数据分析师日常工作是什么？ 第1页

数据分析师并不算一种新兴的IT职业，但随着大数据时代的到来，越来越多的企业开始重视数据资产，优秀的数据分析师也随之成为最热门的工作职位。

从定义上讲，数据分析师指的是不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员，根据行业不同，对数据分析师的要求也不尽相同。

数据分析师的工作内容？

数据分析师主要负责挖掘和分析海量数据，以满足企业具体的商业需求。毫无疑问，越来越多的企业开始依赖数据推动决策，而且也有更多的企业开始将云计算、自动化、AI等新兴技术作为IT战略的核心组成部分，这意味着，数据分析师在企业中的作用将愈发重要。

通常，数据分析师会借助BI工具来组织和分析海量数据，而分析结果应当便于所有与业务相关的人查看并理解，特别是对于那些非IT人员。

需要掌握的技能&工具？

Quora数据科学家William Chen认为，一名优秀的数据分析师应具备以下技能：

编程：这是数据分析师最基本的技能，编程可以提高你的统计能力，帮助你分析海量数据，同时也可以创建自己的工具。

定量分析：这是分析大数据集的重要技能。定量分析可以提高实验分析能力，扩展数据策略，并帮助你实现机器学习。

产品直觉：深入了解产品将有助于你进行定量分析，此外，这还将帮助你预测系统行为、建立衡量指标以及提高调试技能。

沟通：可能是每个行业最重要的软技能，强大的沟通能力将帮助你“利用上述的所有技能”。

团队合作：团队合作对于数据分析工作的成功至关重要，这需要你无私接受反馈意见，并与团队分享见解。

数据分析师也应掌握相应的分析工具。技能和方法只是理论，展现数据价值则需要通过工具。对于数据分析师而言，自助式的BI工具必不可少，其应具备以下特点：

• 接入企业各种业务系统，整合多源异构数据；
• 拥有实时的数据处理能力；
• 简单操作，拖拽即可生成可视化图表；
• 提供探索式分析功能，数据分析维度和粒度可随意变换；
• 智能的图表和模型推荐；
• 可云端协作和分享，满足各种移动办公的场景。

需要理解哪些数据？

每个行业都有特定的数据类型，以下是各个行业中一些常见的数据形式，数据分析师需要根据相应的模型和数据类型进行各类分析。

业务类数据：当前，很多企业都在利用数据进行商业决策，通过对业务数据进行分析，可以有效改善企业运营效率、库存问题、产品、客户忠诚度等等诸多问题。

电子商务类数据：电子商务网站会采集大量的用户行为数据，如浏览、购买等，通过这些数据，数据分析师可以帮助电子商务网站改善用户体验、探寻行业发展趋势或研发新的产品。

财务类数据：在金融行业，账户、信贷、借记交易等财务数据对于企业运营来说至关重要。对于这一领域的数据分析师来说，安全、合规性、欺诈检测将是主要关注的问题。

政府数据：大数据有助于帮助政府制定决策、监测大众满意度，同金融行业一样，数据的安全和合规也是该行业的数据分析师最为关注的问题。

科学数据：借助于现有的科技技术，科学家们可以更方便的收集和分享实验室数据，而数据分析师可以帮助科学家们更好的完成数据分析。

社交类数据：利用社交网络数据，可以更好的进行精准营销，通过对帖子、推文、博客和其他社交数据进行分析，可以有效改善用户服务和体验。

医疗数据：几乎所有卫生保健机构都会针对电子医疗数据进行记录，数据分析师可以基于这些数据，帮助医疗机构改善卫生服务，并发现那些潜在隐患。

电信数据：如今，电子产品都在收集用户数据，这些数据需要存储、管理、维护和分析。通过这些数据，分析师们可以帮助企业更好的了解用户需求，提高用户体验。

其他类型数据：比如政治、公益事业、智能家电等，可以说，没有任何一个行业可以免受大数据冲击。

数据分析师的薪资？

在美国，据BLS（美国劳工统计局）统计，目前数据分析师的平均工资每年约为111800美元。毫无疑问，这是一个快速增长且收入丰厚的职位，BLS预测这一领域的工作将在2024年前增长11%。

在Glassdoor招聘网站上的“美国50大最佳工作”报告中，依据工作机会、工资和总体工作满意度评级，数据分析师职位在各个行业中排名最高。

而在国内，我们通过查看拉勾网、智联等招聘网站发现，初级数据分析师的月薪大概在10K-15K左右，而相对资深一些的数据分析师可以达到20K-30K的水平，数据科学家普遍在35K-70K之间。

简单来说，数据分析师的主要工就只有四类：

• 从0到1搭建数据分析体系
• 数据分析工具化，产品化
• 支撑领导、部门决策的专题分析及业务方向探索
• 数据规范制定及提升数据质量等基础工作

一、从0到1搭建数据分析体系

大部分公司还处于此阶段，可能是全新搭建，可能是新业务线搭建。

1.搭建数据监控体系

搭建数据分析体系第一步是搭建数据监控体系，定期查看业务发展情况，让业务发展结果可量化，可衡量。

通过这套监控体系，业务侧可以得到实时或者准实时的效果反馈，根据业务效果指导业务决策；领导层可以了解业务发展情况，做到心中有数。

那这套数据监控体系到底包含哪些内容？——没有标准答案，主要看业务目标。从实现思路上，可以做业务拆解：整个公司或者整个部门要实现的结果目标是什么？结果目标可以拆分为几个小目标？在小目标实现上，需要实现哪些过程指标？要想实现过程指标，需要多少预算，什么资源？

业务拆解后，要监控哪些过程指标和结果指标，就一目了然。

2.根据业务监控体系，洞察业务问题

数据监控体系能让领导及业务相关同事了解业务结果。对于规模或比例变动较大的指标，数据分析师就需要了解业务原委：是行业变动导致？公司战略方向调整？还是市场格局发生变化？亦或是新技术巨变？公司产品迭代漏洞？对于行业、业务深度理解，将有助于快速定位问题关键点。

3.提出业务优化方案

根据对数据、业务理解及与业务部门沟通，提出可能的潜在影响因素的业务假设。对于明显影响效果的因素，优化之，如产品迭代中的漏洞等；对于不明朗、不确定因素，进行AB测试，根据数据反馈验证业务假设。

二、数据分析工具化，产品化

从0到1搭建数据分析体系是解决“有数据可用”的问题；让数据分析产品化是解决“让数据易用”问题，是提升数据使用效率和发挥数据更大价值的手段。

常见的数据产品就是商业智能系统（Business Intelligence），数据产品部门会根据数据使用情况，优先上线使用人数众多、对业务决策有关键影响的数据报表。

对于使用频繁，涉及人数较多的数据，数据分析师需要提出数据报表需求，供业务、产品、市场、财务等部门使用。

三、支撑领导、部门决策的专题分析及业务方向探索

如果说前两部分属于常规分析，第三部分就是专项分析。专项分析大多是一次性分析，使用频率低。专项分析的提出可能是部门要进行业务方向的新探索，可能是领导想要验证自己的新想法，可能是已有数据中反应出来的新问题。

要做专项分析，数据分析师需要自己获取数据，清洗加工数据，分析数据，得出数据结论。现有数据在时间维度、指标口径、新字段关联上都无法满足分析需求，而数据提取可能就要耗上几天时间。可谓“台上一分钟，台下十天功”！如果你有个“有想法”的领导，天天标新立异提需求，而你又不精通业务，无法马上判断是否具有分析意义和分析价值，那可真要披星戴月搞数据了。

四、数据规范制定及提升数据质量等基础工作

为了完成以上三部分工作，像制定数据规范、提升数据质量这些基础工作就必不可少。

数据规范性是个系统性工程，在数据系统搭建之初，就需要考虑好。数据分析师日常工作中，接触更多的是提升数据质量：数据是否准确，数据是否有效，可用数据比例是否足够用于分析。

当然，现在大多数公司还无法做到打通所有数据系统，统一数据源。在使用任何数据时，数据分析师都需要校验，确保数据准确无误，这是所有分析工作的基础。

这就是我的工作日常：搭建数据分析体系、数据分析产品化、专项分析及基础保证数据质量等工作。