編輯導演：很多同學都在問：“數據分析從0到1的文章看多了，咋樣才能從1到10，從普通到優秀呀！”這篇文章作者系統地講述了6個階梯，助你成為優秀數據分析師！

很多同學都在問：”數據分析從0到1的文章看多了，咋樣才能從1到10，從普通到優秀呀！”今天系統地解答一下。“優秀”是一個形容詞，隻有清晰了參照物，才能知道到底什麼是“普通”，什麼是“優秀”。今天就從“普通”講起，想通往“優秀”，需要邁過6個階梯。

一、搞數據

數據分析最怕啥？沒思路？沒模型？沒圖表？

都不是！

數據分析最怕：沒數據！無論是做啥分析，搞數據，始終是第一位的工作。盡可能多地搞數據，是第一位要求。不然一切免談。

隻不過，同數倉開發不同，數據分析關注的數據，是面向業務主題的。數據服務的産品、運營、銷售、營銷、售後部門，到底有什麼數據，需要什麼數據，是數據分析師必須梳理清楚的。

具體來說，包括：指标/維度兩部分。如何衡量是否清晰？可以問自己，以下九個問題是否清楚。

1. 我服務的部門是……
2. 該部門屬于利潤中心/成本中心
3. 該部門的KPI指标是……
4. 該部門的主要流程是……
5. 該部門流程中，已采集數據是……
6. 該部門現有過程指标是……
7. 該部門組織架構是……
8. 該部門服務對象分類是……
9. 該部門常用分類維度是……

其中：

• 1、2、3是用來明确主要KPI指标的，這是數據分析的源頭和關鍵
• 4、5、6是用來搭建過程指标體系的，解釋KPI指标如何達成
• 7、8、9是用來篩選關鍵分類維度的，當KPI指标波動，從這些維度做拆解

很多同學習慣于在現有寬表上跑數，向上不清楚業務流程、業務目标，向下不清楚數據來源、數據采集，每天忙着按需求單跑數，連跑的數是啥意思都不懂。這樣就限制死了自己的發展空間，無法進一步提升能力了。

二、定基線

做到第一階，至少能看懂自己跑的數據了，知道每個數據是用在哪個部門，哪項工作。下一步最關鍵的是……？

有的同學可能不假思索地說：建模！還沒到這一步哈。下一步關鍵的是：定基線。知道自己看的數據，常規形态是啥樣的。知道什麼算正常，什麼算不正常。

這一步非常重要！因為數據本身沒有含義，數據 标準才有含義。而并非所有指标，業務方都會給出标準的。很可能，隻有銷售數據才有具體到每天的考核标準，其他數據得憑經驗、憑常識、憑分析定出基線（如下圖）。

很多同學無法解讀數據，做的分析不被業務認可，都是因為沒有跨過這一台階。最常見的，看到指标跌了，盲目做了一堆交叉，然後業務方輕飄飄地：“這是正常波動”。

然而第二天又有同樣幅度波動，業務方卻急着煙熏火燎：“這麼大波動你都看不到嗎！”……被這麼折騰幾次，就會信心全無，懷疑人生。所以想進步，就不能被業務方牽着鼻子走，得自己有定基線能力。

三、拆因素

跨過第二階後，數據分析師已經對業務常見走勢，有充足的了解。并且，自己有能力做判斷，就能識别出異常狀态。并非所有的異常都不可控，有相當多的異常是可觀測因素導緻的，比如宏觀環境，比如營銷動作、推廣計劃。此時，要先有能力先把這些明顯可識别的“白犀牛”整明白，再來談其他“黑天鵝”問題。

看到這裡，肯定有同學會說：“老師，這個簡單，我的PEST，SWOT，4P已經按捺不住了，來吧！”然鵝，沒卵用。你看那麼多PEST的文章，有一篇教過你怎麼量化P、E、S、T四個指标不???

所以這一台階，叫“拆因素”，即把這些影響業務的因素，拆解到可以量化的，能用一個或幾個數據指标表現，并能與内部數據結合分析的程度。拆因素可能有若幹數據形态，比如：

• 1、0、1形态：有XX因素、沒有XX因素
• 2、分類形态：同一事件，ABC三種狀态
• 3、連續形态：能用一個連續型指标，代表該因素

具體怎麼拆，是需要大量分析工作做基礎的，最後能沉澱下來的，就是最有價值的經驗。

四、測細節

跨過第三階段後，數據分析師能對明顯的，重大的影響因素做出判斷。想要進一步提升，就得深入到細節中，了解活動到底怎麼做的，産品到底怎麼設計的，用戶到底需求什麼。這些已經觸及業務的核心，因此很難短時間内搞清楚，需要長期積累。

想做這一步，有2個關鍵工作要做。

1. 打标簽

越是觸及業務核心，連續型指标能描述的情況就越少，越需要打标簽。類似用戶情緒、喜好、産品功能點、營銷邏輯，都是靠标簽來描述和量化的。準确地打标簽，将業務量化，做出清晰的分類，是高級數據分析師的技能。不是說把數據庫裡的，現有的維度表拖出來就完事。

2. 做實驗

可能有同學會說：ABtest我現在也經常幹，為啥感覺不到進步呢。注意，現在的ABtest，很多是産品驅動的，不是數據驅動的。鬼知道産品經理從哪裡搞了2個版本，扔過來就測，然後讓數據分析師解釋差異。這是非常本末倒置的，隻會讓人陷在瑣碎的數據裡。

一個正式的實驗，是：

• 有清晰的改進目标
• 有清晰的改進邏輯
• 有關鍵改善過程指标
• 有環境控制變量
• 有組間差異預判

謀定而後動。這樣才能在解讀實驗數據的時候剔除各種雜糅因素，得到正确結論。當然，想做到這一步，需要業務的配合和參與。如果業務真的很喜歡自說自話，就靠數據分析師個人能力，至少推動剔除一些明顯容易雜糅的因素。

五、理邏輯

邁過第四個台階，數據分析師本人已經可以實現：描述問題-發現問題-解釋問題-檢驗效果的閉環了。單純站在數據角度，已經是個完整的能力閉環。

但僅有數據能力閉環是不夠的，因為在企業裡，相當多的問題不是來自技術，而是來自業務。更有甚者，是來自業務方的屁股決定腦袋，來自業務方急功近利、大幹快上，來自業務方事前拍腦袋，事後拍大腿。

因此想要讓數據更好地展現價值，就得有能力應對現實問題。在千頭萬緒中，梳理清楚問題邏輯，找到正确的答案，或者至少給自己找到脫身的辦法(如下圖)。

這時候“理邏輯”，重點是把口語表達的，不可量化的業務邏輯，轉化成數據可驗證的邏輯，并且選擇合适的數據方法得出結論。除了數據能力，還需要數據分析師有業務洞察，有一些職場溝通技巧，才能完成任務。

六、組模型

有了以上五個階段的積累以後，你已經能完全在一個行業裡混得如魚得水了，不但能做好基礎數據服務，也能協助業務做出業績，更能以客觀中立的态度赢得老闆的信任。 此時，可以更進一步，提煉一些屬于自己的模型出來：

如果用少數關鍵指标就能概括這個行業的問題，可以捏個業務模型

如果某個業務場景，用特征 算法能得到很準确的預測結果，就固定成該行業算法模型。 搞完了，記得也取四個英文字母做名字以體現檔次。

做這一步，不僅是為了沉澱經驗，提升逼格，更是為了遷移知識，擴展使用範圍服務的。很難保證人一輩子都不換行，掌握了優秀分析能力的人，幹一行就是一行專家。而遷移知識，靠的是模型的總結與經驗積累，兩者缺一不可。

七、小結

縱觀整個成長階梯，核心就是：數據分析師要能剝絲抽繭的解決複雜企業問題，這樣培養能力，才是我們自己安身立命的法寶。

很多在校的，剛畢業的同學們，還習慣于沉浸在書本中，總覺得越難的知識越牛逼，一本統計學有19章，那第19章肯定比18章牛逼……這樣單純堆疊知識點，可以無窮無盡卷下去，但是對于提升實際能力幫助甚小，非常不推薦哈。真有興趣搞這些，推薦去純科研。

特别是，數據分析本身就是一個面向不确定性，用數據方法解決企業經營不确定性的工種。把數據采集上來，服務好管理層，推動業務實現業績，至少就有一個公司數據部門總監位置在召喚，合理而不為呢。與大家共勉！

作者：接地氣的陳老師來源：公衆号：接地氣學堂

本文由 @接地氣的陳老師 原創發布于人人都是産品經理。未經許可，禁止轉載。

題圖來自 Unsplash，基于CC0協議。

,