到底高级的数据分析师需要啥能力？这是很多人心中的疑惑。网上流行的都是Excel，SQL，Python/ target=_blank class=infotextkey>Python，都是数据分析从0到1，那到底从1到100该弄些啥？陈老师给大家准备了一个《数据分析年底盘点》系列分享，今天，就从很少人讲的“能力”开始。
首先，咱先清晰下：知识、技能、能力的区别：
1、知识，比如统计学、数学、运筹学、机器学习，知识有理论体系，可以对着书学。
2、技能，比如Excel、SQL、Python、Tableau等软件。可以通过反复操作提升的。
3、能力，比如业务理解，沟通，逻辑思维，汇报等，这些很重要但没有标准教程。
那想要完成从1到100的成长，数据分析师该具备哪些能力呢？
这是脱离底层SQLboy，取数工具人的第一步。组长级以上的数据分析师，都得跟业务直接沟通项目，数据部门总监要上经营分析会，不懂业务是过不去的。一个公司的业务，有战略、战术、战斗三层，数据分析师的理解，也是分三层次的（如下图）：
图片
想要全面理解业务，可能需要在行业里待很多年。但使用价值链模型+财务报表，可以快速理解一个行业的主要收入、成本结构，快速建立认知，应付面试是够了。具体的业务流程梳理，可以借助企业的SOP+业务系统的流程，快速理解。
因为业务流程非常灵活多变，很多时候高级的数据分析师要自己动手梳理指标（而不是背诵AARRR之流）梳理指标体系。梳理指标体系需要结合具体业务流程（即业务理解里战斗层）。数据指标有总分式和流程式两种基本形态（如下图），但很多时候，业务流程本身很复杂，步骤非常多，因此需要有能力细细梳理。
图片
设计标签能力和梳理指标一样重要，但是经常被人忽视。高级的数据分析师可不是只会把维度表里的城市、性别、年龄拖出来用，而是能很敏锐地从业务口中捕捉到“高级用户”“长线运营”“防御性产品”这种词语，然后试着用数据量化。
这些有业务含义的标签，俗称“黑话”“行话”，是衡量一个数据分析师对行业理解的重要标准。当然，能随时设计一个新标签，更是高能力的体现（如下图）：
图片
有了指标和标签，可以开始取数了。但未经处理的原始数据需求，经常是混乱的，比如：
“喂！给我个数，就常规那种数就行，快点！”
“给我预测下明年销量，不用100%准，99%准就行”
“帮我算算哪个用户不买单，我去了他就买的那种”
一个合格的数据组长、部门经理，有能力把这些混乱的表达，整理成标准化的指标+维度，并且能弄清业务看数据的目的。这是非常重要的能力！很多同学就是因为自己的领导没这种能力，才被虐得死去活来。
图片
一个优秀的数据部门经理，则可以从常规取数需求中，发现开发看板，开发模型的机会，从而从部门争取更多功劳，这是更宝贵的高级能力了。
所谓分析逻辑，即是如何用数据说明问题，这里有两种典型的逻辑
1、拆分逻辑，从一个主指标出来，层层拆分，找到问题答案
2、假设逻辑，先提业务假设，再用数据验证假设关系
一般数据分析师在自己看数据的时候，多使用拆分逻辑，从大到小找到问题点。而在和业务部门讨论时，业务可能会提出分析假设，此时要剥洋葱式验证。分析逻辑是数据分析核心能力，如果分析能力不强，那就只能写：“活跃低了，要搞高”这种东西。只会写要搞高的话，基本上与高薪岗位无缘了。
图片
除了利用现有数据，测试也是一个常用工具。但注意！设计实验，是非常考验人能力的。因为统计学的双样本T检验，只会告诉你抽样出来的数字有没有显著差异，但是为啥要拿这两组数字做对比；为啥要比这个指标；有显著差异又说明业务上的啥问题，都得自己想明白才行。
图片
经常有业务方在做ABtest的时候，不去思考两个用户群体，两个版本有没有可比性，不去控制一下干扰因素，搞得测试结果很难解释。前后几次测试不一样，都是源于此。我们常说，一个好的实验得基于业务，针对谁？测什么指标？控什么因素？都得想清楚，这才是推理能力的体现。
高级的数据分析师当然需要有项目管理能力，因为数据分析工作本身就和各个业务有交集。前端埋点没做好，业务规则不清晰，一线人员瞎操作，都会影响数据质量，影响预测的准确性，影响数据看板上线，影响模型落地。所以要有项目协调与沟通能力，推动项目实现。项目管理是所有高级岗位的通用能力。
汇报能力也是一项高级岗位通用能力，只不过对高级的数据分析师格外重要，因为要直面各部门老板，数据严谨性，总结的可科学性，推理的严密性要求都很高。且经常要根据老板们的意图，随时调整汇报方向（见风使舵），这个对个人能力要求是很高的。
京公网安备 11010802035086号