这6种性格的人不适合做数据分析
想必大家都清楚，数据分析是一个入门简单，深入难得行业，随着现在技术、工具的发展，很多人拿到数据后，直接输入到特定的环境下就可以快速得到想要的数据，比如一组订单数据，放进excel透视一下就可以知道什么时间下单多，哪些地区下单占比好，什么地区的人喜欢购买什么样的商品，只要会excel，相信你一定能快速得到以上几个数据，但是很少人会去思考这个数据要如何用？比如你可以快速知道下单集中在晚上10点，那你要做什么？思考过吗？要提高成交，就要思考，分析的样本是否可以代表总体的行为，是不是总体用户也是这样的下单习惯？地区之间有没有显著差异？要提高客单价，就要思考已购多品类用户与已购单品类之间的关系，品类之间有没有相关或者关联性，是用户需求导致？还是营销活动导致？还是产品本身属性导致？等等要提高复购率，思考要不要针对已购行为的用户做商品推荐？推荐什么？依据是什么？已购定义的时间窗口如何划分，效果更好？近一月还是近14天？要提高首次购转化率，思考他们喜欢什么？最近的热门产品是什么？如果push的话转化的概率多大？等等体会到了吗？要做一个数据统计的机器人很简单，你只要会操作工具即可，但要做一个用数据的高手，你会发现有很多环节要思考，去用数据去验证、假设、推理我接触很多人3年甚至多年的时间都仅仅停留在入门，但他们自我感觉是资深，仔细想一想以下六类人可能不适合做数据分析。
其实数据分析的精髓在于思考，无论是出报表、还是做报告，其实都是希望通过这些看似杂乱无章的数据给我们带来一些价值，而这个价值的衡量的出发点其实就是思考，简而言之，就是你要用数据干什么？等有一天你想清楚了这个问题，你的思维也会变得更有逻辑。比如领导让你出一份经营分析报告，那你就要思考，由下往上思考，整体会涉及哪些指标，这些指标背后的含义是什么？这些指标能不能分类？分类的标准是什么？比如分类的标准是整体收入、发展趋势、用户表现、品类管理、库存状况等，然后再思考，例如整体收入这块，我要用这个分类的那些指标做对比、哪些做预测、那些做结构，分别要告诉决策者什么问题，目前好不好的问题？未来好不好的问题？现在现在的状态问题？这一来二去雏形不就有了吗？这种方式相对而言，难度较大，要会归纳总结，还要会给一级、二级、三级框架造词，说人话那种。还有一种是由上而下，这类思考取决于分析师的项目经验，做过的话，很容易提炼出诱人的大纲，再根据大纲敲定每个部分的分析框架，然后去思考选取那些指标，什么样式的分析方法更能传达你要表达的信息，这类企业很喜欢，来了有是成熟的模版，直接干活。
很多时候你会发现，当你看一份报告的时候，你被别的的ppt水平、可视化技能、文字的巧妙所吸引，而很少会思考，数据采集的方式是什么？是否能够代表整个行业？指标提炼的逻辑是什么？与我想要的有什么区别，可信度是多少？对于超出自己范围的数据要多渠道去验证，不能盲目的信从，比如媒体报道中的数据，什么离婚率、就业率、薪资等，要多来源验证、追问、质疑，有人会说，研究这些和我做的业务没关系呀，其实不是，这是一种对待数据的态度和习惯。比如当你计算一个kpi完成率时，你会发现很多指标年年都好，但最终的财务指标基本没有任何变化，为什么？你质疑过吗？考核的指标一般都是层层下压，为了完成kpi，基层也是绞尽脑汁。正所谓上有政策下有对策，执行中必然会被扭曲。尼尔·波兹曼说过：过去人们是为了解决生活中的问题而搜寻信息，现在是为了让无用的信息派上用场而制造问题。
数据分析师常常在程序员、决策者之间进行徘徊，上游是决策者，下游是程序员，要是没有有效的沟通，你很理解决策者到底想要什么？要是没有沟通你很难得到自己想要的数据形式？有数据和给你什么样式的数据差异很大的我见过很多人分析的框架和决策者想要的结合很完美，但找程序员要数据时，傻眼了，自己挖了个大坑，想分析没数据。也见过很多人未能和it准确有效的沟通，提出来一张自己用现有能力无法玩转的一张表。更见过很多元数据理解的很清楚，但输出分析框架时，受现有数据资源影响过大，打不开思维，导致输出与决策者完全不符的分析结果。这是一个博弈的过程，一定要沟通，决策者的问题是没有边界的，但你、决策者、it之间的沟通是可以让其有边境的。
有2个方面，一方面是自学路上动手能力差，比如工具类的问题，经常问来问去，其实有时候自己动手搜索一下，你会发现世界真美好，这是搜索的强项，人脑记忆肯定干不过电脑。另一个方面是自己缺乏练习，很多人学课程，看书，从来不自己操作，老想寻找一些面试题、某企业级数据集拿来分析一下，看看自己的水平，要对胃口的数据集其实很少的，即使有，也是美化版的，很多综合性的演练你还是学不到的，还不如随便爬一些数据，越乱越好（对练习工具操作有巨大好处），然后在现有数据的基础上看看可以分析出什么？希望告诉别人什么？需不需要再补充一些数据，让结论更有说服力，更细致一些。
有人会说，你胡扯吧，我们都用python，我只能告诉你，你还是没有清楚认识到数据分析，没有python前，大家都不做数据分析吗？请好好思考一下如果你仔细观察，你会发现5年以上的数据分析师，90%都用的excel，10%的工作环境可能是python、sql、spark、kettle等。不是所有人，所有分析师都要面对所谓的海量数据，目前的趋势已经是数据统计智能化了，部分做专题分析会复杂一些，但一般大的专题是要一个团队一起完成的，比如简单的决策者+业务+it+分析师，所以很多时候it是可以帮你搞定的，会有人问，自己要是会的话，不是更香？那就要看你喜欢工具带来的快感，还是升职加薪带来的成就感了。
数据分析是一个很难成长的职业，有的人入行很多年还用的是入行时的那套分析逻辑，为何？一直没找到自己不对的地方，今天看点文章觉得思路好，下次加进报告，明天又看一个课程说的这块不错，下次再改进一下，但你有没有想过，你的这些举动其实是在消除焦虑，怕自己跟不上时代。好的分析经验一定是复盘出来的，分析最终都是要看疗效的，那其实做业务分析的可以很直观看到自己输出对关键指标的影响。这时候可能会有一部分人说，我是做运营分析的，我如何复盘？做运营分析的目的是什么？发现问题，那发现问题的目的就是尽量让这个问题按照我们的线路走，变的可控，变的可确定，那是不是需要一套跟进的流程和监督方式呢？另外发现问题与发现好问题，这也是一个值得复盘的方向。这里面我始终没有说学历、专业、性别，在我看来这些都不是关键，分析思维是人类天生都有的，就看能不能激发出来。对比Excel系列图书累积销量达15w册，让你轻松掌握数据分析技能，感兴趣的同学可以直接在各大电商平台搜索书名了解：
点赞
评论
收藏
分享
手机扫一扫分享
举报
点赞
评论
收藏
分享
手机扫一扫分享
举报
