我做分析师的十年感受

1、种一棵树最好的时间是十年前,其次是现在。十年了,本次提供大多来自 工作中的日常所思所想,欢迎自取。写在前面，说说我知道的历史“2019年是过去十年最差的一年,也是未来十年最好的一年”这几年，在 经历了 P2P暴雷、房地产政策限制、疫情影响、国际贸易形式紧张、中 美关系导致的芯片问题等一系列的社会环境变化的前提下，2022年， 很多公司开始裁员，就业环境开始变得复杂。2022年互联网公司裁员时间线量奇艺裾“偿手拉帔M 小米美团优速小由HS讯KH小缸书na. rmbb. ”aut. . h. *. . . tnz. AA*aK. k0ms. kiiw. ABiittHw*. AoawMi*snaA

2、nwM力*行金上. own于命量窜立的9MA乎*tt金* *ZT.KMSMi：9aB7aiSIMa./ .r/t/ | : /匚/7J /口.不1 小废馆675员工喜 .上一*1”总称1工切73*.XTCMtSH.-0。,鼻力内 外依故劣； ttEUM户.MHW MlfiNI直产.金力公fl)”*供M分析句法鹭劣.检IHHNI. KWMVrMW aWV1M9/Aa itM 产化；Rfims.分斫；负公司 的产收 计D”.rat* t ；W 日革/ 力”日”力；“Km”力.n、，警初疗物我省bJarJ J价值.数据影响力，通过数据来塑造团队在公司内外的影响力.数据价值力，挖掘数据在用户侧应用场景

3、做数字化营销.数据驱动力，支撑内部经营业务运营组织开展专项分析.数据开展力，分析团队的搭建，招聘、绩效考核、激励职责和分工.支撑公司经营管理上的数据需求，主要是对老板和管理层，经营管理分 析；.塑造数据团队在内外部的影响力，第三方机构的合作机会，行业分析；.通过数据产生直接的营收增长，数据资产的整合，ka用户上的价值挖 掘；.完成对内部运营的支撑，活动分析、产品分析、市场分析、竞品分析；.对知识的沉淀，打造可移植、高复用的分析框架和模板；管理、协同.重价值产出，以结果为导向，输出数据、报告可支撑运营决策；.做标准和规范，高度的可移植性和复用性；.团队成员的差异化，不趋同，各有所长，能够充分发挥

4、扬长补短的特 性；联网等信息技术的开展，人工智能技术飞速开展，大幅跨越科学与应用 之间的“技术鸿沟”，图像分类、语音识别、知识问答、人机对弈、无人 驾驶等具有广阔应用前景,从“不能用、不好用”到“可以用”。I数据分析的十年开展在过去的几次风口里面，关键影响因素一直都是科技的开展，技术的更 新迭代，让很多不可能变成了可能，才有了小数据、海量数据、大数据 的持续演进，势必就会对职业有更细分的要求。顺应时代的开展，跟紧 国家政策的方向，持续学习新鲜的理念，才能在动乱的年代，保持好良 性的竞争力，不至于在浪潮拍下来的时候被淘汰。十年，过的很快，变化也有很多十年数分经验整体感受这十年下来的一些感悟，需要

5、保持足够自驱（共情）、高度专注（逻 辑）、敏锐洞察（反响）。1.格局要翻开，十年下来接触到的场景变丰富了，政务关系、大客户关 系、品牌合作关系、投行关系、FA的资源、品牌运作、大的制造 商、供应链物流、金融融资、中间的渠道资源、小的零售商，数据分 析是在分析什么？人、事、物，看似最重要的是数据，回归到实际， 最终的决定性因素还是在于“人“；4.梯队化建设，一个资深带1个高级+ 1个初级，彼此做backup ,降低用 人风险；.注重产出、注重数据分析价值，对于高价值的需求重点投入人力，对于 低价值的需求做到高效处理；.超过三天的需求，对于BI产出的数据分析报告、白皮书、算法模型、数 据看板等需留

6、痕，以邮件形式交付，并抄送双方的一二级部门leader ;.别人做的我不做，对于其他工程组已经涉猎的工程，不做重复的工程；. BI的工作内容应侧重分析，合理分配工作时间，对于日常数据需求的处 理原那么上应归还给数仓同学和数据产品，两个原那么：模板化和产品化；.在日常的需求中提炼需求的共性，梳理模板，提高效率，构建系统的分 析框架和解决方案；.基础建设：所有的基础性建设工作，作为需求方，以业务推进点为导 向，形成指标、口径、规范，导入给产品侧进行排期解决；尾声为什么是数据分析而不是其他数据岗位？因为我当时那个专业80%以上的同学都去当了老师，然后抱着试一试的 心态，经历了诸多岗位的轮岗，最后误打

7、误撞的做数据，可能是因为我 excel用的比拟6 ,现在依然很6。2011年应用数学毕业，毕业之后先是在一家小型零售企业做HR绩效 模块，后面轮岗去做了市场和销售，在一线做营销的时候需要大量的 数据支撑，而当时会数据分析的人并不多，在那段期间就是通过excel 处理各种业务上的数据来支撑营销决策，也就是国内比拟早的一批数据 化管理，用的是excel ;2013年进入到一家工业物联网的公司，开始转型做管理方面的事情， 数据应用的层面主要是在经营分析上，通过对公司的投入、产出方面的 信息内容分解，来辅助管理层做产品定位、用户调研和市场战略，另外 就是对海内外的竞争对手进行分析去抢占市场，不断迭代打

8、法，这时候 算是企业的数字化转型，用的是python/R+oracle ;2017年为了了解互联网，跳出了原来的舒适区，去了一家阿里系原高 管创立的汽车互联网的公司，待了两年，从C端到S端到B端的过程 里面积累了很多的经验，所以这个阶段里面就是一个补充大数据、区块 链知识的时候，通过算法去改变一些经验决策；通过saas化的过程， 去实现数据在业务中的影响力，基本上是大数据赋能的阶段，用的是 python+dataworks ;2019年去了 2G的电商平台公司，18年底国内的P2P彻底暴雷了，金 融股票市场彻底崩盘，很多实体企业受到了冲击，互联网公司的损失更 严重，经历了三轮裁员，在送走了一大

9、半的下属和同事之后，也就离开 了，到了现在的电商类型公司，也是一家阿里系合资的公司。重组团 队，一年的时间里面，通过数据创造了 8000万的营收，把原来在小数 据、数据化管理、数字化转型、大数据应用、AI变革的经验完全串在了 一起；2022年兜兜转转又回到了汽车业，期间和TOP互联网公司都有接触 过，疫情三年，经济受创，在大小公司都开始裁员的时间里面选择了去 智能制造，只是觉得2025之后大概是中国工业4.0的时代，尽管入局 有点晚，还是得去摸一摸；.必须有野心，不在拘泥于自己的一亩三分地，开始变得唯“利”是图， 搞价值也好，塑造影响力也好，总得图点什么。取数是一个数据从业 人员绕不开的话题，

10、唯一的区别在于被动听从还是主动触达，sql boy / girl很多时候都会沉迷在sql写下来的G点上，没有去影响人 的野心，大概率上会停留在一个层次，无法往上；.团队更重要，签个500、1000万的合同开心么？除了一开始的时候 会兴奋，后面都会很平淡。真正开心的是在这个合同拿下来之前，商 务谈判、方案构思、难题攻克的过程，和团队一起出差，一起拼命的 时间。从开展历程上来看，前期都是猥琐发育的时候，经济低、装备 差、机能不全，中期有一定实力了就会去浪，后期其实都是靠策略， 财富积累到一定的程度之后，往后看的重点会更偏向于在影响力、价 值感、故事性的塑造上，而且得持续；.翻开关系网，开始会去有目

11、的结交人，刻意的去和周边自带“资源”的 人保持联系，攒一个局，未来好彼此成就。打工也好，创业也好，要 玩儿的高级，离不开好的队友，也离不开好的前辈，翻开一些关系 网，让信息流进来，然后去平衡，再去分配，最后实现共赢；.演绎非归纳，分析的过程里面有很多坑，各种原因导致的脏数据、测 试数据、人为插入的数据，尽可能的了解业务、系统和人，用数据阐 述事实而非观点，不臆测、不猜测、不做主观判断、不预设立场，重 演绎过程而非归纳总结，踩的坑多了自然就轻车熟路了；01数据分析的本质数据是基础，分析才是重点。行业内有专门的统计岗，就是只负责做好数据统计就可以了，不需要考虑 其他的内容；但是分析岗，前提是针对问

12、题进行分析，所以侧重的是问题解决，以及通 过什么样的思路、方法进行解决的，解决之后的结果是好还是不好，这些 都需要进行评估。02做好数据分析需要具备什么一、问题思维首先得有问题思维，能够在需求对接过程中，识别出哪些是真正核心的问 题，以及这些问题是否具备可行性探索的可能性。需求要怎么拆解？按照写作的几个要素，时间、地点、人物、事件、过 程、结果。弄清楚背景，在一个什么前提下做的；弄清楚目的，要实现怎么样的结果；弄清楚人物关系，彼此之间的利益关系是怎么样的；弄清楚受众，他们日常的数据来源都从哪儿来，谁提供的，会不会有多数 据源的情况存在对于问题的描述一定要具体，而不是模棱两可的，譬如老板最近给了

13、个任 务，我们探索下业务的开展趋势。这个问题就极其模糊，他是想证明业务是往好的开展还是不好的开展，在 他心里应该会有一层预估，这个地方就需要深挖，否那么的话就变成了一个 开放性的话题，很难得出结论。继续往下，业务在增长，是好还是坏？其实很难得出结论；如果再深入分析，华东的业务在增长，华南的业务在下降，是好还是坏？ 其实还是很难得出结论，因为没有具体的量化指标继续深入分析，华东的业务同期增长120%,华南的业务在同期下降1%, 是好还是坏？这时候一般而言，就可以下结论，华东比华南的表现要好，那看绝对值呢，华东前一年是100万，华南前一年是8000万，那还能说 吗华东比华南好么？不一定的吧，所以说

14、，看数据不要从单一视角下结 论。接下来，把所有的条件拉平，在同等规模的情况下，前一年都是100万的 基础上，涨幅还是和之前的数据一样，是好还是坏？于是，很直接的就下 结论了，华东是真的要比华南要好。这时候你会发现老板还是皱着眉头，一头雾水，为什么呢？过去的一年里面，在华东的投入本钱是200万，但是在华南的投入本钱只 有50万，但是产生的效果并没有成倍的增长，这时候还能下上面的这个 结论么？ 所以说，分析的过程，就是一个不断往下钻的过程，直到追本溯源，了解 到整个业务的全链路过程（有可能是局部），才能真正的给到合理的结 论。二、全局观分析的终点一定是有一个盖棺定论的结果出来，而不是统计出来一个现

15、象 进行公布，这个结果又必须是客观的事实反响，只有在解读里面才能带上 主观臆断，做资源倾斜。分析的闭环在于所有的结果都要形成策略，没有策略推进下去的分析都是 不完整的，仅仅只是完成了一轮想法论证而已。策略的制定依赖于自身对于诸多知识的整合，在这个过程中不仅仅是数据 分析专业本身，可能还包括政策、法规、行业、市场、营销、运营、产 品、商品等等，每个模块并不一定要自己都亲身去经历过，但最好是能亲 身去见证过。就好比卖牛奶，得去了解牛奶的源头是牧场里的牛要怎么养，怎么产奶、 怎么生产、怎么包装、怎么装配、怎么存储、怎么运输、怎么分销、怎么 和平台谈合作谈返点、怎么找渠道商、怎么定价、怎么推广、怎么触

16、达客 户、怎么留住客户形成黏性、怎么窥探客户的周期、又怎么去改进产品从这个点上来看，做分析的人需要有全局观。同样是玩泥巴，你玩泥巴是随性而为，但是工程师玩泥巴，是把钢筋水泥 打造成为形形色色的高楼大厦，凸显商业价值和格局。一个水泥工在建楼的时候，他多砌一块砖少砌一块砖并不会影响到整个楼 宇的稳定性，但是如果是少建一堵承重墙，那房屋就有崩塌的风险。说这两个事情，是想说，作为分析师要对自己的价值、定位有非常清晰的 认知，而不是随波逐流。往往听到的是，我身边的分析师，大多都是用 sql取个数，工作完成了，也没有分析个什么东西出来。要说的是，目前 市面上95%以上的分析师都是做着取数的活，只有5%不到

17、的人是真的在做 分析，这就是金字塔效应，有人的地方一定会有三六九等，无非看自己要 去选择做哪一层，是在下面还是想去上面而已。我只是一个平凡的再也不平凡的分析师而已，距离顶级还有相当长的一段 距离，但是在这个过程里面绝对拒绝去做平庸的事情。很多时候，我们会认为自己做的事情很普通，有不少知识掌握了就自认为 我会了，缺少深度思考，回过头来看，不妨多反问下自己，你是真的会了 么？对这个事情的本质、根源都抓到精髓了么？不一定的，绝大多数时候都是停留在对事物认知的外表，而不是去思考这 个事情是怎么发生的，潜在过程有哪些，背后的模式有哪些，然后假象是 自认为已经get到了各种模式，到某天碰到问题的时候才发现

18、原来懂的只 是皮毛。为了规避这种情况，就要多去看点杂书，从各个视角去看世界。三、上位思考逻辑从上往下的思维是这样的，一家公司，只要是一家盈利性的公司，老板的 最终目标肯定是想赚钱，这样才能维持公司的正常运转、才能给雇员发的 起工资。所以要赚钱，一定是要从已有的业务里面赚钱，业务又是靠产品 去赚钱，产品线上有会去做细分，从一级市场到二级市场再拆解，这就是 杜邦分析的目标拆解过程。所以，去做企业的商业分析，第一要素就是去看这家公司有没有盈利。然 后在这个基础上，去拆分。亏钱的状态，那有多少产品是赚钱的有多少是亏损的，赚钱的模式可不可 复制，有没有推广的价值，是否在未来有扭亏为盈的可能性，然后要从哪 些个方面去制定策略，需要哪些数据支撑；盈利的状态，在哪些市场赚的多，哪些市场有局部亏损，长期来看是不是 平衡的状态，盈利的局部去填补亏损的局部能持续多久，然后要从哪些个 方面去制定策略，做更好的运营方案，需要哪些数据支撑。这就是上位思考的逻辑，要么是市场拓展，要么是盈利目标，要么是用户 增长，回到本质就是为了做盈利而准备的。这时候我们再回到分析侧，平时提到那些需求就有了一个映射，老板要这 个数据的目的是什么，就能去揣测了，是要论证哪个方面的想法，要从哪 几个视角去论证，然后要给出怎样利好的结论。一开始，可能想的也不是很全面，所以分析是一个循循渐进的过程，每经 历一