[分享] 資料分析師的全景職業規劃，入門、轉行都先看這篇
今天想寫這個文章，是對我所見所聞的梳理，作為一個在資料領域從業近10年的老人，我開通頭條號及公眾號以來，擁有了龐大的粉絲群體，也讓我接觸到了這個行業各式各樣的人群，以及來自粉絲們的五花八門的問題。日積月累，也讓我形成了一套自己的認知體系，對資料分析有了一定程度的認識。在我的經歷中，經常會有一些夥伴問以下兩種問題：
第一類：小白類
1.我要想入行資料分析，應該從哪裡開始學？
2.想成為資料分析師，我要學習那些技能、掌握那些工具？
3.我沒做過資料分析，數學特別不好，能學好嗎？
4.我學的是文科專業，能從事資料分析師嗎？
第二類：迷茫類
1.做了好幾年資料分析，感覺看不到以後的晉升線路？
2.我對資料分析有一定了解，如何快速用到我現在的職業上
3.從事運營、產品的工作，看過和做過一些資料分析，但不專業，能不能成為專業分析師
4.以後資料分析師會不會發展不好，未來潛力如何？
但無論是小白類還是迷茫類，我們都要清楚的認識到資料分析師到底是幹什麼的，在職場中他們到底有什麼不同，只有瞭解了這些，以上的疑惑才能迎刃而解，我們常用的分析思維就是拆分，就好比樂高一樣，有很多小積木組合，只要我們理解了這些小積木的形狀，我們也就能搭建起自己的夢想。
常見的幾個資料分析師劃分，主要包含這6大類，當然每一類其實也有自己的層級，我只是做一個簡單的區分，讓大家有一個基本的概況。
A類：商業分析師
特點：上手快、深入難
主要的工作：幫助業務、市場以及管理層做一些資料的洞察，還原資料的本質，講述資料的故事，要很清楚的瞭解市場要什麼？使用者愛什麼？
需要掌握的
硬性技能：SQL、EXCEL、PPT
軟性技能：表達能力、視覺思維、邏輯性強、思維清晰，特別是溝通能力！
掌握的方法論：ABtest、AAARRR、SWOT、RFM、28原則、5W2H等
掌握的統計學：常規統計指標（均值、中位數、分位數、T檢驗等)、迴歸、聚類、因子、決策樹、邏輯迴歸等，這些足夠了
加分項：圖表視覺化、結構化思維、金字塔原理、千萬級資料處理經驗（這類一般1年遇不到幾次）
注意：掌握一些宏觀資料的獲取方式，沒事的時候多收集一些，自己根據所在行業而定，從事網際網路或者移動網際網路的話，最好掌握一種自助式BI工具，比如Google Analytics、百度統計、taklingdata、神策資料等
核心：不一定技術強、演算法掌握牛，但一定要能深入行業、深入場景
以後發展：業務負責人、獨立諮詢師、管理層、戰略分析師、團隊領頭羊
適合人群: 文科類、運營\產品轉崗類、不喜歡程式設計、不善於研究演算法的同學
B類：炮灰分析師
特點：啥都要學，最累、乾的你懷疑資料分析的價值
主要的工作：協助業務或者上級完成一些常規的需求，這類一般是別人要什麼，我們做什麼，但是在不同的行業，不同的部門做的事情差異還是很大
需要掌握的
硬性技能：SQL、EXCEL、PPT、python\spss\R任選其一，根據場景而定
軟性技能：溝通能力、抗打擊能力、加班能力、資料管理能力（資料庫和資料字典）
掌握的方法論：ABtest、AAARRR、SWOT、RFM、5W2等，不知道也能幹
掌握的統計學：常規統計指標（均值、中位數、分位數等)、迴歸、聚類、因子、決策樹、邏輯迴歸等，這些足夠了，但基本高階的模型用不上，定位決定
加分項：聽話能力、擅長各類工具的應用，能快速響應需求方的需求
突破：要自己根據環境主動參與一些討論，承擔一些從無到有的分析，從被動變為主動
以後發展：純正資料分析師、資料產品經理、數倉人員
適合人群：都可
C類：資料分析師
特點：獨當一面、戰鬥力極強、對企業決策者有一定的影響
主要的工作：除了被動的常規分析外，還要能主動發現業務存在的問題，會用資料找事，梳理業務發展與指標體系之間的關係，從日常監督分析開始，更多的是專題性的分析，無中生有
需要掌握的
硬性技能：SQL、EXCEL、PPT、python\spss\R任選其一，tableau\FineBI\powerbi，也要懂一些市面上流行的資料產品
軟性技能：溝通能力、表達能力、邏輯思維強
掌握的方法論：ABtest、AAARRR、SWOT、RFM、28原則、5W2H，使用者及產品生命週期等
掌握的統計學：常規統計指標（均值、中位數、分位數等)、迴歸、聚類、因子、決策樹、邏輯迴歸、機器學習等，這些足夠用了
加分項：圖表視覺化、PPT展示、系統性思維、在行業有很多認識和沉澱
要點：演算法、技術、工具、業務混為一體，樣樣都要懂
總結：這類目前市場上很緊缺，被稱為稀缺動物
D類：BI工程師 分析師中的程式設計師
主要的工作：和資料的ETL打交道多，主要做資料規範、資料倉庫、業務需求報表開發、多維度呈現等
需要掌握的
硬性技能：資料庫技術、資料倉庫、Informatica, Datastage，Kettle，還有一些廠家的展示產品Business Objects, Cognos，常用梳理工具ERwin、echarts等
軟性技能：理解能力、表達能力、思維縝密
掌握的方法論：無，基本人家讓幹啥咱幹啥
掌握的統計學：常規統計指標（均值、中位數、分位數等)、迴歸、聚類、因子、決策樹、邏輯迴歸等
加分項：技術過硬，有過大型BI建設經驗，既能幹DBA又能幹BI、視覺思維
突破：這些人比一般的資料分析師更懂底層，缺少的只是與業務的融合，看自己的定位了
總結：絕對的苦逼，容易吐血那種，常常懷疑人生
髮展線路：CTO、專案經理、產品經理、平臺負責人等
E類：演算法工程師 就是你們班技術最強的
主要的工作：做演算法、搞研發、創新演算法
需要掌握的
硬性技能：資料庫技術、hadoop、python、R、spark等等
軟性技能：理解能力、表達能力、思維能力
掌握的方法論：懂一些常見的即可
掌握的統計學：各種演算法都要精通，而且在不同的場景下，要自己開發新演算法
加分項：演算法很熟悉、技術沒得說、學歷高
總結：工資高、壓力大，經常斷片
適合人群：名校對口專業畢業，沒辦法人太多，某寶從國內top已經要求全球TOP了
資料分析行業必備能力
瞭解了這些資料分析師的百態之後，該如何入門的問題相信也會得到解答，我們一起來嘗試需要資料分析需要那些能力，而這些能力掌握的程度不同，那以後你的路也就不同了，總結出7種能力
著作權歸作者所有。商業轉載請聯絡作者獲得授權，非商業轉載請註明出處。
1、基本工具應用的能力
Office的三件套是必備的，特別是（excel、PPT），但所有的excel\ppt功能都要學習嗎？顯然不是，很多人在這個上面浪費的時間太多太多了
對於excel來講，基本的函式（加減乘除、條件篩選、匹配函式、透視表、圖表）就足夠了，VBA對基礎業務人員來說可以放棄
對PPT來講，不要把自己打造成為一個專業的ppter，PPT對於分析師來講，唯一的核心就是展示，因此基本的操作就足夠了，可能當入門的時候，你連開啟PPT 的機會都沒有，就是提數
SQL，這是一種資料庫的通用語言，還有一種叫HSQL，有一些差異，但邏輯是相同的，學習SQL的目的其實只有一個，提數，需不需要掌握sql和你未來公司的發展或目標的企業有很大關係，建議一定要學，總不能別人找個資料分析師來，還要給你配個提數助理，那成本太高了。
還有一個是python，你可以到處看見python學習的標語，不過想要學好python卻不是那麼容易的。這裡我建議一個：夜曲的程式設計
課程設定很清晰，循序漸進，由基礎到變數，再到運算等；
對每個程式碼包括空格和標點符號在內的小細節進行反覆測試和練習，就像當初我刷單詞一樣，使程式碼幾乎深深刻入腦海
2、專業工具使用
分2個方面，資料分析與處理、資料展示，這時候大家會問了，我都會excel\PPT了，感覺就可以了，其實不是的，很多時候我們面臨的資料和複雜程度雖然用excel\PPT也能做，但是效率卻很低下，那我們學工具的目的是什麼？不就是為了單位時間內提高效率的問題嗎？
這時候一定要掌握一種專業的工具，存在即是合理，比如不善於程式設計的話，spss、clementine都是很不錯的選擇，也可以嘗試玩玩kettle，不討厭程式設計的話建議直接去學習python，R相對來講，專業對口的學起來用起來順手一些，學哪個工具都可以，一般的招聘都是掌握一種就可以，所以不要逼著自己去學不順手的工具，浪費時間，投入產出比太低
另外就是視覺化的，其實excel就是一個最基礎的視覺化工具，簡單易用，場景多，如果想要視覺化分析效率更高，建議掌握tableau、FineBI之類的一種BI工具，現在很多企業都在用商用BI軟體了，如果可以提前知道要去的企業應用的哪種，可以重點學習一下，除此之外，一些開源的視覺化軟體，比如echarts、datav、antv這些感興趣的話也可以學習。
上面的這兩個能力都是要花時間去學習和實際操作的，最好找一些資料，沒事就練習一下，而下面要說的能力是需要刻意訓練的，不是花時間就能學到的
3.發現問題的能力
這是一種很重要的能力，可以塑造自己從被動轉為主動，這需要我們有足夠的知識儲備和業務的沉澱，你才有發現問題的資本，而不是讓人家覺得你在找茬。
4、解決問題的能力
資料分析不但要告訴過去、現狀、未來，更重要的是遇見問題的時能告訴為什麼會發生，為什麼是這樣，而不是我們想的那樣，我們不是一直在做這樣的事情嗎？下來才是你解決問題的套路（拆分、MECE、多維度、公式法等），一般三步法：
What-界定問題，搞清楚問題到底是什麼？
如何理解呢？舉個例子，比如你們老闆給你說最近客單價下滑很厲害？那有的人側重點就是分析就應該為什麼下滑？然後從下滑因素中找出原因，並採取行動，對吧？至少很多人會這麼做其實不是，下滑只是現狀，老闆是想提高客單價，這時候要從下滑轉化為提高，如果從提高的角度去建立分析框架，兩者的分析思路是不一樣的
Why-分析問題，結構化分析問題的本質原因是什麼？
這個就不多說了，大家都知道麥肯錫的MECE，你也可以理解為邏輯思維能力，那塊如何落地呢？我自己最喜歡的方式只有2個：1、自問自答，答到滿意為止；2、學習，多看行業報告，特別是投行、券商的報告
How-解決問題，應用目標導向思維怎麼解決？
這一點很多人容易忽視，往往我們沉迷在資料中，忘記了自己要分析的目標到底是什麼？越做越多，越做越複雜，以至於輸出的時候沒有了重點，缺少一根主線，突然之前從清晰變成了混亂，讓自己開始懷疑自己的價值
切記做一份商業分析之前一定要有一個目的性明確的框架，每個框架下面如何假設分析也要梳理出來並反覆推敲，確定後就不要大改了，除非發現驚天秘密！
5.行業洞察能力
常言道：幹一行愛一行，為了自己以後每天都能吃上五花肉，你也要深入自己的行業，構建自己的認識體系，提升自己的賦能
當然行業的洞察力不是靠閱讀文章的數量，看書多少本來決定的，雖然之前存在一定的關係，但不是純正相關或者因果關係，而是要依靠諮詢公司的那一套方法論去不斷的模仿、思考、覆盤的
藉助行業研究模型：
這些模型天生符合MECE的原則，所以你如果能很好的應用，對你的思維能力提升也有很大的作用
6.創新的對應方案
知道了事情的來龍去脈，能不能站在使用者體驗的角度設計出一套，記住自己分析資料、呈現資料的時候不僅僅是資料，而是一群人的行為趨勢，比如你要開一個陝西面館，你能否根據使用者的資料，打造出一套引導改變他們習慣的麵館，而不僅僅是影響。
7.資料的解決能力
經常看一些小夥伴寫的分析報告，出現最多的就是同比、環比，而同比、環比之後在沒有任何的描述，這時候你描述的只是一種資料的狀態，並沒有把資料背後的故事講清楚，比如什麼原因引起的？你是從哪些角度分析發現的？這樣的報告很難帶讀者到你的思維世界
你寫的：本週我的工資環比下降了50%
別人的：本週我的工資環比下降了50%，主要是因為公司效益下降20%，因此造成績效工資下降幅度較大引起，另外分析得知，公司效益同比下降200%，而這段時間正好是疫情發生時期....
以上的能力，我在以前的文章中都有寫，這裡就不展開寫了。
然而很遺憾的事情，是許多人入門的時候，忽略了資料分析的本質，把太多的時間和精力放在了基本工具、專業工具方面，其實面試的時候工具類的面試都很簡單，而面試主要是你解決問題、發現問題、應變的能力，難道不是嗎？
即使你的工具使用、程式設計能力不強，但只要你可遷移的能力很強，企業都會要，當然不是說大家不要投入時間去學習工具，而是建議不要投入太多的時間，比如學習excel，有的人要連續學習好幾個月，其實一週足夠了！
你要學的不是它的全部功能，而是快速瞭解掌握能夠解決問題的20%功能，那些足以解決企業80%以上的問題，以後遇見剩下20%問題時，不要忘記使用搜索引擎，絕對可以解決的。
