BI数据分析师工作说明
*
– 一、需求整理
–
+ 1.1理解业务
+ 1.2梳理指标
+ 1.3整理问题
– 二、访谈沟通
– 三、落地实施
–
+ 3.1取数方案
+ 3.2仪表盘设计开发
– 四、数据分析
–
+ 4.1问题定义
+ 4.2信息搜集
+ 4.3分析
+ 4.4观点生成与沟通
– 五、内容总结
前言:说到BI数据分析师,大家可能会想到”查数菇”、”表哥”等等代名词;但是BI数据分析师工作仅仅是”取数”和”做表”吗?除了常规的取数和配表,其实还有很多其他的事情要做,以下从四个维度聊聊一个BI数据分析师日常的业务工作。
一、需求整理
1.1理解业务
一个BI数据分析师最基本也是最重要的能力就是理解公司的业务,行业的知识,只有理解了公司的业务,熟悉公司的商业模式,才不会被业务部门牵着鼻子走,最后把自己逐渐沦陷成为”取数工具人”,陷入无穷无尽的需求当中,不但累死自己还驱动不了业务部门做任何改善或变革。
对于业务的理解,可以从下面三个层面切入学习,分别是:企业特点、领域、行业。
- 企业特点
重点关注公司的业务模式,组织架构,发展历程,企业文化、愿景等方面;如果是上市公司可以看一下相关的研报、财务数据,对公司的业态有个宏观的认识。另外,模拟站在管理者的角度,思考公司内部的业务域及管理的节点,每个环节的业务活动及视角,进而对公司有个全面的了解。 - 领域学习
公司根据自己的业务模式都会划分成不同的业务域,每个域都会有特定的业务知识,例如财务域的三大报表、四大能力,杜邦分析、财务共享等;供应链域的计划、采购(执采和策采)、制造(生管、物控)、物流、器件认证(CE)等,商务域的接单出货未出货、订单分析、合同分析等。领域的学习除了单域垂直还要思考跨域拉通,根据公司的业务流程拉通各域业务。 - 行业知识
最常见的就是利用时间轴的方式分析公司所在行业。从起源到行业的周期,到现在的产业链/价值链(上下游产业链),政策、商业模式以及主要的玩家、未来行业的发展趋势等
; 1.2梳理指标
梳理指标也是一个梳理用户原始需求,编写指标逻辑文档的过程,数据字典常见的构建要素主要包含:分析思路、指标类型、维度清单、指标维度矩阵、数据源等等。另外,指标体系纵向是能满足企业各层级管理视角,如公司高层战略、中层管理及基层业务操作等,横向是能拉通企业的整个业务流程,满足业务活动的管理视角。
常见的指标分析方法有:
1.3整理问题
在项目推进、业务沟通中可能会出现各种问题,常见的问题有:指标的定义问题、指标的口径问题、逻辑性问题、主数据/基础数据问题,还有一个最难的就是甄别指标分析的价值问题。在项目推进的过程中需要分析师不断去整理跟进解决,例子如下:
; 二、访谈沟通
沟通访谈是一个最能考验数据分析师软技能的环节,需要数据分析师有较高的逻辑能力和表达能力;在这一环节中要能给到用户思路,引导用户。另外,还要理解用户的分析意图、确认每个指标分析的定义、计算口径以及产生的各种场景。
访谈的设计可以从以下这几个维度进行考虑:背景CONTEXT、目标Objectives、组织Organization、主题Topics、结束End 、后续So what
三、落地实施
3.1取数方案
- 维度表
当需求确认完成,首先确认维度表的落地方案;
首先判断该维度是否为公共维度,若不是,则为特定报表开发私有维表;
若是公共维度:
判断是有有主数据,若没有,则对同一维度建立多套口径,分别使用,此做法数据间存在无法打通的情况;
若有主数据且已有映射关系,则以主数据为主建立公共维表,其他口径往主数据上映射,打通数据; - 事实表
确认事实表落地方案;
首先判断数据需求来源,是否来自报表结果:
若是,则判断逻辑的复杂程度,若逻辑较为复杂则直接取结果表数据,该数据无法被其他分析场景复用;
若不是,则判断是否已有基础数据,若有直接根据基础数据计算结果;若没有,则已业务模型的形式取基础数据,完善数据仓库,并根据逻辑完成后续计算; - 源系统
根据方案和需求,请源系统IT帮助提供逻辑; - 数仓
输出给数据部开发,完成ETL工作;
; 3.2仪表盘设计开发
到这一步,一个报表的制作基本就剩”最后一公里”了,目前市面上大部分的BI工具都能 “拖、拉、拽”构建可视化图表,技术上可以说没什么门槛,但一个好用、高访问量的报表的设计离不开这三点:遵循仪表盘内容开发的原则、规范的UI/UE,以及将分析思路融进仪表盘的设计中。
1. 仪表盘原则
2. UI/UE规范
3. 思路融入
四、数据分析
4.1问题定义
1. 自我四问
2. 问题导向
数据分析必须以问题为导向,以便验证假设的有效性及确定有价值的发现
3. 问题树拆解
问题树是一个强大的工具,能够基于不同的情景把目标转化为具体的分析
一些方法和原则可以帮你快速建立适合的问题树,将大问题分解成小问题
- 做好基本功课
每一层面提出的假设和问题必须基于对相关领域的理解 (诸如客户所处行业, 竞争关系和客户的内部问题) - 阅读项目建议书
真正有价值的假设和问题必须同项目的本质联系起来.例如,如果用户的业务范围仅限于上海, 那么讨论”地区差异对价格的影响”这种问题就毫无意义 - 密切讨论
进行密集而深入的讨论,或者进行”头脑风暴”。提出主要问题和假设并组织好它们 - 集思广益
一起思考而不是单打独斗 - 层层拆解
问题树最详细的一层必须引向具体分析,它是用来解决问题并为数据分析提供指南.
; 4.2信息搜集
1. 收集数据前做一份检查清单,列出所有需要的数据并确定数据来源
2. 确定数据类型和来源后,需要采取3个步骤确定数据需求和访谈提纲
- 了解需要的数据有多具体详细:理解数据来源能在多大程度上完善数据;
- 确定可行的数据量:根据分析所需确定实际所需的数据量;
- 构造数据需求:建立数据要求的关键点在于数据结构化;
3. 用有关指标验证所收集的数据/信息
常见数据验证方法
- 最大值最小值:有些数据应该坐落在一定区间,重大偏差说明出现问题;
- 常识/经验:如果行业/公司经验标定了一些数据的一定范围,那么必须弄清为什么有些数据离此范围;
- 异常波动:有一些数据发生显著波动,需查明原因;
- 交叉检查:比较由不同方法得到的相同数据,如果有大的差异,重新检查
4.3分析
1.如何分析数据取决于我们需要验证的假设和问题,而不是反过来
2.在数据处理过程中如果有新的发现,分析应作出适当调整
; 4.4观点生成与沟通
在产生观点和沟通阶段,要记住作出最终报告并不意味着分析项目的结束
五、内容总结
以上从四个维度简单聊了一下BI数据分析师日常的业务工作内容,分享了一些思路及方法,也是摆脱”无情取数工具人”可以尝试的一些方向,希望能与所有在路上的BI数据分析师互相学习,共勉!
Original: https://blog.csdn.net/weixin_43727334/article/details/123071506
Author: Ralap_Data
Title: BI数据分析师工作说明
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/695191/
转载文章受原作者版权保护。转载请注明原作者出处!