数据分析从0到1的文章有很多，看得眼花缭乱，有必要系统的梳理一遍到底数据分析的工作流程是怎样的。一般来说，有6个阶段。
1. 搞数据
数据分析，顾名思义，有数据才能分析。无论做啥分析，搞来数据始终是第一重要的事情，巧妇难为无米之炊，尽可能地多搞数据，否则一切免谈。
数据分为很多种，当然也不能眉毛胡子一把抓，首先要明确我们需要什么样的数据，即目标是什么。
数据分析关注的数据一般是面向业务主题的，例如数据服务的产品、运营、销售、营销等等业务板块到底有什么数据，我们需要什么数据，这些都是一名合格的数据分析师必须梳理清楚的。具体的，可以分为两部分：
- 指标
- 维度
学习的一个非常重要的方法，那就是自问自答。
如果对自己要搞的数据不清晰，可以问自己以下问题：
- 我服务的部门是？【目的是明确主要KPI指标】
- 部门的KPI指标或绩效考核是？【目的是明确主要KPI指标】
- 部门属于利润中心 or 成本中心？【目的是明确主要KPI指标】
- 部门的主要流程是？【目的是解释KPI指标如何达成，过程指标体系相关】
- 部门现有的过程指标是？【目的是解释KPI指标如何达成，过程指标体系相关】
- 在现有的流程中，已采集的数据是？【目的是解释KPI指标如何达成，过程指标体系相关】
- 部门的组织架构是？【用来筛选关键分类维度的】
- 部门的服务对象是？【用来筛选关键分类维度的】
- 部门常用分类维度是？【用来筛选关键分类维度的】
数据是死的，人是活的
既不能仅仅习惯于取数跑Sql，更要清楚业务流程、数据来源、采集，既要知道自己手里有什么数据，更要明白这些数据背后的意义。
2.定基线
到了这一阶段，至少自己能看懂手头的数据了，明白每个数据用在哪个地方，有什么意义。
下一步要干嘛？？？
手里有粮了，数据模型开始造起来！！吭呲吭呲地把数据模型建起来，拿出去给人家一问，这是什么东西，你想表达什么，什么样的指标算是正常的，什么又是不正常的，不让人问得一脸懵逼才怪。
所以，第二步非常重要，非常关键的是：定基线。
这一步非常重要，因为数据本身没有含义，数据+标准才有含义！
并非所有的指标，业务方都会给出标准。很可能，有的数据需要凭经验、凭常识、凭分析定出基线。
从网上paste一张截图：
题外话：不管做什么类型的工作，与他人沟通困难或者就某个问题互相扯皮说不清，这样的问题很多时候都是因为双方没有设定一个共识，也就是对某项流程的标准没有达成一致，各说各的。如果一开始就先把这些模糊的问题明确清晰了，以后简直是事半功倍，与人合作就是一件愉快的事情。
; 3.拆因素
跨过第二阶后，作为数据分析师的你已经对业务常见走势，有充足的了解。并且，自己有能力做判断，就能识别出异常状态。并非所有的异常都不可控，有相当多的异常是由可观测因素导致的，比如宏观环境，比如营销动作、推广计划。此时，要有能力先把这些明显可识别的”白犀牛”整明白，再来考虑其他”黑天鹅”问题。
到这里，肯定有人会说：”这个简单，我的PEST，SWOT已经按捺不住了，来吧！”然鹅，没卵用。你看那么多PEST的文章，有一篇教过我们怎么量化P、E、S、T四个指标不???
再paste一张截图
所以，这一步的任务就是要把那些影响业务的因素，拆解到可以量化、用一个或多个数据指标表现，并能与内部数据结合分析，达到这种程度。即 拆因素
具体怎么拆，是需要大量分析工作做基础的，最后沉淀下来的就是最有价值的经验。
4.测细节
搞定第三步后，数据分析师能对明显的，重大的影响因素做出判断。想要进一步提升，就得深入到细节中，了解活动到底怎么做的，产品到底怎么设计的，用户到底需求什么。这些已经触及业务的核心，因此很难短时间内搞清楚，需要长期积累。
想做这一步，有2个关键工作要做。
- *打标签
越是触及业务核心，连续型指标能描述的情况就越少，越需要打标签。类似用户情绪、喜好、产品功能点、营销逻辑，都是靠标签来描述和量化的。不是说把数据库里的，现有的维度表拖出来就完事。如何准确地打标签，将业务量化，做出清晰的分类，是高级数据分析师的技能。
- *做实验
可能有人会说：ABtest经常干，为啥自己感觉不到进步呢。
只能说，现在的ABtest，很多是产品驱动的，不是数据驱动的。鬼知道产品经理从哪里搞了2个版本，扔过来就测，然后让数据分析师解释差异。这是非常本末倒置的，只会让人陷在琐碎的数据里。
一个正式的实验（哪怕没这么正式，起码思路逻辑上要对路）：
- 1、有清晰的改进目标
- 2、有清晰的改进逻辑
- 3、有关键改善过程指标
- 4、有环境控制变量
- 5、有组间差异预判
5.理逻辑
想要让数据更好地展现价值，就得有能力应对现实问题。在千头万绪中，梳理清楚问题逻辑，找到正确的答案，或者至少给自己找到脱身的办法。
通过以上4步：描述问题–发现问题–解释问题–校验效果，基本上能够达成闭环，如果在数据层面考虑的话。
但是！！在现实工作当中，相当多的问题不是来自于技术，而是来自于业务。
作为一名技术boy，日常工作最头大的就是怎么跟业务方沟通好，两个不在同一思考维度的人如何做到共赢。最头疼业务方的屁股决定脑袋，业务方急功近利、大干快上，业务方事前拍脑袋，事后拍大腿。
这时候”理逻辑”， 重点是把口语表达的，不可量化的业务逻辑，转化成数据可验证的逻辑，并且选择合适的数据方法得出结论。除了数据能力，还需要数据分析师有业务洞察，有一些职场沟通技巧，才能完成任务。
6.组模型
终于到模型搭建部分了！！
此时的我们需要从前几步的数据中提炼一些属于自己的模型出来。
- 如果用少数关键指标就能概括这个行业的问题，可以捏个业务模型
- 如果某个业务场景，用特征+算法能得到很准确的预测结果，就固定成该行业算法模型。
做这一步，不仅是为了沉淀经验，提升逼格，更是为了迁移知识，扩展使用范围服务的。很难保证人一辈子都不换行，掌握了优秀分析能力的人，干一行就是一行专家。而迁移知识，靠的是模型的总结与经验积累，两者缺一不可。
总结
作为刚毕业不到2年的职场菜鸟，唯一引以为豪的就是保持着学习的激情，不限领域，不限行业。但是光学不用，就是无用，所以如何学以致用也是我一直都在努力的方向。
对于数据分析了解得越多，感觉自己越来越喜欢这个职业。这个岗位不仅要求人有技术，能自己动手解决问题，而且还要求懂业务，懂流程，明白自己为什么要这么做，这不就是道、法、术的复合体吗。
在企业层面来说，数据分析师的使命不仅仅是把数据采集上来，做处理做分析，更是为管理层提供决策支持，为企业发展壮大添砖加瓦。
Original: https://blog.csdn.net/kun_csdn/article/details/122939999
Author: JaquanC
Title: 数据分析工作流程
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/600165/
转载文章受原作者版权保护。转载请注明原作者出处！