近些年，互聯網公司對數據分析師崗位的需求越來越多，這不是偶然。

過去十多年，中國互聯網行業靠著人口紅利和流量紅利野蠻生長；而隨著流量獲取成本不斷提高、運營效率的不斷下降，這種粗放的經營模式已經不再可行。互聯網企業迫切需要通過數據分析來實現精細化運營，降低成本、提高效率；而這對數據分析師也提出了更高的要求。本文將和大家分享數據分析師的演變、數據分析價值體系、數據分析師必備的四大能力、七大常用思路以及實戰分析案例。

數據分析師的前世今生

在介紹數據分析師之前，我們先來看一下這幾個歷史人物，看看他們都跟數據分析師有著怎樣的淵源？

　　歷史上大名鼎鼎的分析師

上面展示的六個歷史人物（從左往右，從上往下）分別是：張良、管仲、蕭何、孫斌、鬼谷子和諸葛亮。他們是歷史上大名鼎鼎的謀士，有的還做過丞相。他們博覽群書、眼光獨到，通過對大量史實進行總結發現了很多規律，并且在實踐中成功預測了很多事件。他們通過 “歷史統計——總結分析——預測未來”的實踐為自己的組織創造了絕大的價值，而這就是“數據分析師”的前身。

那么現在，數據分析師需要哪些必備技能，如何成為一名優秀的數據分析師呢？

數據分析師的價值金字塔

一個完整的企業數據分析體系涉及到多個環節：采集、清理、轉化、存儲、可視化、分析決策等等。其中，不同環節工作內容不一樣，消耗的時間和產生的價值也相差甚遠。

　　數據分析師的價值金字塔

互聯網企業數據分析體系中至少有三方面的數據：用戶行為數據、交易訂單數據和CRM數據。工程師把不同來源的數據采集好，然后通過清理、轉化等環節統一到數據平臺上；再由專門的數據工程師從數據平臺上提出數據。這些工作占用了整個環節90%的時間，然而產生的價值卻只占10%。

這個金字塔再往上數據分析就和業務實際緊密結合，以報表、可視化等方式支持企業的業務決策，涵蓋產品、運營、市場、銷售、客戶支持各個一線部門。這個部分占用了整個環節才10%的時間，但是卻能產生90%的價值。

一個優秀的商務數據分析師應該以價值為導向，緊密結合產品、運營、銷售、客戶支持等實踐，支持各條業務線發現問題、解決問題并創造更多的價值。

數據分析師必備的四大能力

　　1.全局觀

某日，產品經理跑過來問我：Hi, 能不能幫我看一下昨天產品新功能發送的數據？謝謝！條件反射我會說：好，我馬上給你！不過我還是禮貌性地問了一句：為什么需要這數據呢？產品經理回復道：哦，昨天新功能上線了，我想看看效果。知道了產品經理的目的，我就可以針對性地進行數據提取和分析，分析的結果和建議也就更加具有可操作性。

很多時候，數據分析師不能就數說數，陷入各種報表中不能自拔。一個優秀的數據分析師應該具有全局觀，碰到分析需求的時候退一步多問個為什么，更好地了解問題背景和分析目標。

2.專業度

某企業的數據科學家針對用戶流失情形進行建模預測，最終得到的用戶流失模型預測準確率高達90%多。準確率如此之高，讓商務分析師都不敢相信。經過檢驗，發現數據科學家的模型中有一個自變量是 “用戶是否點擊取消按鈕” 。而點擊了“取消”按鈕是用戶流失的重要征兆，做過這個動作的用戶基本上都會流失，用這個自變量來預測流失沒有任何業務意義和可操作性。

數據分析師要在所在行業（例如電商、O2O、社交、媒體、SaaS、互金等等）展示她/他的專業度，熟悉自己行業的業務流程和數據背后的意義，避免上面的數據笑話。

3.想象力

商業環境的變化越來越快、越來越復雜，一組商業數據的背后涉及到的影響因素是常人難以想象的。數據分析師應該在工作經驗的基礎上發揮想象力，大膽創新和假設。

根據硅谷公司的核心KPI（Facebook的4-2-2準則，LinkedIn的connection規律），我們也想找到互聯網企業驅動增長最核心的KPI。基于我們的想象力和”無埋點”全量數據采集的優勢， 我們創造了” GrowingIO留存魔法師” 。通過全量采集的數據，智能自動的后端計算，以及簡單的使用交互，留存魔法師可以幫助企業迅速找到與其留存最相關的用戶行為，就像魔法師輕輕揮動魔法棒一樣簡單。例如某 SaaS產品 ，在一周內創建過3個圖表的用戶(群)留存率非常高，那么”一周+3個+圖表”就是我們驅動用戶增長的魔法數字。

4.信任度

以銷售崗位為例，一個銷售人員首先要和用戶建立起信任；如果用戶不信任你的話，那他也很難信任或者購買你的產品。同理，數據分析師要和各部門同事建立良好的人際關系，形成一定的信任。各個部門的同事信任你了，他們才可能更容易接受你的分析結論和建議；否則事倍功半。

數據分析常見的七種思路

1.簡單趨勢

通過實時訪問趨勢了解產品使用情況，便于產品迅速迭代。訪問用戶量、訪問來源、訪問用戶行為三大指標對于趨勢分析具有重要意義。

2.多維分解

數據分析師可以根據分析需要，從多維度對指標進行分解。例如瀏覽器類型、操作系統類型、訪問來源、廣告來源、地區、網站/手機應用、設備品牌、APP版本等等維度。

3.轉化漏斗

按照已知的轉化路徑，借助漏斗模型分析總體和每一步的轉化情況。常見的轉化情境有注冊轉化分析、購買轉化分析等。

4.用戶分群

在精細化分析中，常常需要對有某個特定行為的用戶群組進行分析和比對；數據分析師需要將多維度和多指標作為分群條件，有針對性地優化產品，提升用戶體驗。

5.細查路徑

數據分析師可以觀察用戶的行為軌跡，探索用戶與產品的交互過程；進而從中發現問題、激發靈感亦或驗證假設。

6.留存分析

留存分析是探索用戶行為與回訪之間的關聯。一般我們講的留存率，是指“新增用戶”在一段時間內“回訪網站/app”的比例。數據分析師通過分析不同用戶群組的留存差異、使用過不同功能用戶的留存差異來找到產品的增長點。

7.A/B 測試

測試就是同時進行多個方案并行測試，但是每個方案僅有一個變量不同；然后以某種規則（例如用戶體驗、數據指標等）優勝略汰選擇最優的方案。數據分析師需要在這個過程中選擇合理的分組樣本、監測數據指標、事后數據分析和不同方案評估。

數據分析實戰案例

某社交平臺推出付費高級功能，并且以EDM（Email Direct Marketing，電子郵件營銷）的形式向目標用戶推送，用戶可以直接點擊郵件中的鏈接完成注冊。該渠道的注冊轉化率一直在10%-20%之間；但是8月下旬開始注冊轉化率急劇下降，甚至不到5%。

如果你是該公司的數據分析師，你會如何分析這個問題呢？換言之，哪些因素可能造成EDM轉化率驟降？

一個優秀的數據分析師應該具有全局觀和專業度，從業務實際出發，綜合各個方面的可能性，因此，EDM注冊轉化率驟降的可能性羅列如下：

技術原因：ETL延遲或者故障，造成前端注冊數據缺失，注冊轉化率急劇下降；

外部因素：該時間節點是否有節假日，其他部門近期是否有向用戶發送推廣郵件，這些因素可能稀釋用戶的注意力；

內部因素：郵件的文案、設計是否有改變；郵件的到達率、打開率、點擊率是否正常；郵件的注冊流是否順暢。

經過逐一排查，數據分析師將原因鎖定在注冊流程上：產品經理在注冊環節添加了綁定信用卡的內容，導致用戶的注冊提交意愿大幅度下降，轉化率暴跌。

一個看似簡單的轉化率分析問題，它的背后是數據分析師各方面能力的體現：首先是技術層面，對ETL（數據抽取－轉換－載入）的理解和認識；其實是全局觀，對季節性、公司等層面的業務有清晰的了解；最后是專業度，對EDM業務的流程、設計等了如指掌。

練就數據分析的洪荒之力并非一朝一夕之功，而是在實踐中不斷成長和升華。一個優秀的數據分析師應該以價值為導向，放眼全局、立足業務、與人為善，用數據來驅動增長。