CDA數據分析師 出品

Hello大家好，我是CDA數字化人才成長陪伴導師張俊紅。

今天我給大家做一些關于我個人的分享，希望對大家的成長能夠有所幫助。

我叫張俊紅，目前在一家互聯網公司從事數據分析相關的工作。在工作之余，我個人會寫一些公眾號文章，還會寫數據分析相關的書籍，比如說我最近新出的這本對《對比Excel，輕松學習Python報表自動化》，這本從上市到現在一直都在當當新書榜第一的位置。

到底什么是數據分析師？數據分析師到底是干什么工作的？

現在看這篇文章的小伙伴大多數應該是數據分析師，相關的從業人員，或者是想入門數據分析行業的人群，大家可能都對數據分析具體是做什么的，或者是一些具體工作內容會有一些疑問。

這里首先需要聲明的一點就是，如今不同的行業和公司，大家對數據分析這個職位的稱呼可能不太一樣。

最普遍的就是稱數據分析師，有的公司可能會稱 BI分析師或者大數據分析師，有的可能叫經營分析師，也有可能叫數據科學家之類的。其實不管是公司里關于數據職能它叫什么，但大家本質上做的事情其實都是差不多的，都是圍繞數據去展開的一些分析。

作為數據分析師，具體需要做什么樣的一些事情，我個人理解的話可能主要是三個方面。

01、通過數據發現問題

第一個方面就是，我們主要通過數據發現問題。這個可能對于大多數分析師來說相對比較容易。常規通過各種數據比較，跟同環比較。如果當某個指標超過某一個界限的時候，我們就認為這個指標背后的業務是有問題的。

第一點就是通過數據去發現問題，第二個點是要基于發現的問題去分析背后的本質原因是什么。第二點對數據分析師的要求更高一些。

02、基于問題分析本質原因

在這個環節我們需要去掌握一些常用的分析方法。

比如說漏斗分析法，需要根據漏斗分析法去分析說到底哪個環節出現了問題；或者說去通過分組分析，需要知道具體哪些維度，哪些用戶群現在的問題比較大；還需要去掌握貢獻度的計算方法，需要知道到底哪個環節貢獻比較大，每個環節的貢獻度分別是多少，或者說不同的人群的貢獻度分別是怎樣的。到這里的話，其實我們是從數據層面對整個問題進行了歸因。還要更進一步發現說數據歸因下面的業務本質原因是什么。

這里給大家舉個例子。

最近發現DAU發生了比較明顯的下降。我們通過各種分析方法，最后得出來的數據結論是：因為23歲以下的用戶群體發生了比較明顯的下降。到這里我們只是發現了數據層面的原因，那么為什么會下降呢？這里就需要去對業務進行了解。

進一步發現23歲以下的用戶主要是學生群體，可能恰好趕上學校陸續開學，從而影響了這段時間的活躍度。因此導致23歲以下用戶群體發生了大幅度的下降。

到這里其實我們才是對整個問題有了最本質的歸因。數據層面看到是23歲以下的用戶發生了下降，最本質的業務原因是由于這部分學生群體開學了，沒有時間來活躍了，這個其實是我們要做的。

03、基于現有問題給出策略上建議

這里面之所以用建議，是因為其實作為分析師可能對這個業務是沒有決策權的，只是建議權。

繼續回到上一個例子，發現最近DAU下降了，主要是學生群體的下降。那么有什么辦法？是否能夠讓學生群體在上學的時候也能夠活躍呢？或者說如果學生群體在上學時候沒法活躍，那么有沒有什么辦法去看一下其他非學生用戶群體的滲透率是什么樣子。有沒有辦法讓非學生群體的滲透率變高。

針對這些環節，你還缺哪些能力，就可以根據具體的技能點查漏補缺。

會用Excel，真的需要再學Python嗎？

很多讀者來問我，說我現在已經Excel了，我還有必要去學Python嗎？

其實要注意的是，不管是Excel、Python還是SQL，其實都只是數據分析的一個工具而已。分析的本身和你用什么工具其實是沒有關系的。用Excel能做數據分析，用Python也能做，用其他工具也可以。所以大家不要覺得說用Python做數據分析，就比用Excel做數據分析高級，其實不太存在這方面的問題。

既然這樣的話，可能有同學就會問了，既然如此，我是不是只會Excel這一個技能就好了，我就沒必要去學Python了。

大家如果有在網上看去看招聘要求的話，會看到基本上互聯網公司招聘都會有一項要求會Python。

為什么呢？我個人認為主要有兩方面的，一、在有些場景下，有些場景下， Excel和Python可能都能做這件事情，但是 Python的效率可能會更好一些。第二個原因就是，在特定的場景下，只有 Python能做，但是 Excel是不能做的。

基于這兩個原因，我們就有必要去學Python。雖然不是100%的工作都是用Python，但萬一遇到非Python不可的時候，你也會，這就能讓你如虎添翼。

具體工作場景中，使用Excel和Python的不同

接下來具體講講日常的具體工作內容，再看一下在具體的場景中用Excel和Python有哪些不一樣的地方。

第一點就是數據處理。

比如說缺失值處理，重復值處理，加減乘除運算等。Python的一個優勢就在于大數據處理， Excel的話可能上限就100多萬行。

而且雖然上限是100多萬行，但處理大量級數據的話，一般超過20萬行， Excel就反應特別慢了。尤其當你在里面嵌套了很多公式時，經常導致 Excel無響應就崩潰退出了。而Python就不存在這個問題。如果數據量級很小， Excel和Python是差不多的，有時可能Excel效率可能還會更好。

這是關于在數據處理方面，因為我們做數據分析的第一件事情，可能就是去對這個數據進行各種各樣的一個處理，大家根據自己的情況去選擇就好了。

第二點是報表自動化。

常見的有日報、周報、月報等。這種報表有一個好處就是格式相對比較固定。只要格式是固定的，我們就可以想想辦法去把進行自動化。自動化的話可以用Python寫代碼，把代碼寫好了，它運行一次就ok了。在Excel里面的話也是可以的，去寫vba，或者用各種公式嵌套。網上就有人專門去比較過，同樣的操作，用vba和用Python的效率差異， Python可能要比vba更快一些，也就是效率更高一些。

Python和 vba在寫代碼的方面，比如要讀取一個文件，Python里面可能一行代碼就能夠讀取進來了，在vba里面可能要寫好幾行代碼，而且也不是那么好理解。

還有一個最重要的點是Python現在很火。

很火就意味著網上會有很多的資料，如果你遇到什么不太懂的地方，去網上搜一搜大概率是能搜得到的。但是vba整個受眾還是相對較小的，如果遇到什么相關問題，可能問身邊的人發現也沒幾個人會用。你去網上搜也得不到太多的資料，我們在學的時候都需要去借助網上資料，網上的資料多少就決定了我們學習的效率。

第三個方面是圖表可視化。

我們就經常需要去做圖，需要做的好看。Excel和python其實都能做出很好看的圖表來，只不過Python里面是有很多現成的包，只需要調用一兩行代碼就能夠做出很好看的圖表來。Excel里想要做出好看的圖表，就要做進行各種設置，這需要耗費很長的時間，這方面效率是不如 Python。

另外遇到一些比較高級的圖表。比如說統計里的核密度圖或者小提琴圖之類的。這些在Python里都有現成的包可用，只需要一行代碼就能繪制出小提琴圖。在Excel里面，如果想繪制小提琴圖基本是不太可能的。

最后在統計檢驗或者說統計學方面。

A/B測試大家應該都有用到過，其本質上核心內容就是假設檢驗。

如果是做一些比較基礎的假設檢驗的話，在 Excel和Python都是差不多的，比如T測試。Excel里面也是一個公式的問題，在Python里面就一行代碼的問題。在這里其實差不多的。

但如果想要用一些比較復雜的檢驗，比如說多重檢驗。你在Python里面也有現成的包，一行代碼就出來結果了。在Excel里需要人工的去實現兩兩比較，最后達到多重檢驗的結果。

綜合一下，其實從數據處理、報表自動化、圖表可視化，統計檢驗這些是分析師日常工作里用到的幾個方面。在不同的場景下，Excel和Python各有不同，有的時候可能Excel的效率會更高一些，有的時候可能兩者差不多，有的時候可能Python會更好一點。

基于以上幾點，我們還是有必要去學學Python的。關于工具，沒有哪個工具是萬能的。

作為一個合格的分析師來講，你需要有自己的工具庫。里面有各種各樣的工具，你需要去靈活的去組合，在什么樣的場景下，用什么樣的工具更好?；蛘哒f用哪些工具進行組合，效率會更好。大家不要局限在一種工具，一定要去同時掌握多種工具，能在不同工具之間進行自如的切換。

拿到業務需求時，如何與正確的理論結合？

現在很多同學在網上不管是看書還是看視頻，可能會學了很多數據分析的方法論。到了實際的工作過程中，可能又不知道怎么樣把具體的理論和具體實踐實際的工作內容結合起來，這個的一個本質原因。我認為這方面是，我們對這個方法本身沒有理解的太透。因此在學一個方法的時候，首先需要知道這個方法本身的內容是什么，它的適用場景是什么。

給大家舉個例子，比如說圖表可視化的選擇。

現在圖的類型是有很多，最基礎的柱狀圖、折線圖、閃點圖，還有高級一點的?；鶊D、熱力圖之類的。

圖表的類型有很多，如果學了很多圖，也學了很多圖表的制作，在實際工作的過程中，讓你把數據用圖表的形式展示出來，該用什么圖去展示呢？

這時我們首先要對圖表進行歸類，比如說對趨勢進行表達，可以用折線圖。如果說要對比大小，對比不同類別間的大小情況，就可以使用柱狀圖，或者餅圖。如果說想要表示不同指標之間的關系，就是相關性問題，就可以用散點圖，或者兩條線圖去表示。

首先要對所學過的所有圖表進行歸類，歸類完之后拿到具體的工作內容、工作場景時，要去看數據是什么類型，想要通過數據表達什么樣的內容，達到什么樣的目的。

比如說要表達最近一年銷量趨勢是上升還是下降。選擇折線圖或者柱狀圖就好了。如果說要表達全國不同的GDP 情況，很明顯是比大小的問題。就可以用柱狀圖。不同的省份是不同的柱子，我們就能夠看出來不同柱子之間的大小情況。

這樣的話其實你就會很清晰了，但如果不對不提前對學到的東西進行歸類，就會導致說不知道該怎么選怎么用。

業務分析能力如何提升？如何學習？

前面其實有提到，我們要對業務足夠的了解，需要去尋求數據背后的本質業務原因，這本質都是業務分析的能力。

業務分析可以拆為兩塊。

第一塊就是業務的理解程度。

我們要對所負責的業務，所分析的業務有足夠的了解。

比如說要分析外賣的準時情況。下了訂單之后，外賣能不能準時送到手里。

這里你需要對外賣或者整個物流行業有一個很清楚的了解。從開始客戶下訂單到最終送到客戶手里面，需要經歷哪些環節。每個環節它各自的耗時情況是什么樣子的，有哪些比較容易產生延誤的環節。為什么那些環節會產生比較很高的延誤概率？對這些有很清楚的了解之后，在分析的時候才知道應該去看哪些數據，分析哪些數據，分析哪些指標。這個是第一個點，我們要對業務足夠了解。

第二點就是分析思維。

分析思維本質上就是個人的邏輯思維能力。這其實可能跟是不是分析工作是沒有關系的，邏輯思維能力是一個通用的底層能力。只不過是作為分析師，可能對這一項能力要求會比較高一些。因為你會負責一個業務，然后這個業務里面可能會有很多的指標，需要去弄清楚不同指標之間的關系是什么。哪些指標會影響哪些指標，哪些指標的它的影響是單向的，就只是a影響b。哪些指標是雙向影響，會相互影響，a會影響b， b又反過來還會影響a。這些其實都是考驗邏輯能力。

以上就是我今天的分享了，希望給大家能有一些幫助。