟通 10%
高级数据分析师:一线工作内容50%,资源协调沟通 50%
管理:一线工作内容20%,资源协调沟通 80%
从高级分析师开始,大概率已经会有partner或者开始带人了。
/ 3、个人的技术栈
不会python会影响数据分析么,在绝大部分是不会的。
但是会python的时候,在一定程度上可以做更多的事情。
比如将自己的某些需求自动化。比如自己爬虫一些内容。
比如会R在统计分析上,可能也会有一定的优势。
比如只会power bi 或者只会 tableau的人,工作方式也会有一点点的不同。
但是这里也有一个巨大的陷阱:
1、自己给自己的陷阱:过于专注于某一个技术手段,忽略了数据分析核心的内容。技术手段长远来看,基本上都会被工具所代替。
2、公司给自己的陷阱:比如公司会让你爬数据,而不单独招一个工程师。相当于身兼多职,在数据分析方向投入的精力就会相对较小。
/ 4、数据部门的规模
数据部门的规模大小,决定了大家的分工情况。这个数据部门也包含数仓等岗位。
企业的数仓建立完善,报表工具高效,BI工具完善,埋点数据健壮,运营系统数据支持完备。
那么分析师在这些环节就不需要投入太多的精力,会更多的投入到业务方向上。
否则,哪里有缺失,数据分析师作为润滑剂或枢纽,就会在哪个环节人肉顶上。
发表评论 取消回复