关于如何从不同背景过渡到数据分析的5点思考

您是否正在寻找在数据分析领域中的角色?您来对地方了!

如今,感觉像是世界上一半的人都希望进入数据分析领域,并获得了令人赞叹的待遇,并且在行业中提供了很多开放机会。组织正在对数据分析人才进行大量投资,以保持或领先于竞争对手。作为数据分析的追求者,您不可能选择一个更好的时间来改变您的职业!

但这带来了自己的挑战。我的网络中经常有人问我应该如何过渡到数据分析。来自各种背景(IT,销售,财务,人力资源,医疗保健等)的人们都希望获得数据分析的一份子。

首先让我消除您的疑虑- 从您当前的工作(或研究)完全有可能过渡到数据分析。这就是我们将在本文中讨论的内容!

在本文中,我整理了从互联网上获得的最佳答案。我们将讨论如何从这些背景过渡到数据分析:

软件工程/开发

金融

UX(用户体验)

应用开发

没有相关/技术背景的新生

1.从软件工程师角色转变为数据分析师角色 – Yassine Alouini

这个选择是为寻求过渡到数据分析的软件工程师而设计的。Yassine列出了进入数据分析应该做的事情。他还解释了什么样的角色适合软件工程师进入该领域。

从技术上讲,这些角色并不是“规范”的数据分析师角色,而是足够紧密并在较大的数据分析领域中得到了考虑。

如果您仍然想成为一名数据分析师,那么您应该研究以下技能:

基本概率和统计:没什么花哨的,只是基本的东西

SQL:您可能熟悉这种(古怪的)语言。您可能已经使用ORM与其他数据库进行交互。了解更多有关它的信息:窗口函数,CTE,触发器,良好的SQL样式指南等

建模:同样,没有什么太花哨的。学习一些好的模型以及何时使用它们。需要时在线阅读文档和教程。此技能还需要您所从事工作的领域知识(从健康保险到仓库物流)

数据可视化:数据分析在变成图表之前不是很有价值:可以是地图,时间序列,3D饼图(开个玩笑,请不要那样做)或其他任何东西

报告:一旦您有了扎实的见解,就应该将其提供并组织成一份引人注目的报告。它可能是文档或仪表板(总是喜欢这些)

沟通:最后,您已经生成了报告和/或仪表板。与同事和上司讨论时,请放心。这是一项很难掌握的技能,但从长期(和短期!)的角度来看完全值得

2.从金融到数据分析的职业过渡 –理查德·萨尔达尼亚

金融似乎很适合数据分析,不是吗?这是一个数字字段,与数据分析领域很好地融合在一起。BFSI部门在数据分析采用方面处于领先地位并非偶然!

因此,如果您来自会计/财务背景,那么您就已经实现梦想成为数据分析角色了。

如果您想担任金融业的数据分析师,则可能需要以下大多数(如果不是全部)属性:

数学/统计学,计算机科学,物理,工程或具有重大数学内容的学科的学位

具有多种语言(包括编译和解释)的编程能力,例如C / C ++,S(例如,以R实现),Matlab,Python和/或Java

在任何传统的RDBMS(例如MySQL,PostgreSQL,Oracle,SQL Server)中都具有良好的数据库技能(即至少SQL编程)

擅长处理来自彭博社,路透社的时间序列数据或任何可用的大量财务数据流

但是,在金融领域从事数据分析工作的人还有两个非常重要的特征,这些特征很少被讨论:

您需要能够与非专业人士进行口头和视觉上的数学思想交流

您需要知道如何利用他们的数学训练来解决真正的商业问题

除此之外,您还需要对优化(在学校学习到的线性代数和微积分作为基础),统计推断,模拟,多元分析和适当的数据可视化有很好的理解。

如果您接受过此类培训,那么理解诸如支持向量机,神经网络,随机森林和梯度增强之类的技术仅仅是跳,跳,跳。

3. UX设计人员/研究人员应该成为数据分析师吗?–克里斯·贝克尔(Chris R. Becker)

这是一个有趣的职业过渡!老实说–我没有考虑过要过渡到数据分析的UX用户。

克里斯·贝克尔(Chris R. Becker)的答案侧重于学习数据分析工具,同时牢记UX体验。他陈述了UX设计人员已经在使用的一些工具,以及这些工具如何用于数据分析目的。他强调与数据分析团队合作,以更深入地研究关键数据分析主题。

这些是执行UX和查找数据模式所必需的数据工具和方法。但是,它们的范围和范围有限。

如果您想更深入地研究数据分析工具和语言,这将变得更加复杂。您可以学习高级Excel,Tableau或sci-sense之类的数据工具,或者使用D3.js或R这样的数据库来学习JavaScript之类的代码。这些工具和代码语法很难学习。

作为UX研究人员,我宁愿与数据分析师一起工作,也不必学习其他职业才能有效地完成工作。我认为了解数据的可能性,然后根据需要寻找专业知识至关重要。在这种情况下,显然会精通数据分析工具,并与数据分析师合作。寻找可以帮助您在研究数据中找到新的相关模式的团队成员。

 4.我如何成功地从应用程序开发转向数据分析 – Ankita Ghoshal

考虑到它的相关性,我从Analytics Vidhya文章本身中得到了这个答案。许多应用程序开发人员希望过渡到数据分析,但不确定他们是否具备足够的资格。

Ankita Ghoshal撰写的这篇文章将消除任何疑问!她详尽地解释了,如果您现在就开始,如何才能成功地完成这一职业过渡!

进入新领域的最佳方法是首先了解当前技术。您可能已经猜到,2016年的流行语是“数据分析”和“机器学习”。

我已经通过在线文章模糊地听说了这些术语。我开始探索该领域的职业选择,发现统计学是数据分析的基础。这与我的兴趣完美契合-统计信息一直让我着迷。没有什么比在您喜欢的领域里工作更好了!

Google在“ Analytics机器学习教程”上进行了快速搜索,使我进入了印度最大的数据分析社区“ Analytics Vidhya”。我浏览了他们关于教育机构的文章,这些机构提供了数据分析职业课程。

在转用数据分析之前,我将大部分职业都花在了编程上。小时候,我学习了统计学,但是那些概念早已被遗忘了(因为我敢肯定您会与之联系的!)。进行这种过渡确实很艰难,但并非没有可能。

关键是永远不要停止学习。在此切换过程中,我意识到您不需要学习现有技能就可以学习新技能。我将编程技能用作IT和数据分析之间的桥梁,以更合理地构造机器学习代码。

这一过渡也帮助我理解了项目结果的呈现方式因行业而异。

例如,在IT行业中,Web开发项目的输出是涉众完全可以理解的网页。在数据分析领域,输出通常是数字。数据分析专业人员的作用是使用指示性故事向客户/利益相关方透露这些数字。

对于准备开始向数据分析过渡的人员,我建议您仔细阅读以下建议:

1.问问自己- 您是否真的对数据分析感兴趣并且很合适?不要仅仅因为魅力和炒作而倒下。在线上有大量资源,例如有关Analytics Vidhya的各种文章和博客,以了解该领域的全部内容。

2.统计人员和编程专业人员无疑将拥有一些优势。但这是个好消息– 即使非技术人员也可以过渡。最重要的是您的思维过程以及质疑和分析手头信息的技巧

3.如果您是其他任何领域的经验丰富的专业人员,那么在转向数据分析时,都准备好被视为一个相对较新的职业。对于许多人来说,接受您必须放弃多年资历的过渡可能会非常困难。我明白那个。但是,如果您尽力而为,那么这个行业将为您提供更多的知识,更大的成功和惊人的加薪

5.成为数据分析师不需要任何背景 – Arun Korupolu

我们看到的最常见的问题之一是–我可以成为没有技术/工程背景的数据分析师吗?简短的答案–是的!

以下Arun的答案完美地总结了我们的想法。您不一定需要博士学位。甚至是要开始的编程背景(尽管如果您有这种经验,那可能会有所帮助!)。

从长远来看,成为一名数据分析师并不需要任何背景,这与您的兴趣有关,您询问是否有兴趣使用数据并设想自己将数据和决策制定结合在一起。

我可以建议一个高级学习途径,但是个人在时间和精力上的学习需求可能需要在这些步骤中进行适当的调整。

理想情况下,如果没有任何经验,那么初学者将需要开始学习编程。您可以按照以下三个步骤进行学习:

学习编程(R或Python)并精通该语言

获得这些学科的知识- 中级统计与概率,大学代数,线性代数,机器学习算法和方法

与独立项目合作。在解决这些项目的目标的同时,尝试逐步进行学习

开放到这种程度的数据分析学习,你绝对没见过

近几年,随着大数据的发展,很多人都想在这个领域有所收获,想要入门,无非是从数据分析或者人工智能入手,很多人选择了相对技术要求比较低的数据分析

那么,数据分析应该怎么学习呢?众多职业培训机构给出了很多“款式”供君选择。

有考虑到在职人员时间问题的,就诞生了一大批的线上课程,很好的解决了在职人员没有时间学习的问题,但是时间确实很长,有些课程要学5个月才能学完,这需要很强的自律和毅力才能做到。

有考虑到线上学习时间长效果不是很好的,就出现了线上加线下的学习方式,部分课程自己线上学,部分课程线下集体学,虽然看似不错,但是依然是比较散乱的学习,很难做到一气呵成。

还有考虑学习效果的,凤毛菱角式存在的线下教学,这种教学在很多人看来是落后的,不可取的,但这种方式无疑确实学习效果最好的。九道门商业数据分析实训课就是这种另类的存在。

将理论与现实结合,在学习中拓宽学员视野,仅此一点就是线上教育很难做到的。

8月25日,九道门老师带领学员参观了中国(杭州)工业互联网小镇,带领学员亲身体验了以阿里云supET工业互联网创新为引擎的,集聚了5G技术、信息软件、工业APP、人工智能、云计算、大数据、物联网等领域的数据时代新技术。

在参观过程中,老师用实例告诉学员,他们学的哪些知识点在企业应用中是怎么存在的,他们的学的商业数据分析与工业数据分析的区别在什么地方,让学员更清晰地了解到自己所学知识的未来用武之地,也更清晰自己所学知识在未来职场中的重要的性。

这种开放式的教学,对塑造学员的综合能力与素质有着非常最重要的作用,“职业教育要区分于知识教育,职业教育除了教会学员必备知识外,还要从职场生存、职业生涯上不断去帮助学员成长,我们认为出于这种本心的教学设计,才是最有利于学员的职业教育。”九道门带队老师说“我们的教学设计中,除了实地参观外,还穿插着很多职业综合能力提升的设计元素,我们不光要教会知识,还要教会学员的职场竞争综合能力。”

数据分析师是企业的智能大脑,需要通过数据分析给出决策者最科学的运营建议,还需要通过自己的语言表达能力将建议讲述给决策者,所以,商业数据分析师岗位,不是一个仅仅需要懂技术的岗位,而是一个需要综合能力比较强的核心岗位。

九道门第6期商业数据分析实训营1阶段提报会

“你的表现让我很意外,这么多期的数据分析实训营中,你是第一位在第一阶段课程结束后就表现的如此优秀的学员,你的说服演讲能力很强。”听完九道门商业数据分析学院第6期实训营的学员演讲,参加过多次九道门学员能力测评的党总如是说道。

如何讲好一个项目?是数据分析师必须具备的技能。

2020年8月24日,对于参加九道门数据分析实训的学员们来说,是一个比较特殊的日子——第一期数据分析项目提报会。三个小组的小伙伴们用了2天时间做出来的分析报告到底在老总的眼中是怎么样的呢?流程是否讲清楚?目的是否明确?

其实第一阶段的提报仅仅只是给初学者们一次学习成果测评的机会,作为一名优秀的数据分析师,学习完第一阶段的课程是完全无法胜任的,第一阶段只是做了一些最简单的流程化学习,最终要的数据分析思维还是要在后3个阶段的不断学习中去锻炼成长的。

九道门在教学过程中偏向于项目实战,主要是通过不断做项目,强化学员基础工具使用,锻炼学员项目操作能力以及项目分析思维,尤其是我们会带着学员去接企业真实项目,让学员全程参与到一个完整的项目中去。

同时还会非常注重学员职场综合能力的提升,通过分组对抗,提升学员的竞争意识;通过随机分组,锻炼学员与不同人之间的协作能力;通过项目提报,锻炼每位学员的演讲能力;通过现场企业老总打分,摄影摄像,现场直播等形式,锻炼学员的抗压能力......

这样压力,你能承受得住吗?这样的场景,你还能逻辑清晰吗?数据分析师,除了会分析,还要能把分析结果描述出来,并通过自己的数据分析结果说服决策者,这些,你做得到吗?

MyStory:我如何从软件开发员成为数据分析分析师?

背景

老实说,我内心的声音总是告诉我要相信我擅长数字沟通,我应该成为一名数据分析师。无论我走了多少错误的路,我的船都一直航行到我本应沿着的海岸。在介绍我如何进入这个非凡的领域–数据分析与分析之前,我将带您完成我尝试过的其他工作。

一切如何开始?

我当时正上大学的预科课程,老实说,我不知道毕业后会从事什么职业(就像大多数印度学生一样)。我在一家初创公司担任实习生,担任“实习Android开发人员”。

坦白地说,我确实喜欢创建东西的想法,但是我从来没有用它来进行核心软件开发。从事此实习的唯一原因是我对创建漂亮的用户界面的热情。在实习之前,我确实经历了一些关于Android开发的MOOC。在创建应用程序2个月后,我开始觉得那不是我的事。好吧,这绝对并不意味着我在这方面做得不好,但是我一生都看不到自己在做。

得到味道

早在2015年,我就领略了这个令人惊奇的领域。我记得,这是所有有抱负的数据分析师提出的一个热门问题之一,即“数据分析的哪种编程语言-R,Python,SAS?”

从那天开始,我一直在视听领域度过重要的时光。但是真正的挑战尚未显现。

我有没有找到分析工作?

没有!因此,对我来说,现在仍然不是一个快乐的时光。

奋斗是真实的,永远值得

我开始申请数据分析工作,但大多数职位都是寻求硕士/博士学位的学生(尤其是统计学专业)。除此之外,由于我这次大学毕业,所以我也开始寻找预测性业务分析课程。

向MOOC学习并不容易,而且很费时间,尤其是当您在完全不同的领域工作时。我必须承认毅力是使我成功的关键。我一直关注AV,并开始参加他们进行的大多数数据黑客马拉松,尤其是离线的。这是结识相同心态的人的好地方,这使我可以学习数据分析的大多数技巧。

我还学习了一些有关Coursera的基础课程,其中Excel到MySQL的商务技术就是其中之一。最初,我曾经在比赛中得分惨不忍睹,但我一直坚持尝试。请记住,即使您是否赢得了比赛,您总是会带走大量的知识-因此请继续参加比赛。就我而言,我意识到如果有期限,我就是那种表现最好的人。

同时,我在保险业的财产与意外险行业担任分析师。我的工作性质并不需要我使用很多尖端技术。尽管如此,我一直试图寻找使用新工具和技术的方法,以改善我的工作方式,这当然使我学到很多东西。

对我的读者来说,一件事-“无论通往梦想的道路有多困难,只要一次又一次地回到梦中,就比以往任何时候都容易”。

数据分析是一个面向研究的领域,不要仅仅因为它背后有很多炒作而追求它。如果您不喜欢为特定案例/主题而绞尽脑汁,以获取很少但有意义的信息,那么抱歉,此行业并不适合您。

双赢局面

就像他们说的那样,这是10%的运气,20%的技能,15%的集中意志力,5%的乐趣,50%的痛苦以及100%赢得比赛的理由。好吧,这不应该从字面上理解,是的,一个典型的成功故事包括这些内容。

我认识到的几件事定义了您在该领域的成功:

1.)态度 

2.)能力

3.)自由裁量权

4.)沟通技巧(如面包和黄油)

5.)工具和技术(必须具备)

话虽这么说,我还是会努力学习决策工程(数据分析)所需要的一切,从而选择成功的道路。在担任分析师的8个月中,我在工作场所练习了各种数据分析工具

我在途中学到的技能使我能够将概念问题与务实的解决问题的方法联系起来。好吧,在某种程度上,我的运气的10%在为我提供数据分析工作方面也发挥了重要作用。

幸运的是,那年晚些时候,我的组织宣布了一项新的垂直业务-数据分析。发现这一点后,我是组织中最快乐的人(不过我敢打赌,还有更多人)。到现在为止,我做出的所有酌处决定都决定了我加入该业务领域的可能性。我在我身边所有项目的投资组合中申请了该职位。除此之外,我还协调了数据分析垂直领域的入门会议,这使我得以与业务部门负责人紧密接触,后来带领我们进行了进一步的互动。

我的项目组合,AV-Data Hack聚会获胜者证书,技术技能和自主性工作(就像我之前提到的)使我牢牢占据了这个位置。从事数据分析分析师的工作需要成为一个快速的学习者,进入武器库的每个新工具都应该尽快掌握。

如果您想成为一名成功的数据分析师,那么对学习新事物有着无限的热情是非常有责任的。我尚未取得成功,但是我很确定自己已经走上了正确的道路。毕竟,决定最终成功的唯一因素就是毅力。

我的建议

像企业家一样思考确实有帮助,成功的数据分析师不应将自己仅限于构建模型。人们还应该找到机会参与分析过程的其他重要角色。

工具和技术很重要,但是仅熟练工具和技术很重要,但是仅熟练使用它们不会导致最终的成功。假设的产生和数据准备都同等重要。无法交流从分析过程中得出的见解的人永远不会属于数据分析独角兽的范畴。使用它们不会导致最终的成功。假设的产生和数据准备都同等重要。无法交流从分析过程中得出的见解的人永远不会属于数据分析独角兽的范畴。

对于数据分析师来说,哪个更重要:好奇心/直觉VS深层统计知识?

求知欲是最重要的。可以理解统计信息,但是好奇心更是天生的,如果您不自然地使用数据,那么您可以成为出色的分析师,但您会成为特定类型的分析师。这些分析师可能不太在意建立更好的模型。

他们缺乏创造力,没有决心再努力。他们将需要手牵着手,并将努力解决新问题。但是,好奇地了解有关数据的更多见解可以克服统计知识的不足。

 愿意在这一非凡领域追求成功的人们应该倾向于“ 使用数据分析而不是数据分析 ”。从本质上讲,人们不仅应该善于为眼前的问题提供解决方案,而且应该能够识别数据问题并承担“ 使用 ”数据分析从结构上解决这些问题的责任。数据分析人员仅具有独立解决问题的能力。因此,摆脱阻碍您的一切。

10k、20k、30k的数据分析师的根本区别

某天,阿里P7的产品经理发现最近新用户的留存比较差,找到数据分析师小林:小林啊,最近新用户的留存比较差,你能帮忙分析一下原因不?

如果是你,你会怎么做?

我见过的数据分析师一般有这几种:

第一类:初级:只会被动的取数。没办法解决业务的问题,业务部门缺什么数据,我就取什么数据... 常被调侃叫”茶树菇 / 表哥 / 表姐“,他们的薪资大部分在20k以内。

第二类:中级:解决具体问题。采用由上至下的思维方式来分析,通过做用户画像-寻找差异-差异量化成指标-问题假设-改进方案-验证,发现了是四五线城市用户不喜欢现在冷启动推送的产品,才是新用户留存差的真正原因。能做到这样,20k 往上应该没啥问题。

第三类:高级:指导业务。除了数据分析外,跟一线的聊,跟不同部门的领导聊,分析到底这个是不是数据问题?帮助大家梳理清楚有几条路,要怎么走这条路。能参与公司决策,工资水平肯定不用说了。

你说产品经理会听谁的?升职加薪时领导会考虑谁?

02

数据分析师这三个能力,你得有

如果你还处在取数阶段,不用慌,这是个必经的过程,但是工作了三五年,还被叫表哥表姐的话,就很危险了,你需要马上提升这三项能力:

数据分析工具,这是基础不用说。但不要以为只会 Excelsql 就行了,想再多拿薪资,建议你们把数仓、ETL、Tableau、powerBI都学会。

分析方法和模型,这是进阶。到这阶段了,只是掌握工具肯定是不行的,需要掌握数据分析方法和模型,并且对业务有一定认知。

深刻的业务认知,这是你的价值。你只有抓住业务本质,你分析出来的结论和报告,才是对业务有指导作用 ,是能影响决策的。

03

掌握了这三个能力

月薪往 30k 要,肯定没啥问题

怎么能快速达到这个水平呢?想要快,就不要自学,谁网盘还没有个几十个G的资料呢,最后不还是留着过年么......

我的建议是跟着大神或老师学习,毕竟人家经历过真实的项目,从实操中总结出的方法,肯定能让你少走不少弯路。

我看过很多老师或课程,都是教你工具怎么使用,但没办法帮你摆脱”人肉取数机“,真正能从业务角度带你做数据分析的,推荐你去学九道门的《商业数据分析实训课》。牛逼老师手把手的带着你在项目里实战学习。

一、为什么是九道门?

最近,九道门与杭州市余杭区政府又有了业务往来,整个余杭区的百家企业都在等着九道门的学员去就业,学完就内推,找工作并不那么难!

内推大部分还是一线大厂,能不能进去就看你够不够优秀了。

二、为什么说这个课程能帮你升职加薪?

除了有内推能力外,这个课程设计、实战项目和教学服务,也是非常牛的。

1、企业真实项目操作,企业老总全程参与测评,今天学完,明天就用得上

在真实的项目中训练自己,就是成长最快的通道。在这里你将会接触电商、在线教育、金融等到10+个不同行业/不同岗位的项目,独立完成数据分析的经典案例,带你从零开始解决问题: 

Bestwear 老用户激活策略

电影热度预测分析

超市加盟店市场预测分析

垂钓类鱼饵套装促销策略

大众点评合并原因分析

美团产品市场扩张战略分析

战术库竞品分析

风雪户外511产品去库存策略

杭州二手房销售市场分析

商超销售优化项目分析

去氯洗发水市场机遇项目分析

等等

2、构建你的数据分析能力闭环,向专家进阶

在接下来的2个月里,你将会真正站在业务角度上,构建属于自己的完整的数据分析能力闭环:

--数据建模

--企业业务数据库机构

--企业商业模型

--数据仓库与云计算

--数据变成与可视化

--数据整合与管理

--企业指标体系

--企业项目分解与规划

--数据分析思维(5W2H法)

--ROI计算

--数据科学

--企业数据驱动的决策与运营

--EDA数据分析法

--产品管理基础

--产品管理指标体系

--新产品严打数据分析技术

--竞争情报分析

--产品价格管理与优化

--价格弹性模型

--顾客生命周期管理

--企业营销管理基础

--促销管理实务

--促销优化分析

--预测模型(逻辑回归)

--顾客消费行为回归预测

--聚类分析

--关联分析

--企业真实项目实操

课程一共4个阶段,分为基础篇、进阶篇和高阶篇,循序渐进的帮你吃透数据分析。

如果你还有更多的问题,比如,想测试自己的能力水平、知道更详细的学习大纲,都可以扫码后回复相应的问题。

为什么不懂业务的数据分析师没有竞争力?

你在找数据分析工作吗?为什么在学习了PythonExcel、可视化工具、数据库等基本的数据分析技能后,突然发现要找到自己心仪的数据分析师工作还是非常的困难?

告诉你一个简单的事实,20年前如果你具备了使用统计软件SAS的技能,在华尔街就可以找到20万美金以上的工作,但是现在,如果你不懂金融产品与业务的特点,而仅仅是会使用工具的话,在华尔街根本就没有人请你,更别说20万美金的年薪了。

中国的企业也不傻,随着这几年对大数据人工智能的逐步了解,企业已经认识到解决自身的业务问题比招一个会数据分析技术的人来充门面更为重要,因此懂业务的数据分析师才是他们真正需要的人才。

企业在什么情况下招数据分析师

记住一句话,数据分析师为了解决业务的问题!

· 改善销售业绩

· 促销效果优化

· 库存管理优化

· 防止顾客流失

· ……

我可以在这里列出成百上千个企业关心的业务问题,在我从业20多年的经历中,几乎没有做过重复的数据分析项目,都是围绕着业务转,10年前做过的项目,现在早就随着市场环境的变化而变成其他需要关心的业务问题数据分析项目了,都得与时俱进呀。

就算是同是零售企业,盒马鲜生对零售价格有定价权,需要价格分析,而上海新世界百货只是代销商品,没有绝对的定价权,就几乎没有必要做定价分析,就算在其它分析项目中也会避免在价格问题上纠缠。

不同的问题不同的分析,不懂业务,数据分析师完全就是个智障型技术工人,对业务来讲,没有多大价值。一句话,业务要的是解决问题,不是搞一大堆可视化报表或者算法啥的来烦他。

合格的数据分析师需要什么技能?

数据分析需要的是综合性的技能,大概分以下三种:

· 数据处理与编程技术

· 业务分析技能

· 综合职业能力

数据处理与编程技术我就不多说了,大部分人都已经知道,被培训机构炒概念都炒烂了。你现在都不知道它们是啥,看这篇文章也没啥意义,不是同行,隔着一座山。

在这里我想强调一下业务分析技能,这个话题比较广,我举个例子,大家就容易理解一点。

比如你要做价格分析,作为数据分析师,你是不是要知道产品经理通常是如何定价的,才能帮助他们搞好数据分析呀?那你知道企业一般定价的方式有5 种吗?

1. 成本定价法

2. 市场竞争定价法

3. 价值创造定价法

4. 价格弹性定价法

5. 产品生命周期定价法

就算是成本定价法,听起来挺简单,实际做数据分析时,就是核算一个成本就得把没经验的数据码农难死,这里面还是有套路的,成本分析中的固定成本、变动成本的核定需要分析师掌握一点财务知识才行。

作为最复杂的方法,产品生命周期定价法,更是需要数据分析师具备一定的产品管理知识,能拟合出一个产品从推出市场到退出市场的销售曲线,你绝对能和苹果手机的产品管理数据分析师一比高下了,拟合错了就是上亿美金的Money损失。感觉有点不好混了吧?不然这行工资那么高呢。好在你一旦入行后,后面有的是机会慢慢提高。

还有很重要的是你的综合职业能力,其实说白了,就是你的数据沟通能力,作为一个受过专业训练,具备良好素养的数据分析师,你有责任将数据里表达的业务意义解释给业务经理听,你需要说服他你是对的,并且欣然接受你给他的建议,搞不定这一关,你的数据分析项目基本白做,没人会理你的,做完就完了,啥也不是。

我的职业生涯中,为了确保数据分析项目最后会被业务采纳,平时就和他们搞好关系,混得称兄道弟的,这样谈起事情来,大家都比较能站在对方的角度,成功几率就高。里面的道道,有机会,我们还可以再聊。

如何弥补能力的不足?

· 参与社群互相学习

· 鉴赏商业分析案例

· 动手体验

· 想感兴趣的人群介绍心得体会

三人行,必有我师,我们这行更是如此,北美的数据分析师同行有大量的行业内人士的Meetup,以前都是同城,现在也搞线上,请一些从业人士来分享自己做的案例和技术,热热闹闹的,互相学了不少。国内的氛围不太一样,一般都奔着商业目的去的,功利性太强,反而学不到什么。这就需要大家能参与数据分析师社群,一起搞个专业人士小圈子,还是为了互相学习,不断提高。

在交流过程中,鉴赏体验,甚至搞到一些数据来亲自实践一下,能大幅提高对某项业务问题的数据分析能力。能够动手操作一下就最好了,还是能特别锻炼人。

体验过了,积极向同行们分享,在分享的过程中,实际你就能很快提高自己的数据沟通能力,对自己的综合职业能力绝对有好处,能做数据分析,还能讲明白,算得上是“进得了厨房出得了厅堂”啦,后面成为500万年薪的数据科学家才有希望。

乘风破浪,却浪浪就跑偏的“大数据分析师”

今天我想用我的说服力把那些跑偏的要成为大数据分析师的同学们拉回正确的轨道。

来吧,展示!

现在我们一说到数据分析师,大家就觉得会Python、会SPSS,会SQL,数据清洗,可视化,会tableau等就是数据分析师了,求你别侮辱如此高大上的职业好吗?我们对于这些技术统称为工具,其实会了这么多的工具你能解决什么问题呢?或者说,如果都能够通过工具来解决,那么你是不是随时都可能被替代了呢?

我经常会帮助同学们回答一些问题,他们总是因为某一个工具自己感觉学不太懂就抓狂,就自我否定,或者说埋在一个工具里时间太长,总觉得好像不把一切弄的明明白白誓不罢休,其实你们的方向真的错了,人的时间真的有限,需要你去涉猎的东西很多,等你工作一段时间后你会接触到各种问题,如需求项目书、策划方案,业务逻辑设计,脏数据处理,数仓搭建,协同工作,方案优化,供应链问题,业务场景,大数据bi报表,从产品原型到业务数据采集,清洗,数仓,数据分析,挖掘到可视化等等的数据工作,因为不同的工作场景需要这些,有些人只知道功能函数怎么写,却不知道要这些东西干嘛,更不知道企业项目中的痛点和逻辑是什么。工具在不断的迭代更新,如果把精力全放在了工具上,那么有可能会变成一个不会思考的机器,作为数据分析师,有些高人一等的技术那是锦上添花,大数据行业项目能力才是核心。我建议各位千万不要忽略了机器的存在,未来的很多职业的确是可以被替代的,大家经常说的人工智能和大数据是未来的发展方向,如果说人工智能赋予了机器人生命,那么大数据就赋予了它智慧。难道你真的认为一个企业就是有一堆数据在那,然后需要你一顿操作猛如虎,用些你的工具然后就解决问题了?如果真的是这样,那么企业真的不需要你。这里总结一个观点:与其说企业需要你的能力,不如说企业更需要的是你的智慧。这里的能力是指你掌握的工具,拥有的技术(这里我不是提倡大家不学习技术,我只是想说100分的技术,你不需要打80分,50分就够你用的了,有那时间学点有用的吧),智慧可以理解为你的逻辑和思考问题的维度,这需要你有更多的见识和积累。想成为一个数据分析师,要了解的东西有很多很多,这里面就是各种业务逻辑,再厉害的技术,对企业的业务没有赋能,那就毫无营养。那些工具都是偏技术,更多的是模块化需求,他们看不到自己做这个模块在整体业务上有什么驱动和赋能的点,因为企业要靠业务来创造价值,商业逻辑和思维似乎更重要,不是你用技术对着数据一顿挥舞就能搞定的,会些工具只能说你给我需求,我来做,他属于功能实现,而数据分析师更多的是我能怎么解决这个问题,属于价值实现。

在这里我根据自己的管理经验,把数据分析师工作中涉及到的几种工作类型进行了下分类,分为三类:

1、行业研究:行业数据——数据处理——行业分析——战略方向,这种一般都是比较大型的公司,银行、保险或者大型的集团上市公司,作为一个数据分析师,你的重点不是在拿到数据以后进行处理,而是对行业进行分析,包括制定未来的战略方向,这里涉及到很多,需要你对本行业要有了解。

2、市场调研:问卷/访谈/电销/面销收集的数据——数据处理——整体环境分析/竞品分析等——营销/促销方案,这种就是一般比较传统的快消品、零售、连锁店等的流程,这里的数据分析师其实主要要了解市场环境、包括消费者行为学、战略营销、管理学,要知道从产品、价格、渠道、促销等等都有所了解,同时还要了解营销的逻辑。传统行业的业务盲点很多,数据上值得分析的点有很多,有时会没有明确的数据给予证明,但我始终认为传统行业的数据业务场景要比透明的互联网更值得去分析。

3、平台运营:平台数据——数据清洗/整理报表——运营建议,这一类其实主要是互联网企业或者电商企业的运用场景居多,淘宝、天猫、京东还有什么供应链分析其实都是这一类,工作很细很碎,但互联网数据其实比较透明,虽然说互联网数据量大,但是事情并不难做。

以上就是我粗略的将数据分析师一般的工作方向进行了分类,还有一类是数据开发,那就完完全全偏技术了,我在这一领域没什么发言权,我就不过多阐释了,但是我觉得技术方向的话真的要靠天赋和学习时长,如果是转行想做大数据技术开发这一方向,我并不建议,年龄是问题。

在这里我想和同学们说,作为一个大数据分析师,不要一味的去追求技术,把更多的精力放在给企业赋能和给企业带来价值,业务理解能力、分析能力、大局观、洞察力都是很重要的,这些就是体现你价值的元素,同时要通过不断的多接触项目提高你的数据敏感性和分析思维的能力,要有从业务中找到痛点和解决问题的能力,最后就是表达能力或者说叫说服能力了,我个人觉得说服能力是一门学问,首先先做到沟通能力极强再考虑说服能力吧,这个是职场老手才能掌握的技能,就比如今天你读完了我的文章,在你迷茫的内心如果泛起了涟漪,那么我的说服能力就可以了,如果没有就说明我还要继续努力。

最后提出一个两个问题大家可以留言讨论——1、未来哪些行业会被机器所替代?2、想成为大数据分析师的你,感觉自己最弱的地方在哪?

数据分析“业务面”连续扑街?必知知识!!

数据分析成为未来职业的发展趋势,无论什么岗位都需要拥有数据分析的能力,因此数据分析培训学习成为了潮流,学数据分析的人越来越多,学习的过程中遇到的问题也很多,专业的答疑,是职业生涯最重要的一环。

转眼间

秋招进度过半

第一波秋招即将截止

各位小伙伴的收获如何呢?

面试还顺利吗?

最近,我们在辅导数据岗位的面试时,关注到一部分同学存在的问题:

例如:

我看了许多教程,学习了不少的工具技能,但做数据分析毫无思路?

我没有相关实习经历,但在空余时间学习了ExcelSQLPython,可一到面试就惨败,被面试官问的哑口无言......

大家知道为什么会出现以上的问题吗?

其实这都是“业务”搞的鬼。

许多初学者在学习数据分析时都会走入这样的误区,工具学了一大堆,但面对具体业务问题时,还是两眼一抹黑...

所以,对于求职热度越来越高的数据分析岗位,单单会工具技能是远远不够的....

我们要加强业务知识的学习,不能随意的投递,浪费有限的机会...


一、业务知识多重要?

业务理解—数据理解—数据准备—建立模型—模型评估—结果应用

这6个环节是数据分析的必备流程,相信大家都清楚。

可以看到业务理解位于流程的第一位,这就是说,如果没有正确的业务理解、缺乏业务指导,会导致整个分析无法落地。

我们的学员木木在刚开始接触数据分析时,就因为过度的关注数据和工具,而忽略了数据背后的业务需求。

加班加点的苦干,却被业务人员的一句“你的分析不符合业务逻辑”全盘否定掉。

因此,没有业务指导的数据分析只能是一张废纸。

好的开头是成功的一半。一次充分的业务理解,一份系统的业务知识,才能让你的数据分析更加顺利。


二、面试前如何准备业务知识?

1.确定行业

在学习业务知识前,大家要先明确自己想做哪个领域的数据分析师

这时,可能有人说:我想做互联网行业的。

那这个回答就说明你没有做好准备,还需要继续细分。因为,互联网行业的存在是为了解决某个领域的问题,比如滴滴、百度地图是解决交通领域的问题,作业帮、猿辅导是解决教育领域的问题。

这些领域都需要数据分析师,但每个领域的业务知识却各不相同。所以,比起疯狂学习业务知识,不如先确定主攻领域,有针对性的准备,才能提高面试的成功率。

2.调研目标公司

知己知彼方能百战百胜。同样的道理,在去心仪的公司面试前,大家要对目标公司进行全面调研。大家的调研可以参考以下六个方面进行:

  • 公司背景和文化,是否符合你对以后工作环境的期望。
  • 公司的核心产品和业务,经营状况是否良好。
  • 公司的业务方向,应对面试中的业务问题,明确你之后的工作内容。
  • 公司有哪些产品,核心产品或业务是什么?
  • 公司的竞争对手有哪些?
  • 根据该公司的调研以及竞品调研给出一条针对该产品的优化建议。

一个细致的调研,可以帮你理顺公司的业务产品与知识,可以让你在紧张的面试中逻辑清晰的回答面试官的问题。同时,这也是对公司的一个深度考察。

以上的这些技巧会使你的面试更有保障,但想全面通关“业务”难题,光知道这些是远远不够的......

九道门商业数据分析实训营的课程设计偏向于项目实战,主要是通过不断做项目,强化学员基础工具使用,锻炼学员项目操作能力以及项目分析思维,尤其是我们会带着学员去接企业真实项目,让学员全程参与到一个完整的项目中去,渗透式感受业务层面。

教学过程种做的项目都是以新零售商业数据分析为主,每期学员做的项目都会根据当前市场变化而变化,类似于Bestwear 老用户激活策略、电影热度预测分析、超市加盟店市场预测分析、垂钓类鱼饵套装促销策略、大众点评合并原因分析、美团产品市场扩张战略分析、战术库竞品分析、风雪户外511产品去库存策略、杭州二手房销售市场分析、商超销售优化项目分析、去氯洗发水市场机遇项目分析等众多项目。

收藏!一文掌握数据分析知识体系

一  数据分析定义
数据分析是指有针对性的收集、加工、整理数据,并采用统计、挖掘技术分析和解释数据。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。
1  数据定义
数据是客观事实,对于客观事物发生,发展的数字化记录。随着科学技术的发展,数据的概念内涵越来越广泛包括数值,文本,声音,图像,视频。

数据可以分为定性数据和定量数据。

  • 定性数据是用来描述事物的属性,名称等,它一种标志,没有序次关系。例如,“性别”,“男”编码为1,“女”编码为2。
  • 定量数据描述量化属性,或用于编码。如交易金额、额度、商品数量、积分数、客户评分等都属于量化属性。

定量数据可以继续划分:定序数据、定距数据与定比数据。

  • 定序数据(Ordinal):数据的中间级,用数字表示个体在某个有序状态中所处的位置,不能做四则运算。例如,“受教育程度”,文盲半文盲=1,小学=2,初中=3,高中=4,大学=5,硕士研究生=6,博士及其以上=7。
  • 定距数据(Interval):具有间距特征的变量,有单位,没有绝对零点,可以做加减运算,不能做乘除运算。例如,温度。
  • 定比变量(Ratio):数据的最高级,既有测量单位,也有绝对零点,例如职工人数,身高。

2  数据分析大事记
计算机时代崛起
计算机的发展和计算技术的发展极大地增强了数据分析的过程。1880年,在使用计算机之前,美国人口普查局花了7年的时间来处理收集到的信息并完成最终报告。使用此设备,在18个月内完成了1890年的人口普查。
关系数据库诞生
关系数据库由埃德加·科德(Edgar F. Codd)在1970年代发明,并在1980年代非常流行。关系数据库(RDBM)允许用户编写Sequel(SQL)并从其数据库中检索数据。关系数据库和SQL提供了能够按需分析数据的优势,并且仍在广泛使用。它们易于使用,对于维护准确的记录非常有用。
数据仓库诞生
在1980年代后期,收集数据的数量继续显着增长,部分原因是硬盘驱动器的成本较低。在此期间,开发了数据仓库的体系结构,以帮助将来自操作系统的数据转换为决策支持系统。数据仓库通常是云的一部分,或者是组织的大型机服务器的一部分。与关系数据库不同,数据仓库通常经过优化,可快速响应查询。
商业智能(BI)崛起
20世纪80年代-90年代,数十家BI厂商进入市场。数据仓库技术的发展大大推动了商业智能的发展,传统存储在各个地方的业务数据开始集中在一起。应运而生的技术还包括ETL(数据抽取、转换、加载)和OLAP(联机分析处理)。
数据挖掘崛起
数据挖掘始于1990年代,是在当时多个学科发展的基础上发展起来的。随着数据库技术的发展应用,数据的积累不断膨胀,导致简单的查询和统计已经无法满足企业的商业需求,急需一些革命性的技术去挖掘数据背后的信息。
大数据来临
2000年到2010年是大数据兴起和备受关注的时期,谷歌的“三驾马车”:谷歌文件系统、MapReduce和 BigTable。亚马逊也发表了一篇关于 Dynamo系统的论文。这几篇论文奠定了大数据时代的基础。随着大数据的到来,海量的数据以及新的技术发展,帮助公司将数据转化为洞察力。
数据科学家
2012年9月, Tom Davenport和DJ Patil 在《哈佛商业评论》上发表了“数据科学家:21世纪最性感的工作” 。
增强分析
2017年,Rita Sallman,Cindi Howson和Carlie Idonies在Gartner的研究论文中引入了增强分析的概念,并将其描述为一种新的数据分析方法,可使用机器学习和自然语言生成(NLG)自动化见解。增强型数据分析大大提升了数据分析效率,降低数据分析的门槛,人人都可以像数据科学家一样,对数据进行多维度的自动钻取,自动加载各种模型进行深度分析。
数据分析 VS 数据科学 VS 商业智能
商业智能(Business intelligence )
泛指用于业务分析的技术和工具,通过获取、处理原始数据,将其转化为有价值的信息指导商业行动。维基百科定义为一个组织将所有资源转化为认知的能力。

数据科学(data science)
是一个多学科领域,专注于从大量原始和结构化数据中找到切实可行的见解。该领域主要注重发掘我们没有意识到我们还不清楚的事情的答案。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

三者关系

  • 数据分析是一个相当广的领域,其中包含了数据科学。数据科学是最近比较火的一个名词,与传统的数据分析相比都是从数据中找到知识和见解,只是在使用的技能和方式下有一定差异。
  • 并不是所有的数据分析都是商业的,所以他们两有一个定的交集。
  • 有的数据科学过程并不直接是商业分析,但却是数据分析。比如在石油行业中“钻井作业优化”需要数据科学工具和技术,属于数据科学家的日常工作。但是,我们不能将其和商业分析关联起来。

数据分析师 vs 数据科学家
虽然数据分析师和数据科学家都与数据打交道,但主要的区别在于他们如何处理数据。数据分析师检查大型数据集,以确定趋势、开发图表和创建可视化表示,以帮助企业做出更多的战略决策。另一方面,数据科学家使用原型、算法、预测模型和自定义分析设计和构建新的数据建模和生产流程。

数据科学家、数据工程师和软件工程师技能图谱:

二  为什么要分析
分析的本质是让业务更加清晰,让决策更加高效。在市场经济的条件下,企业面对激烈的竞争,差异化的市场,多变的环境,常常会面临各种难题。数据分析是用来解决企业的难题,识别机会,规避风险,问题诊断。
总结下来,数据分析可以帮助我们:

  • 发生了什么:追溯过去,了解真相。
  • 为什么发生:洞察事务发生的本质,寻找根源。
  • 未来可能发生什么:掌握事务发展的规律,预测未来。
  • 我们该怎么做:基于你已经知道的“发生了什么”、“为什么会发生”以及“未来可能发生什么”的分析,帮助你确定可以采取的措施,也就是:驱动行动。

三  如何分析?
分析的6个步骤:

1  明确分析目的
业务理解
从事数据分析工作的前提就是懂业务,即熟悉行业知识、公司业务及流程,有自己的业务见解。如果脱离行业认知和公司业务背景,分析的结果没有太大的使用价值。
如何做到懂业务?首先我们要明白我们业务的商业模式是怎么样的?即我们通过什么样的方式发生关系并最终产生什么样的商业价值。其次我们要了解我们商业模式的核心组成要素,例如我们的客户细分、收入来源、关键业务、核心的资源、成本的结构等等。除此之外我们要对核心的环境因素有所了解,例如宏观经济、市场影响、行业趋势等等。
明确目的
数据分析第一步,不是分析数据而是把业务的问题或者目标定义清晰。通过这次数据分析想要解决一个什么样的问题,达成一个业务目标是什么?

业务理解业务结果
业务目标/问题结果性目标

2  确定分析思路和框架

在明确分析的目的之后,我们需要梳理分析思路,并确定分析框架,即从哪些角度进行分析,采用哪些分析指标。在梳理分析思路的时候,将常见的思维模型应用与分析,能够帮我们更加清晰的理解背后的逻辑线索,做到”不重不漏“(MECE)。常见的思维模型有:结构化思维模型、时间模型、逻辑演绎模型、重要性思维模型。
当然在今天,除了思维模型,其实我们已经沉淀了很多经典的分析模型,这些分析模型历经随便的沉淀和检验。如果你熟悉这些分析框架你的思考会更加快速,有效。你不需要在另起炉灶,就能达到事半功倍。例如:SWOT分析模型、STP分析模型、RATER指数模型。
掌握分析思维模型
思维模型就是我们对客观世界的一种主观抽象描述,通过思维模型来分析问题,从而更为准确地找到解决问题的方法。查理·芒格说过:“思维模型是你大脑中做决策的工具箱。你的工具箱越多,你就越能做出最正确的决策。”
1)结构化模型
以事物的结构为思考对象,来引导思维、表达和解决问题的一种思考方法。例如麦肯锡的金字塔原理,5W2H七要素分析法。
a)5W2H分析法
又叫七问分析法,是二战中美国陆军兵器修理部首创。简单、方便,易于理解、使用,富有启发意义,广泛用于企业管理和技术活动,对于决策和执行性的活动措施也非常有帮助,也有助于弥补考虑问题的疏漏。

b)结构化思维
是指一个人在面对工作任务或者难题时能从多个侧面进行思考,深刻分析导致 问题出现的原因,系统制定行动方案,并采取恰当的手段使工作得以高效率开展,取得高绩效。

c)MECE原则
MECE,是Mutually Exclusive Collectively Exhaustive,中文意思是“相互独立,完全穷尽”。也就是对于一个重大的议题,能够做到不重叠、不遗漏的分类,而且能够借此有效把握问题的核心,并解决问题的方法。

2)时间模型
按照事物发展的时间线索,来进行分析。例如用户行为5阶段模型:需求的产生->信息收集->方案比较->购买决策->购买行为。

3)逻辑演绎模型
演绎模型分为:

  • 三段标准式演绎形式:大前提,小前提,结论。
  • 常见4W模式:描述现象、分析原因、判断趋势、提出对策。

a)麦肯锡七步分析法
麦肯锡七步分析法又称“七步分析法”是麦肯锡公司根据他们做过的大量案例,总结出的一套对商业机遇的分析方法。它是一种在实际运用中,对新创公司及成熟公司都很重要的思维、工作方法。

b)逻辑树分析法
逻辑树是将问题的所有子问题分层罗列,从最高层开始,并逐步向下扩展。

4)重要性思维
企业资源是有限的,需要把资源用在刀刃上。消费者的关注点有优先级,做好消费者关注的才能打动消费者。例如,四象限分析法提倡人们应有重点地把主要的精力和时间集中地放在处理那些重要但不紧急的工作上,这样可以做到未雨绸缪,防患于未然。

5)经典思维模型

  • 德尔菲法:一种高效重要的判断预测工具
  • 六顶思考帽:有效实用的决策与沟通工具
  • KT决策法:最负盛名的决策模型
  • 头脑风暴法:激发团队创新的有效决策工具
  • 垃圾桶模型:一种企业内部的决策制定模式
  • 5W2H分析法:一种调查研究和思考问题的有效办法
  • 决策树分析法:现代管理决策者常用的有效工具
  • 综摄法:开发潜在创造力的一种创新方法
  • 戈登法:适用自由联想的技术创新技法
  • 奥斯本检核表法:创造技法之母,最著名、最典型的检核提问型创新法
  • 黄金思维圈法则
  • STAR原则

掌握经典分析模型
分析模型是对客观事物或现象的一种描述。为了分析其相互作用机制,揭示内部规律,可根据理论推导,或对观测数据的分析,或依据实践经验,设计一种模型来代表所研究的对象。经典的分析模型一般都是以营销、管理等为理论基础的。
1)战略与组织

  • SWOT分析:战略规划的经典分析工具
  • PEST分析:组织外部宏观环境分析工具
  • BCG矩阵法:制定公司层战略最流行的工具
  • GE矩阵:企业決定发展战略的分析工具
  • 定向政策矩阵:战略业务组合计划分析工具
  • IE矩阵:标识企业分布地位的分析工具
  • 竞争态势矩阵:企业战略制定提供竞争优势的分析工具
  • 麦肯锡三层面分析:企业设计战略规划、开拓增长的有效工具
  • 波特五力分析:行业竞争战略最流行的分析工具
  • 战略集团分析法:行业内企业竞争格局分析工具
  • 战略钟模型:企业竞争战略选择分析工具
  • 核心竞争力分析:分析企业有效竞争和成长的重要工具
  • 波特价值链分析模型:寻求确定企业竞争优势的分析工具
  • 利益相关者分析:战略制定和战略评价分析工具
  • PIMS分析法:有效的战略评价分析工具
  • SPACE矩阵:企业外部环境及战略组合分析工具
  • QSPM矩阵:战略决策阶段重要分析工具
  • 三四规则矩阵:成熟市场中企业竞争地位分析工具
  • 7S模型:组织绩效与战略适应的分析工具20.3C战略三角模型:经典的营销战略管理工具

2)营销服务

  • STP分析:现代营销战略的核心分析工具
  • 4Ps营销组合模型:制定市场战略最经典的营销理论工具
  • 产品生命周期模型:描述产品和市场运作方法的有力工具
  • 安索夫矩阵:应用最广泛的营销分析工具之一
  • 服务质量差距模型:服务质量简单有效的分析工具
  • 推销方格理论:直观有效的销售分析工具
  • 哈夫模型:最有效的计算商圈的分析工具之一
  • 服务金三角:服务组织管理的基石
  • CS战略:企业提高市场占有率的有力工具
  • SPIN销售法:系统化挖掘客户需求的销售工具
  • 营销战略新三角模型:战略业务架构分析工具
  • 服务利润链:服务管理最经典、最有效的分析工具
  • 满意镜:提高顾客满意与员工满意的工具
  • 顾客金字塔模型:有效的顾客细分管理工具
  • 植田T理论:典型的竞争性理论策略工具

3)人力资源

  • 平衡计分卡:最具影响力的战略绩效管理工具
  • 360度绩效考核:推进员工行为改变最有效的工具之一
  • KPI:国际通行的企业经营绩效成果测量和战略目标管理的工具
  • 3P模型:实施企业人力资源战略化管理的有效工具
  • 职位分析问卷法:最普遍和流行的人员导向职务分析系统
  • 关键事件技术:识别工作绩效的关键性因素的工作分析方法
  • 贝尔宾团队角色理论:目前最权威、应用最广的团队理论
  • 盖洛普Q12测评法:最经典的员工敬业度测评工具
  • 绩效棱柱模型:新颖的绩效测量和管理分析工具
  • Lifo管理系统:美国应用最广、发展最早的行为风格行为系统之一
  • 宽带薪酬设计:一种新的薪酬管理系统及操作流程
  • 霍兰德职业兴趣理论:通用的职业兴趣测验工具
  • 胜任素质模型:人力资源战略和组织整体战略紧密结合的重要工具
  • 职业锚:职业测评运用最广泛、最有效的工具之一
  • 海氏工作评价系统:目前国际上最为流行、使用最为广泛的岗位评估工具

4)质量及生产管理

  • TPM:生产改善过程中的重要工具之一
  • TQM:一项持续变革的有效管理体系
  • 定置管理:强化现场管理和谋求系统改善的科学管理方法
  • 5S现场管理法:现场科学管理的基础工具
  • 六西格玛:世界最先进的质量管理法
  • JIT生产方式:使生产有效进行的新型生产方式
  • QFD法:一种顾客驱动的先进质量管理应用技术
  • 田口方法:质量管理利器、企业技术创新不可或缺的工具
  • 甘特图:最常用的项目控制管理的有效工具
  • OPT:改善生产管理技术的新方式
  • PDCA:循环有效控制管理过程和工作质量的工具
  • AUDIT法:保证产品质量的先进质量管理控制方法
  • 大规模定制:21世纪最重要的、最具竞争优势的生产模式
  • 朱兰三步曲:质量战略思想和管理的有力武器
  • 零缺陷管理法:企业质量管理方法的又一次革命
  • QC七大手法:一组对质量管理活动的数据进行客观分析的有力工具
  • 丰田生产方式:一套系统完整的生产管理方式

5)财务管理工具

  • 阿特曼Z-score模型:最著名的预测企业破产的方法
  • ABC成本法:企业控制成本的有力工具
  • 杜邦分析法:企业业绩评价体系中最为有效的工具之一
  • 比率分析法:财务分析最基本的工具
  • 经济附加值:当今最热门的财务创意
  • 财务分析雷达图:企业经济效益综合分析工具
  • 零基预算法:对企业的预算决策进行控制的有效工具
  • 净现值法:企业投资决策中最基本、最常用的一种方法
  • 沃尔评分法:对企业财务信用能力综合评价的方法
  • 本量利分析:实施目标成本管理的一个重要工具

6)项目与物流

  • SCOR模型:第一个标准的供应链流程参考模型,供应链一体化的得力工具
  • ECR系统:一种新型的供应链管理策略
  • 快速反应策略:企业实现供应链竞争优势的有效管理工具
  • 绿色供应链管理:可持续发展的供应链管理模式
  • 责任矩阵:项目计划十分重要的工具
  • 关键路径法:项目管理中应用最为广泛的方法之一
  • 逻辑框架法:项目质量评价的综合评价方法
  • PERT网络分析法:有效的项目进度管理工具
  • VMI模型:国际前沿的供应链库存管理模式
  • 工作分解结构:项目管理众多工具中最有价值的工具之一

7)常见的分析模型
a)SWOT分析模型
用来确定企业自身的竞争优势、竞争劣势、机会和威胁,从而将公司的战略与公司内部资源、外部环境 有机地结合起来的一种科学的分析方法。

b)STP分析
客户细分(Segmentation)、目标客户选择(Targeting)、目标客户定位(Positioning)。
c)经典的客户满意度模型
RATER指数模型、KANO模型。例如:RATER指数是全美最权威的客户服务研究机构美国论坛公司投入数百名调查研究人员用近十年的时间对全美零售业、信用卡、银行、制造、保险、服务维修等十四个行业的近万名客户服务人员和这些行业的客户进行了细致深入的调查研究,发现一个可以有效衡量客户服务质量的RATER指数。

d)PEST分析模型
是指宏观环境的分析模型,宏观环境又称一般环境,是指一切影响行业和企业的宏观因素。对宏观环境因素作分析,不同行业和企业根据自身特点和经营需要,分析的具体内容会有差异,但一般都应对政治(Political)、经济(Economic)、社会(Social)和技术(Technological)这四大类影响企业的主要外部环境因素进行分析。简单而言,称之为PEST分析法。

e)波特五力分析模型
是迈克尔·波特(Michael Porter)于80年代初提出,对企业战略制定产生全球性的深远影响。用于竞争战略的分析,可以有效的分析客户的竞争环境。五力分别是:供应商的议价能力、购买者的议价能力、潜在竞争者进入的能力、替代品的替代能力、行业内竞争者现在的竞争能力。五种力量的不同组合变化 最终影响行业利润潜力变化。

f)经典营销管理模型4P、4C、4S、4R、4V、4I
以满足市场需求为目标的4P理论,以追求顾客满意为目标的4C理论,以建立顾客忠诚为目标的4R理论等。

g)用户行为理论
h)AARRR模型
AARRR是Acquisition、Activation、Retention、Revenue、Refer这五个单词的缩写,分别对应用户生命周期中的5个重要环节:获取用户、提高用户活跃度、提高用户留存率、获取收入、自传播。AARRR模型因其掠夺式的增长方式也被称为海盗模型,同时它也是一个典型的漏斗模型可以用来评估连续的业务流程节点转化率。通过该模型可以有针对性的对出现问题的重要节点进行优化,达到提升ROI的目的。

指标体系设计
指标体系的设计是一个业务数据化的过程。好的指标设计能够抽象目标具体化,具有直接实践意义。
1)什么是指标
通常我们讲述的指标是指将业务单元精分后量化的度量值,譬如:DAU、订单数、金额等。当然,原子指标还会基于维度、修饰词、统计口径而构建出派生指标。指标的核心意义是它使得业务目标可描述、可度量、可拆解。
2)什么是好指标
好的数据指标是比较性的,可以是一个比率。因为比率的可操作性强、天生比较性指标、适用于比较各种因素间的相生和相克。例如:“本周转化率比上周高0.5个百分点”显然比“转化率为2%”更有意义。会计和金融分析师仅需迅速查看几个比率就能对一个公司的基本状况做出判断。例如:市盈率、毛利率、利润率,等等。
好的数据指标是简单易懂的。如果人们不能容易记住或讨论某个指标,那么通过改变它来改变公司的作为将会十分困难。
好的数据指标可以衡量当前业务的真实情况。
好的数据指标会改变行为。这是最重要的评判标准。
3)什么是指标体系
将数据指标系统性的组织起来,可以按照业务模型。指标体系会对按照指标不同的属性分类及分层。
指标不成体系会怎样?

  • 从业务视角看:经常碰到的一种现象是业务上线了之后发现数据不够用,缺指标或缺维度。
  • 从技术视角看:基于需求的变更,业务团队技术同学将需要重新去更改设计和开发埋点,数据团队技术则需要重新采集、清洗、存储数据。 

4)常见指标体系构建过程 

业务理解业务数据化
业务目标/问题结果性目标
业务运营模式-业务可以关联起来的关键因素关键过程指标
关键业务因素和环境因素关键指标下的延展指标
业务关键策略/项目业务运作的核心指标

指标设计规范
随着数据量的增大,数据指标也会越来越多,即使是同样的命名,但定义口径却不一致。这对于各部门理解难度大,同时也造成了重复计算存储的资源浪费。阿里OneData指标规范,以维度建模作为理论基础,构建总线矩阵,定义业务域、数据域、业务过程、度量/原子指标、维度、维度属性、修饰词、修饰类型、时间周期、派生指标等,帮助我们形成统一数据标准。

第一关键指标原则
第一关键指标(OMTM:One Metric That Matters)原则就是在当前阶段高于一切,你需要集中全部注意力的数字。
使用第一关键指标的理由:

  • 它回答了现阶段最重要的问题。
  • 它促使你建立清晰的目标。
  • 它关注的是整个公司层面的健康。
  • 它可以提高行动力。

选择第一关键指标的同时它还会解释下一个关注点。
常见指标名词
你所在商业领域决定了你应关注的指标。常见商业模式分类有电商类、内容类、社区类、软件工具类、游戏类。
1)电商类
电商类的指标常见分类:

常见的指标定义如下:

  • PV(page view):即页面浏览量,用户每1次对网站中的每个网页访问均被记录1次。用户对同一页面的多次访问,访问量累计。在一定统计周期内用户每次刷新网页一次也被计算一次。
  • UV(unique visitor):即独立访客,访问网站的一台电脑客户端为一个访客。
  • DAU(Daily Active Users)日活跃用户:每日登陆过的用户数。
  • WAU(Weekly Active Users)周活跃用户:七天内登陆过的用户数。
  • MAU(Monthly Active Users)月活跃用户:30天内登陆过的用户数。
  • 收藏人数:统计日期内,通过该渠道访问该商品并收藏该商品的去重买家人数。
  • 收藏次数:统计时间内,宝贝被来访者收藏的次数,一件宝贝被同一个人收藏多次记为多次。
  • 加购人数:统计时间内,访客将商品加入购物车的访客去重数。
  • 加购次数:选定周期下,该行业下商品物品被加入购物车的次数。
  • 支付金额:买家拍下后支付给的金额,未剔除售中售后退款金额,预售阶段付款在付清尾款当天才计入内,货到付款订单确认收货时计入内。
  • 支付子订单数:也被称为支付笔数,比如某个买家在某个店铺购买了多个宝贝一起下单支付,订单后台会展现每个产品每个SKU粒度下会有一条记录,这个就是一个子订单。
  • 支付转化率:统计时间内,支付买家数/访客数,即来访客户转化为支付买家的比例。
  • 店内搜索次数:在所选的终端(PC或无线)上,在店铺内搜索关键词的次数,一个关键词被同一个人搜索多次,记为多次。关键词的一次搜索后多次翻页查看搜索结果,搜索次数记为一次。

2)游戏类
游戏类产品考虑的指标很多,根据最想要知道的指标大致可以分为四大类:用户、付费、推广和游戏。

  • 用户类:平均同时在线人数(ACU)、最高同时在线人数(PCU)活跃用户数(包括日/周/月活跃)、留存率(次日/三日/七日/月)、活跃用户、每日新增用户数、每日流失人数。
  • 付费类:活跃付费账户(APA)、付费率(PUP)、每位用户平均收入 ARPU(Average Revenue Per User)
  • 游戏类:游戏道具消费排行、比例,平均在线时间(人均、最高、最低),游戏用户等级分布,游戏用户持有虚拟货币量(人均、最高、最低)
  • 推广类:下载量(日、周、月),注册用户量、激活率(日、周)。

PS:文章来源于“阿里技术”,如有侵权,请联系我们删除

数据彰显,苹果的平行世界

一切的猜测都需要数据的支撑,数据分析的结果才能挖掘到深度的秘密。关于苹果的猜想众说纷纭,但是数据分析的背后让你看见苹果的平行世界。

华尔街分析师预测,苹果本季度将受到疫情的严重影响,其收入将仅达到492.5亿至550.9亿美元,同比增幅在+2%至-8%之间。

但没人想到,当全球智能手机出货量预计同比下降24%时,苹果实际上显示出了两位数的收入增长。

由于本季度苹果各种产品线的大幅增长,苹果的表现过于依赖苹果手机,并在继续改善。尽管增长率不高,但全球手机出货量在2020年第二季度下降了20%以上,著名苹果分析师郭明皮预测,苹果手机出货量将大幅下降20%至25%。

上个季度,由于中国的疫情,苹果在大中华区的收入同比下降了7.3%,但本季度,苹果在大中华区的收入终于重新回到了上升轨道,收入为93.29亿美元,同比增长1.72亿美元(+1.9%)。

三星电子的分析师在推特上说,三星的表现和苹果的表现不同是因为三星失去了中国市场,但苹果可以从中国经济的重新启动中受益。

苹果公司本季度的财务报告显示,一度在国内市场大幅降价的IPhone11系列在大中华区可能连这点增长都没有。然而,为什么我断言苹果在下一季度的表现肯定会逐年下降?

苹果公司每年都会在9月底推出新的苹果手机,所以大多数潜在的苹果手机购买者会在7月份观望,他们并不急于在这里购买苹果手机。因此,从每年8月份开始,iPhone的销量将相当难看,这可能会影响第四季度的表现。然而,通过在9月底推出iPhone,苹果将在第四季度的第一周插入新iPhone的销量,那时的表现将非常糟糕。

自从苹果公司宣布推迟发布新的苹果手机,其2020年第四季度的业绩同比下滑自然在市场预期之内。此外,新iPhone的发布时间将推迟至10月,其第一周的可观销量将在下一季度的业绩中累积,2021年第一季度的收入肯定会同比增长。

因此,尽管2020年第四季度的表现将同比下降,但市场不一定会看不起苹果。