数据分析师的日常工作是什么？

编辑导语：数据分析是一个通过对原始数据进行分析，从而挖掘有效信息的过程。随着大数据时代的到来，各行各业都意识到了数据的重要性，因此数据分析师岗位也被越来越多的人所知晓。那么，数据分析师的日常工作是什么？数据分析师之间又有哪些共性和非共性呢？本文作者做出了回答。

有同学会说，得先定义清楚数据分析。是的，想定义清楚数据分析，不能看他叫什么，而要看他做什么。适用于任何职位。

总结有4个方向可能影响到日常工作内容，按影响程度排列：

所在的部门历史工作年限+入职时长个人的技术栈数据部门的规模

既然是一个特定职业，那么无论在什么部门，无论工作多久，一定是有一定的共性的。就像画家总会拿起自己的画笔，司机自然会有一辆车~

一、数据分析师有哪些共性？

我们先简单定义分析师为：对数据进行一定的处理，并辅助需求方决策。

1. 对数据进行处理

对数据处理的工具有很多，但是基本都绕不开两个核心 EXCEL + SQL。

2. 了解业务

想要辅助决策，首先要了解对方干什么。如何了解业务？通过数据看业务的表现，和需求方沟通，参与需求方的会议，到需求方进行轮岗等。

这些内容可以用流程图+文档记录，帮助自己理解业务流程及细节。

3. 可视化传递信息

需要将信息有效的传递到需求方中，需要使用合理的方式将信息传递。可视化是常见的且有效的方式，这里一般使用EXCEL就可以完成对大多数的需求，但是更建议掌握一个BI工具。

推荐使用商业化产品，例如tableau,power bi等。汇报时，可以使用PPT，但是要注意效率问题，毕竟制作一个逻辑合理，美观的PPT还是很肝的。

4. 总结

无论你在什么部门，什么行业，EXCEL + SQL + BI + 流程图（了解业务）对于小白来讲，快速掌握以上几点，是进入工作角色有力的保障。

二、非共性的部分

1. 所在部门影响的工作内容

1）数据中台组

当项目有多条业务执行线时，且部门对全部业务线服务时，该数据部门就可以定义为中台组。比如，同时为产品、市场与渠道、运营提供数据支撑。

这个时候更多的会在底层数据服务，除共性内容外：

了解数据库存储逻辑，字段含义，了解数据指标具体定义及产出逻辑；承接各需求部门提数需求，部分可能会需要python等脚本语言来处理；数据埋点文档产出；为业务方提供的数据产品的配置及培训等。

2）运营部门

活动运营：会统计每一次活动的效果，及流程转化率，产出每次的数据结案，及是否优化建议。主要会关注到成本情况，效益情况，各流程转化率情况，用户在活动后表现。用户运营：了解用户生命周期。产出用户画像及用户分层规则，并执行精细化运营的逻辑策略，同时统计效果。有能力需进行频繁的AB测试，沉淀测试结论。其他运营：略

3）市场及渠道部门

统计投放及效益数据，核心为成本模型的搭建。并测试出各种渠道的效果，可以根据不同的目标，进行投放的调整。

2023年了，除了传统的渠道方式，现在更有私域渠道，社交媒体渠道。可能会要求了解新型营销内容，技术上可能会要求爬虫技能。

4）产品部门

主要为产品功能的数值监测，新功能数据复盘，用户路径分析；功能AB测试，提供分析结果及测试建议；寻找用户留存和活跃的魔法数值，该部分和用户运营重叠。

5）战略情报部门

市场研究及竞品分析企业成本模型，用户分析使用PPT进行信息传递可能会要求爬虫技能【工具】

6）算法组

注：算法与数据分析是两码事，已经完全是另外一种工作。

2. 历史工作年限+入职时长

这个主要是决定在一线工作内容和资源协调沟通的上的时间分配问题，比如：

实习生：一线工作内容 100%，还不一定可以做的很好；初级数据分析师：一线工作内容90%，资源协调沟通 10%；高级数据分析师：一线工作内容50%，资源协调沟通 50%；管理：一线工作内容20%，资源协调沟通 80%。

从高级分析师开始，大概率已经会有partner或者开始带人了。

3. 个人的技术栈

不会python会影响数据分析么，在绝大部分是不会的。但是会python的时候，在一定程度上可以做更多的事情。

比如将自己的某些需求自动化；比如自己爬虫一些内容；比如会R在统计分析上，可能也会有一定的优势；比如只会power bi 或者只会 tableau的人，工作方式也会有一点点的不同。

但是这里也有一个巨大的陷阱：

自己给自己的陷阱：过于专注于某一个技术手段，忽略了数据分析核心的内容。技术手段长远来看，基本上都会被工具所代替。公司给自己的陷阱：比如公司会让你爬数据，而不单独招一个工程师。相当于身兼多职，在数据分析方向投入的精力就会相对较小。

4. 数据部门的规模

数据部门的规模大小，决定了大家的分工情况，这个数据部门也包含数仓等岗位。企业的数仓建立完善，报表工具高效，BI工具完善，埋点数据健壮，运营系统数据支持完备。

那么分析师在这些环节就不需要投入太多的精力，会更多的投入到业务方向上。否则，哪里有缺失，数据分析师作为润滑剂或枢纽，就会在哪个环节人肉顶上。

本文由 @冷凡原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 Unsplash，基于 CC0 协议

上一篇：注册墨西哥公司需要申请注册哪些税号，墨西哥RFC税号介绍
下一篇：按揭房离婚析产的流程是什么？有哪些注意事项？