查看原文
其他

我做分析师的十年感受

凹凸数据 2023-05-04

The following article is from 赵小洛洛洛 Author 小柒

作者 | 小柒

来源 | 公众号:赵小洛洛洛

 

  1. 写在前面,说说我知道的历史

  2. 十年,过的很快,变化也有很多

  3. 怎么做到专业

  4. 如何塑造价值和影响力

  5. 分析团队的带法、管法和打法

  6. 尾声


一、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。


 

市场环境虽然恶劣,但数据分析依旧很火,尤其是在中国互联网历经30年发展后的现在,大数据、人工智能、元宇宙开始变得普遍,到处都在说数字化转型的年代。未来的市场经济发展过程中,数据是重要的一个环节,和数据相关的分析、数仓、产品,必定还存在着很大的发展机会。从1980年代,引进中国,数据分析在这片广袤市场上的推进和成长还很短暂


从2011年毕业至今,我所知道的十年,也是数据分析、大数据分析崛起的十年,从最早的数据化运营,到数字化转型,到大数据驱动,到AI,到元宇宙,互联网崛起的十年。随着大数据、云计算、互联网、物联网等信息技术的发展,人工智能技术飞速发展,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”。



在过去的几次风口里面,关键影响因素一直都是科技的发展,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。顺应时代的发展,跟紧国家政策的方向,持续学习新鲜的理念,才能在动荡的年代,保持好良性的竞争力,不至于在浪潮拍下来的时候被淘汰。

 

二、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,需要保持足够自驱(共情)、高度专注(逻辑)、敏锐洞察(反应)


  1. 格局要打开,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“;


  2. 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,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;


  3. 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。从发展历程上来看,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;


  4. 打开关系网,开始会去有目的结交人,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,打开一些关系网,让信息流进来,然后去平衡,再去分配,最后实现共赢;


  5. 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、不猜想、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;


对工作的一点思考


把一件事做完和把一件事做好

职场的前几年可以尽可能的去做加法,过了一定的年纪,就要开始学会做减法。一开始,很多时候为了求快,在同一时间做了好几件事情,但是发现每一件都没有做好。贪图快,就容易出问题,同时也忽略了过程中的体验感,这也要,那也要,最后发现处处都去做了,但是处处都好像没有很好的结果。 


把所有的事情划分优先等级,紧急/重要的四象限,在既重要又紧急的领域,心与力全部只聚焦在这一件事情当中,在特定的时间里面去发挥极致的思维,去把一件事做好,而不仅仅只是做完了事。在短暂的时间里面,用有序的步骤,正确的方法,根据既定的计划,寻寻渐进,逐步去推动事情的开展,必要的时候借助外在的力量,做好向上、向下的管理同步,及时的进行邮件通报,事情做完必有报告,交付之后必有反馈。


思维转变是绕不开的话题

十年工作经历下来,最大的感触是慢慢从对技术的偏执,变成了业务上的驱动一开始进入职场的时候,会沉迷于各种工具、技术、技巧的钻研。因为通过学习可以加快自己处理数据的效率,譬如研究excel里面的公式、vba;譬如会钻研各种算法和模型,研究用户的各种行为特征,挖掘数据的应用场景,只为了适配和拥抱互联网带来的变化。


这样的时间总是会乐不此彼的,因为可以专心的去做研究,而不用把精力分散在人际关系的处理上。随着需要解决问题的场景复杂度越来越高,单兵作战的疲惫感就会越来越沉重,压垮自己的永远是自己的执着,而不是外在的环境。


一个人可能走得更快,但是一群人会走得更远,在一个组织里面,如果有能够互相协作的伙伴,实在是一件快事,也能省心省力。这些伙伴可能是产品、运营、销售、市场,他们可以带来更多的想法和灵感,学以致用,而不是空读圣贤书,筑造的是空中楼阁。数据,只有贴切用户的思维,才能真实有用,发挥真正的价值,而了解用户又必须要通过伙伴的媒介才能触达,团队的协同以及业务场上的应用驱动,能够真正的帮助我们认识到数据在商业中的价值。无论是外部用户还是内部用户,他们给予的反馈都显得额外重要。


直到什么都会了,才幡然醒悟,工作了10年之后,最大的优势其实并不是在技巧上,而是在对业务的熟悉度上。业务熟悉度,包括了常说的战略目标理解、用户sense、政策敏感度、洞察能力、解决方案能力能够清晰的知道用户说的是什么关心的是什么,读懂用户的想法,然后也能关注到政策的变化对市场的影响,捕捉到新的机会;


将业务上用户的需求,转换成为数据需求,通过数据的视角去对业务问题进行解构,利用不同的分析方法和模型组织数据对业务进行诊断和剖析,抽象出核心的指标来进行衡量、监测,最终输出专业的数据分析报告,支撑决策论点;


对于解决方案,所需要的是复杂问题处理能力,核心就是——综合!对一家公司的组织架构必须要有深刻的认知,熟悉不同团队的分工和职责,熟悉业务流程和产品流程,熟悉平台架构和工具功能,熟悉行业并对数据在用户侧的价值有深刻的认知,这些要求就得需要有很长时间的积累和沉淀。


熟悉底层的数据存储、结构、清洗过程、指标汇集、接口透出,数据资产管理,开放平台管理;熟悉数据产品的开发过程,团队构成(UED/前端/后端/测试/用户验收),项目管理;熟悉数据分析框架,核心指标管理、标签建设、数据分层、图表呈现、价值解读;熟悉数字化营销方案,钩子设计、营销方案、用户追踪、客户成功、推广方案、收费定价;熟悉运营工具和技巧,获客、激活、促活、转化、留存、复购、付费;


对几个词的浅层理解


核心词:数据价值

数据价值有哪些?按照:职业 -> 行业 -> 公司 -> 部门 -> 岗位 -> 职责的区分,内外的价值可以看下面:

经营管理考核:对核心指标的监控,帮助老板“看”清楚业务推进的现状,还原客观事实,而不是靠主观上的“我觉得”;

外部品牌影响:抽象出内部的运营管理共性,增加数据在一些细分行业的影响;

内部营收增长:通过数据直接带来的线索、商机、流量,最终都会体现在合同份额的增长上;

内部运营优化:利用分析帮助产品进行的迭代改造所带来的用户体验改善;

内部日常提效:搭的数据看板,让其他团队的人从取数据、整理数据、汇集数据上释放工作量,所带来的工作效率提高


核心词:真伪需求

识别真伪需求,最好的办法是去和用户面对面的聊几次,去接触真正的一线业务,去和真正的用户进行对话,而不是靠言传,中间的信息会因为人为理解能力的因素打折扣。感受业务团队的痛点,厘清真正的诉求和需求,才能理解公司其他团队在制定战略过程中的目标,进行目标拆解,然后再站在数据的视角去组织分析框架、指标模型,实现数据的可落地性评估,实现价值;


沉淀的时候写过一篇《我在B端走数据分析——用户篇》,之后也会发出来,从内部做用户分层,到怎么筛选目标用户群体,拟定拜访计划,实际拜访问题清单,拜访过程中的控场细节,拜访结束之后的用户问题复盘一系列的过程进行具体的阐述。


核心词:生产力

为什么说工作要说生产力?我们之所以努力学习,本质上来说,就是要在短暂的几年里面,尽可能提高生产力。这里面包含两层:

1、利用好时间、工具、方法,提高自己单位时间内的生产力;

2、利用好资源,提高团队整体的生产力,产生综合影响,实现共赢;


想说的是,作为一个数据分析,会不会用python,写不写的好sql,虽然不是一个必须的事情,但是如果不精通,那么在很多层面上就会受制于人,在效率和产出能力上都会大打折扣,无法在第一时间内给出相应的解决方案,从而消耗了业务方的信任度,合作变得没那么顺畅。


核心词:生产工具

工具必须要要精通1~2个,技术迭代能够提升“生产力”。不再追求华而不实的“屠龙术”,能用规则解决的绝对不会用复杂逻辑,能用复杂逻辑解决的绝对不用算法,能用算法解决的绝对不用深度学习;


最初,之所以选择做数据分析,可能是因为自己的excel比别人用的熟悉,处理数据速度快。其他小伙伴需要用1天统计好的数据,通过用公式、写vba可能几分钟就搞定了;之后,通过R语言学习到了ggplot,可以一键绘图,尤其是地图、关系图等复杂图形的处理,会比excel方便很多,也成为领先于人的一种优势;


再之后,python 2.3的时代,利用pandas进行数据分析,可以整合不同的数据源,相当于打破了一个壁垒,可以通过python作为路由,对excel、word、txt、数据库、html等源头进行整合,因为可以模板化的缘故变得更加的高效,就有了时间去琢磨业务上的现存问题,再深耕进去解决,技术&业务并存的情况下,塑造了核心竞争力。工具的使用,也会成为自己挑选团队成员的一个重要因素,绝对的趋同。



三、怎么做到专业


最近几年,比较喜欢说一句话,在这家公司,只要是在数据领域,如果西索不知道,那应该就没人能知道,保持绝对的权威和话语权,这些都依赖几层能力和思维。所具备的能力矩阵,数据分析,最重要的真的是数学功底扎实么?左手概理统计,右手人情世故。



 

管理能力:工作中常用的几个管理方法汇总



 

分析能力:分析方法、模型和框架


基础统计分析模型



 

常用商业分析模型



 

互联网营销策略模型

 

算法能力


机器学习(无监督、半监督和有监督)、深度学习(NLP、RNN)

技术框架:python+sklearn+pytorch


四、如何塑造价值和影响力


主要分为应用价值和影响塑造在所有的分析项目上,我的团队主要是占主导作用,实现这个过程总体可以划分为三个阶段:


前期准备:理解业务,了解产品流程,绘制业务流程图(processon),盘点场景和对应的资产;


第一阶段:建立信赖通过日常的一些需求,和业务方建立好良好的合作关系,在需求实现的过程中,通过快速响应、快速交付的方式,以高效、准确的专业性,塑造一个好的角色,这个环节主要是破冰和建立信赖;


第二阶段:心智养成,对过往的需求进行整合,把临时对接的需求包装成为数据报告or数据方案,帮业务方提前去构思好问题,或者提前准备好业务方可能需要的内容,培养用户的数据意识和心智,养成好的用数习惯,让对方在使用数据的时候从弱依赖,慢慢引导成为强依赖;


第三阶段:价值共赢,关系熟了之后,可以站在业务方的视角去思考问题,了解部门or团队的整体KPI,结合周期内(月度/季度/年度)规划,寻找数据的切入点,在哪个流程什么环节,可以提供哪些数据的支撑,通过价值创造来实现共赢,从强依赖,到专业掌控,把事情交给专业的团队,不管是诊断还是设计;


五、分析团队的带法、管法和打法


从2014年开始,认识项目管理、产品管理、团队管理、经营管理。需要带入一定的管理方法,为了塑造团队的专业性和核心竞争力,需要建立流程、作业规范、作业标准、价值衡量方法、绩效考核制度,然后团队内需要有梯队化的建设过程,在复杂业务场景的时候如何利用owner来实现跨业务的高效协作。


团队定位和价值趋向


定位,数据资产的整合、数据价值挖掘、数据质量治理、数字化转型、数字化营销,都可以成为团队的价值定位点,取决于团队的组织架构挂在哪一层,是管理层的垂直管理去做商业模式研究,还是在研发侧作为中台的一部分提供能力输出,还是挂在业务侧直接提供决策支撑。不同的组织模式下,作用域不一样,谈资也就不一样,重要的依旧还是在于人,而不是数据,“他们”想要通过数据拿来做什么?故事、影响、度量手段、汇报工具还是仅仅只是报告。



价值

  1. 数据影响力,通过数据来塑造团队在公司内外的影响力

  2. 数据价值力,挖掘数据在用户侧应用场景做数字化营销

  3. 数据驱动力,支撑内部经营业务运营组织开展专项分析

  4. 数据发展力,分析团队的搭建,招聘、绩效考核、激励


职责和分工


  1. 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;

  2. 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;

  3. 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;

  4. 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;

  5. 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


  1. 重价值产出,以结果为导向,输出数据、报告可支撑运营决策;

  2. 做标准和规范,高度的可移植性和复用性;

  3. 团队成员的差异化,不趋同,各有所长,能够充分发挥扬长补短的特性;

  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;


团队打法


  1. 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;

  2. 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、数据看板等需留痕,以邮件形式交付,并抄送双方的一二级部门leader;

  3. 别人做的我不做,对于其他项目组已经涉猎的项目,不做重复的项目;

  4. 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则上应归还给数仓同学和数据产品,两个原则:模板化和产品化;

  5. 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;

  6. 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;


六、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,最后误打误撞的做数据,可能是因为我excel用的比较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,也就是国内比较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建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。

推荐阅读


推荐书籍


之前安利过:《深入浅出Python数据分析》

本书试图从最务实的角度开始,结合理论与实践去探索数据科学的真实世界,帮助读者一步一步地培养数据时代下的思维与技术。本书将从基础的Python 编程开始,以数据分析的流程为主轴一步一步地解析,然后展开介绍数据收集、数据前处理、特征工程、探索式分析等。


点击这里,阅读更多数据文章!

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存