最近收到了不少資料分析朋友的吐槽和抱怨：
Title 是資料分析，結果天天做著提數的工作，沒有技術含量
分析結論都是營運和產品向老闆彙報，沒自己什麼事
別人家的大數據分析都是各種演算法和模型，為什麼到了自己就是提數和提數
上面這些情形不管是在大公司還是小公司都是很常遇見的，如果你經常處於類似的工作狀態下，那麼一定時間後，你將失去兩項核心競爭力：技術深度和業務深度。
本文聊一下三個內容：
為什麼資料分析會變成提數工程師
資料分析該如何改變提數工程師的命運，充分發揮資料分析的作用
聊一下其它崗位的類似情況
一、為什麼成了提數工程師？
為什麼做資料分析會變成提數工程師？我們來看一下資料分析的大致工作流程：
問題提出>資料獲取>資料處理>資料分析與建模>資料結論輸出。
由於現在大部分互聯網公司的產品和營運相對更靠近業務，因此這兩個角色更容易發現和提出問題，如果資料分析師的主動性比較弱，那就會變成了如下這樣的工作分工：
(產品或營運)問題提出
(資料分析)資料獲取
(資料分析)資料處理
(資料分析)資料分析與建模
(產品或營)資料結論輸出
也就是說，問題提出 這個重要的環節不屬於資料分析師負責，按照上面的模型運行的時間一長，資料分析基本就變成了説明產品或營運驗證想法的工具。
因此我們可以得到第一個原因：問題提出權不在資料分析師，資料分析只能去實現產品和營運的想法！
如果問題不是由資料分析師提出，再加上資料分析師的主動性差一些，那就會變成這種情況：產品或營運提一個需求，分析師就按需求實現一下，不需要思考太多，按需求做就好。這樣的結果是，很多分析問題都會很簡單，因為產品和營運並不太瞭解資料分析師能提供的能力。
我們得到第二個原因：產品和營運可能會提出相對簡單的問題，資料分析機械去執行即可，不需要過多的技術深度。
在上述兩種原因的影響下，資料分析也會逐漸失去主動性，最終淪為提數工具。
二、如何優雅地進行資料分析工作
前面拋出了問題和可能的原因，那麼我們該如何去改進呢？畢竟沒有誰願意只做個機械的提數工具的。總的來講，主觀能動性是解決問題的最重要的因素。細分來講，可以從下面幾個角度來改變：
積極主動地發現和提出問題，如果產品或營運已經拋出了問題，那就去深入詳細的瞭解問題的背景
提供更多的分析思路和自己的見解，説明產品和營運同學打開思路，讓對方知道資料分析可以提供的能力
持續跟進分析結論的效果和回饋，不斷改進和優化
優化資料分析的流程，加入資料分析師可以更多參與的環節
舉個栗子
上面說的太虛，我們舉個例子來說明：
需求：
假設營運同學提出了這樣一個資料分析需求：最近我們網站的DAU降低了，麻煩你提個資料，看一下近30天我們各個模組的DAU是什麼樣子的。
解決方案一：
假設我只是想簡單地完成這個需求，那麼很簡單，我只需要做這三件事即可：2. 資料獲取；3. 資料處理；4. 資料分析與建模。到這個場景裡面，可能就是從資料裡面撈一下我們網站資料裡面各個模組的DAU情況，提供給營運就行了，不需要多複雜的處理，甚至如果有現成的報表，簡單匯出來一個excel即可。
那麼當營運拿到資料後，就可以看出哪一個模組的DAU降低，簡單看一下原因後寫在報告裡面即可。
解決方案二：
我們當然不希望是上面這種解決方案這麼低的參與感。那麼，該如何做呢？
首先，我們可以改進我們的分析流程：
問題提出：透過監控或者主觀的資料敏感度，提前來發現相應的資料問題，比如DAU下降，是可以透過監控平臺來提前發現DAU的下降
確定分析目標和產品訴求：需求中只是要看各模組的DAU趨勢，但營運同學更想要的是找到為什麼整體DAU會下降，找到原因並優化該問題。我們需要和營運童鞋溝通並get相應的點
收集假設：營運同學提出要看各模組的DAU，這只是營運提出的一種猜測，讓我們提相應的資料去驗證該猜測。我們既然知道了營運童鞋的訴求，在盲目地直接撈資料之前，可以提出一些假設，比如說：是不是某種流覽器的相容出現了問題，是不是某種類型的用戶對我們的網站感興趣度降低了，是不是某個模組出現了問題等等。
設計指標：有了假設，我們就可以根據相應的假設設計一些統計指標或者相應的分析方法，比如看不同用戶畫像的使用者近期的訪問情況、不同流覽器使用者的訪問情況、不同模組的訪問情況。
設計驗證方法和建模：有了假設，有了指標，我們就可以設計相應的方案來驗證我們的假設是否正確，這時就可以用到相應統計學和機器學習的方法，當然用戶畫像也是很重要的一環。
確定分析結論和營運策略：最終，根據前面的步驟，我們再提供相應的分析結論給到營運側，此時，我們提供的就不是簡單的一個資料，而是一整套的資料分析報告。
效果驗證和改進：一定要關注資料分析的效果，比如你的報告中提出了DAU降低是由於18-25歲年齡的用戶大量流失，相應的營運策略是增加年輕化的內容，那你就要關注該策略上線前後的資料變化，資料是否按照你們假像的方向來發展，如果不符合預期就要相應的做調整。
如此，這才是相對優雅的資料分析流程。
在改進分析流程之外，我們可以提供更多的自助分析工具，比如BI軟體工具。讓產品和營運能夠更多地自助驗證自己的想法，將資料分析師的工作從提數中解脫。這一塊，我之前寫過不少用BI工具來做分析的方案，就不再展開細講。
三、思考
其實，除了資料分析師之外，資料倉庫和資料開發同學都會面臨類似的困境，在很多分工不明確的公司中，這種提數需求是可以落在任意的資料同學身上，不同的是各個角色解決該問題的角度是不同的。簡單來講：
資料分析師：更多地要去深入到業務的需求中去，説明產品、營運或者老闆思考，透過更多的思考來幫助需求方設計更好的分析思路
數倉工程師：數倉同學的側重點更多地在資料模型的設計，設計出更靈活的資料模型來支持多樣性的分析提取需求
資料開發工程師：開發同學呢，則可以更多地側重于工具的建設，比如OLAP系統的建設，自助分析工具的建設等等。
總結
總結一下本文的內容：本文透過【資料分析師做成了提數工程師，該如何改變這種現狀？】 這一個問題，引出了造成這種現象的兩大原因：
問題提出權不在資料分析師，資料分析只能去實現產品和營運的想法！
產品和營運可能會提出相對簡單的問題，資料分析機械去執行即可，不需要過多的技術深度。
針對這兩個原因，我們提出了兩個解決方法：
改進分析流程
提供更多的自助分析工具
免費試用FineReport10.0>
獲得帆軟最新動態：數據分析，報表實例，專業的人都在這裡！加入FineReport臉書粉絲團！
相關文章：
數據分析師需要掌握哪方面的電腦技能？——從基礎到進階
如何做好數據分析師的職業規劃？
喜歡這篇文章嗎？歡迎分享按讚，給予我們支持和鼓勵！
