种一棵树最好的时间是十年前，其次是现在。十年了，本次分享大多来自工作中的日常所思所想，欢迎自取。
01 数据分析的本质
数据是基础，分析才是重点。
行业内有专门的统计岗，就是只负责做好数据统计就可以了，不需要考虑其他的内容；
但是分析岗，前提是针对问题进行分析，所以侧重的是问题解决，以及通过什么样的思路、方法进行解决的，解决之后的结果是好还是不好，这些都需要进行评估。
02 做好数据分析需要具备什么
一、问题思维
首先得有问题思维，能够在需求对接过程中，识别出哪些是真正核心的问题，以及这些问题是否具备可行性探索的可能性。
需求要怎么拆解？按照写作的几个要素，时间、地点、人物、事件、过程、结果。
- 弄清楚背景，在一个什么前提下做的；
- 弄清楚目的，要实现怎么样的结果；
- 弄清楚人物关系，彼此之间的利益关系是怎么样的；
- 弄清楚受众，他们日常的数据来源都从哪儿来，谁提供的，会不会有多数据源的情况存在
对于问题的描述一定要具体，而不是模棱两可的，譬如老板最近给了个任务，我们探索下业务的发展趋势。
这个问题就极其模糊，他是想证明业务是往好的发展还是不好的发展，在他心里应该会有一层预估，这个地方就需要深挖，否则的话就变成了一个开放性的话题，很难得出结论。
继续往下，业务在增长，是好还是坏？其实很难得出结论；
如果再深入分析，华东的业务在增长，华南的业务在下降，是好还是坏？其实还是很难得出结论，因为没有具体的量化指标
继续深入分析，华东的业务同期增长120%，华南的业务在同期下降1%，是好还是坏？这时候一般而言，就可以下结论，华东比华南的表现要好，
那看绝对值呢，华东前一年是100万，华南前一年是8000万，那还能说吗华东比华南好么？不一定的吧，所以说，看数据不要从单一视角下结论。
接下来，把所有的条件拉平，在同等规模的情况下，前一年都是100万的基础上，涨幅还是和之前的数据一样，是好还是坏？于是，很直接的就下结论了，华东是真的要比华南要好。
这时候你会发现老板还是皱着眉头，一头雾水，为什么呢？
过去的一年里面，在华东的投入成本是200万，但是在华南的投入成本只有50万，但是产生的效果并没有成倍的增长，这时候还能下上面的这个结论么？
所以说，分析的过程，就是一个不断往下钻的过程，直到追本溯源，了解到整个业务的全链路过程（有可能是局部），才能真正的给到合理的结论。
二、全局观
分析的终点一定是有一个盖棺定论的结果出来，而不是统计出来一个现象进行公布，这个结果又必须是客观的事实反馈，只有在解读里面才能带上主观臆断，做资源倾斜。
分析的闭环在于所有的结果都要形成策略，没有策略推进下去的分析都是不完整的，仅仅只是完成了一轮想法论证而已。
策略的制定依赖于自身对于诸多知识的整合，在这个过程中不仅仅是数据分析专业本身，可能还包括政策、法规、行业、市场、营销、运营、产品、商品等等，每个模块并不一定要自己都亲身去经历过，但最好是能亲身去见证过。
就好比卖牛奶，得去了解牛奶的源头是牧场里的牛要怎么养，怎么产奶、怎么生产、怎么包装、怎么装配、怎么存储、怎么运输、怎么分销、怎么和平台谈合作谈返点、怎么找渠道商、怎么定价、怎么推广、怎么触达客户、怎么留住客户形成黏性、怎么窥探客户的周期、又怎么去改进产品......
从这个点上来看，做分析的人需要有全局观。
同样是玩泥巴，你玩泥巴是随性而为，但是工程师玩泥巴，是把钢筋水泥打造成为形形色色的高楼大厦，凸显商业价值和格局。
一个水泥工在建楼的时候，他多砌一块砖少砌一块砖并不会影响到整个楼宇的稳定性，但是如果是少建一堵承重墙，那房屋就有崩塌的风险。
说这两个事情，是想说，作为分析师要对自己的价值、定位有非常清晰的认知，而不是随波逐流。往往听到的是，我身边的分析师，大多都是用sql取个数，工作完成了，也没有分析个什么东西出来。要说的是，目前市面上95%以上的分析师都是做着取数的活，只有5%不到的人是真的在做分析，这就是金字塔效应，有人的地方一定会有三六九等，无非看自己要去选择做哪一层，是在下面还是想去上面而已。
我只是一个平凡的再也不平凡的分析师而已，距离顶级还有相当长的一段距离，但是在这个过程里面绝对拒绝去做平庸的事情。
很多时候，我们会认为自己做的事情很普通，有不少知识掌握了就自认为我会了，缺少深度思考，回过头来看，不妨多反问下自己，你是真的会了么？对这个事情的本质、本源都抓到精髓了么？
不一定的，绝大多数时候都是停留在对事物认知的表面，而不是去思考这个事情是怎么发生的，潜在过程有哪些，背后的模式有哪些，然后假象是自认为已经get到了各种模式，到某天碰到问题的时候才发现原来懂的只是皮毛。
为了规避这种情况，就要多去看点杂书，从各个视角去看世界。
三、上位思考逻辑
从上往下的思维是这样的，一家公司，只要是一家盈利性的公司，老板的最终目标肯定是想赚钱，这样才能维持公司的正常运转、才能给雇员发的起工资。所以要赚钱，一定是要从已有的业务里面赚钱，业务又是靠产品去赚钱，产品线上有会去做细分，从一级市场到二级市场再拆解，这就是杜邦分析的目标拆解过程。
所以，去做企业的商业分析，第一要素就是去看这家公司有没有盈利。然后在这个基础上，去拆分。
亏钱的状态，那有多少产品是赚钱的有多少是亏损的，赚钱的模式可不可复制，有没有推广的价值，是否在未来有扭亏为盈的可能性，然后要从哪些个方面去制定策略，需要哪些数据支撑；
盈利的状态，在哪些市场赚的多，哪些市场有局部亏损，长期来看是不是平衡的状态，盈利的部分去填补亏损的部分能持续多久，然后要从哪些个方面去制定策略，做更好的运营方案，需要哪些数据支撑。
这就是上位思考的逻辑，要么是市场拓展，要么是盈利目标，要么是用户增长，回到本质就是为了做盈利而准备的。
这时候我们再回到分析侧，平时提到那些需求就有了一个映射，老板要这个数据的目的是什么，就能去揣测了，是要论证哪个方面的想法，要从哪几个视角去论证，然后要给出怎样利好的结论。
一开始，可能想的也不是很全面，所以分析是一个循循渐进的过程，每经历一轮业务，就要完善自己的整体框架，在这个基础上慢慢增加，诸多的细节就像毛细血管，直到能够撼动神经末梢，真正的去左右业务策略，这个阶段一定是能够形成话语权的，也能够去实现数据驱动业务增长。
因为，在这个时候，你已经不是一个单纯的数据分析师，而是整个数据的掌舵人，让各个业务方去理解数据，别人只需要提出一个想法，我们去组织数据组织策略，供他们去做选择。
分析的活，并不是说我做了一个数据统计，形成一个数据看板，然后拿过去给老板说，喏，你拿去看吧，数据就是这个样子，好不好你自己决定吧，策略你自己看着定吧。
03 为什么会选择数据分析这个职业
为什么选择做数据分析，为什么要转行去做数据分析，并且为什么要选择这个行业。
是因为高薪？还是因为这个行业未来有发展前途？亦或是自己比较感兴趣？
我给到的答案是：++刚好我会，又刚好他们需要，于是我就来了。++
不少准备转行做数据分析的人都是冲着 Python 来的，毕竟 Python 是现在最热门的语言，近两年保持这语言类第一的宝座，而各大互联网公司的数据分析岗也会提出硬性要求：熟悉Python者优先录取，所以在很多人开来数据分析是一个写代码去分析数据的岗位。
但对于如何用数据来驱动业务，完全不清楚，也不了解。
现代企业中数据支点上主流的几个方向
业务数据分析、商业数据分析、数据算法挖掘、数据运营、数据产品、数据科学
有些偏向业务赋能，有些则更加偏向算法开发。
就某种程度上来说，分析既可以作为一个职业进行发展，与此同时，也可以只是一部分岗位的基础技能要求，所以才有了人人都是数据分析的概念。
在现在这样一个互联网时代，网络缩小了大家的信息差，很多人在网上看完很多文章，对数据分析师的岗位职责和工作内容都了然于心，到真正面试的时候，往往会产生落差。
业务数据分析师，肯定是和业务具有一定的相关性，需要配合业务部门去做一些分析方面的事情，而且一定是通过数据。
实际上到了不同的组织、企业、公司，会发现大家好像都在做报表，通过数据去发现业务、产品上的问题，但是在不同的公司，处理数据时所需使用的工具、作业流程都有相当大的出入。
一、现阶段市面上80%以上的公司并不知道怎么用数据来驱动业务增长，甚至不了解数据是什么；
二、数据分析师作为近十年才发展起来的一个职业，每个公司的岗位定位都不一样，必然造成一个结果，虽然大家都叫数据分析，但是职责却不一样。挂羊头卖狗肉的现象也比比皆是；
三、行业不同、业务不同，乃至挂靠的组织架构所在部门不同，作为分析师的工作内容可能也有很大出入；
大公司和小公司首先在数据量上就不一样，另外像金融行业和快消品行业的商业模式也有很大出入，组织对于一个数据分析师的要求就会产生相当大的差异，说到底就是因地制宜，老板有多重视数据，就有多大的作为。
稍微了解些数据行业的人都知道，在一个分析项目里面，几乎80% 的时间都花在了数据处理上，撰写报告、业务汇报是整个项目中的极其小的一个环节。（但是不得不说的一句是，写代码的比不过做PPT的）
如果抛开这些，去聊数据分析师需要掌握哪些技能，根本就没有意义。
譬如一家公司营销部门的数据分析岗，主要工作做一些统计报表，根据市场部业务的一些筛选规则来提取客户名单。
听起来是不是好像并不难
如果数据只有1000多条，打开excel，对列进行筛选，或者写个公式，很快就能得到结果；
如果数据有几十万条，用excel可能会有点卡顿，但是还是能勉强筛选出来；
如果数据增长到几百万条，excel就力不从心了，mac环境下打开可能就崩溃掉了，这时候就得用到sql或者python，用起来及其舒畅；
如果数据一下子到几千万，excel2007版本以上单个sheet表的最大行数是1048576，可能需要10几张满负荷的表，如果电脑配置不怎么好，sql查询也极其慢，能查的出来但是可能查询一次10几分钟就过去了，效率极低；用python的话，载入到内存，运行的时候，不懂电脑的人可能会认为电脑的风扇是不是坏了。所以这时候需要用到hive，或者其他BI软件；
如果数据量大到千万甚至上亿级别，表的数量达到几百张这种情况下，是不是很崩溃，要怎么才能取出来呢，常规查询根本解决不了这个问题。在这个过程里面，首先就要确保提取数据的准确性就不能光靠肉眼去看，然后了解各种表的字段含义，关联方法，就需要大量的时间，前提是有数据字典的情况下。
所以，要想做好一个表哥、茶树菇也是不容易的，只要数据量足够大，就能把80%以上的人挡在外面，更谈不上从数据中挖掘出有效的信息，做业务驱动、数据赋能了。如果用上面的的工作内容去匹配网上介绍的商业数据分析师的工作内容，估计一个都匹配不上。
我们会发现现在市面上的书籍、培训班课程，往往都是偏技巧、架构和产品，再就是一些工具、方法（python 、算法、机器学习类），讲课或者分享的内容大多数都是讲基础层面的东西，类似于统计学的基本概念、工具的使用入门等等。
主要因为这些知识是可以被抽象化、结构化的，只要把实践过程中的精髓讲出来，通过工具进行视频进行录制，再之后做运营传播，就能给培训者带来诸多的收益。也能很快帮助初学者快速入门，掌握一定的技能，但是解决不了太多的实际复杂的问题。
而对于业务分析，不管是在培训课程还是在书籍上案例都特别少， 大多数还是偏概念 、理论方面的知识，没在其中很难领会；深入业务后，发现每条业务线分类繁杂，都需要耗费特别多的精力去梳理产品流程，数据和业务之间的关系、切入点，还需要对接各个部门不同人的需求，极其琐碎零散。最最最关键的还是做完一轮分析，老板还不关注，觉得一点都重视，然后就迷茫了，我到底该怎么做。
业务分析，个人感觉挺复杂的，不同的企业不同的业务情况都不同，场景模拟也就难一些，没人愿意把真实有效的东西讲出来。并不是不愿意出来讲课，因为这都是秘诀，个人耐以生存的秘诀，真正打造区别于他人之间的核心竞争力的部分。一般来说，核心的东西都是一对一的影响出来的，放在一个群体里面，不合适。因为你不知道谁学会了，然后就把自己饿死了。
就譬如我现在在做的，如何从数据中挖掘商机做数据变现、如何利用数据链路去做产品设计、企业中如何做好数据化落地、如何实现数据驱动业务、如何做企业级的数据治理、如何去整合资源做好行业白皮书等等，这些落地的经验都显得很宝贵，构成了个人的核心竞争力所在，也是未来往上走、求职路上必备的钥匙。
跟对人+合适的工作场景，就像是坐上了火箭。跟对人还蛮重要的，做事的方式、管理的方法、业务处理技巧、理论的实践，真正落地的过程贼艰难，前面有人躺了，后面的人才能更快的轧过去；
数据行业发展也是非常快，可能今年会 Python、SQL、Excel 还能找到工作，但到明年说不定最低要求就变成对业务要比较了解，或者是懂建模也说不准。要知道现在各大高校已经纷纷开设数据专业，等这些人毕业以后，你能和他们拼的只有经验了。
这里需要提出来的是
一、数据行业未来发展前景很棒，这个毋庸置疑，中央一号文件、各省红头文件中，明确表示未来几年要加强企事业单位的数字化转型发展；
二、要尽可能多的接触数据，用数据去阐述问题，数据量肯定是越大越好，这对培养自己的大数据思维有一定帮助（真实数据一般都很难能够拿到，打比赛是一种途径、找公开数据集的网站也是一种途径，尝试着做一些分析案例出来，讲清楚目的、问题、数据、结果）；
三、如果想进某个行业，多关注下社群、多关注一些公众号，看看这个行业内的分析师是什么样的？然后再有针对的进行学习；
四、如果对行业认知很模糊，那就先去一家公司待着、感受，然后在一个业务过程中建立自己的认知，丰富知识结构、业务知识，然后抓紧时间去投递简历面试，做各种尝试，直到找到方向；
五、如果还没有入行又想进入这个圈子，不妨把路子放宽一点。像数据运营、业务分析、产品运营之类的岗位也可以去尝试，只要能够接触到数据，其他的都可以根据目标去适当调整，曲线救国是大多数人的一种选择。
04 十年数分经验的整体感受
十年，过的很快，变化也有很多
"2019年是过去十年最差的一年,也是未来十年最好的一年"
这十年下来的一些感悟，需要保持足够自驱（ 共情**）** 、高度专注 （逻辑）、敏锐洞察（反应）
**1、格局要打开，**十年下来接触到的场景变丰富了，政务关系、大客户关系、品牌合作关系、投行关系、FA的资源、品牌运作、大的制造商、供应链物流、金融融资、中间的渠道资源、小的零售商，数据分析是在分析什么？人、事、物，看似最重要的是数据，回归到实际，最终的决定性因素还是在于"人"；
**2、必须有野心，**不在拘泥于自己的一亩三分地，开始变得唯"利"是图，搞价值也好，塑造影响力也好，总得图点什么。取数是一个数据从业人员绕不开的话题，唯一的区别在于被动听从还是主动触达，sql boy / girl 很多时候都会沉迷在sql写下来的G点上，没有去影响人的野心，大概率上会停留在一个层次，无法往上；
**3、团队更重要，**签个500、1000万的合同开心么？除了一开始的时候会兴奋，后面都会很平淡。真正开心的是在这个合同拿下来之前，商务谈判、方案构思、难题攻克的过程，和团队一起出差，一起拼命的时间。从发展历程上来看，前期都是猥琐发育的时候，经济低、装备差、机能不全，中期有一定实力了就会去浪，后期其实都是靠策略，财富积累到一定的程度之后，往后看的重点会更偏向于在影响力、价值感、故事性的塑造上，而且得持续；
**4、打开关系网，**开始会去有目的结交人，刻意的去和周边自带"资源"的人保持联系，攒一个局，未来好彼此成就。打工也好，创业也好，要玩儿的高级，离不开好的队友，也离不开好的前辈，打开一些关系网，让信息流进来，然后去平衡，再去分配，最后实现共赢；
**5、演绎非归纳，**分析的过程里面有很多坑，各种原因导致的脏数据、测试数据、人为插入的数据，尽可能的了解业务、系统和人，用数据阐述事实而非观点，不臆测、不猜想、不做主观判断、不预设立场，重演绎过程而非归纳总结，踩的坑多了自然就轻车熟路了；
05 职业感，是做好一切的开始
- 把一件事做完和把一件事做好
职场的前几年可以尽可能的去做加法，过了一定的年纪，就要开始学会做减法。
一开始，很多时候为了求快，在同一时间做了好几件事情，但是发现每一件都没有做好。贪图快，就容易出问题，同时也忽略了过程中的体验感，这也要，那也要，最后发现处处都去做了，但是处处都好像没有很好的结果。
把所有的事情划分优先等级，紧急/重要的四象限，在既重要又紧急的领域，心与力全部只聚焦在这一件事情当中，在特定的时间里面去发挥极致的思维，去把一件事做好，而不仅仅只是做完了事。在短暂的时间里面，用有序的步骤，正确的方法，根据既定的计划，寻寻渐进，逐步去推动事情的开展，必要的时候借助外在的力量，做好向上、向下的管理同步，及时的进行邮件通报，事情做完必有报告，交付之后必有反馈。
- 思维转变是绕不开的话题
十年工作经历下来，最大的感触是慢慢从对技术的偏执，变成了业务上的驱动。
一开始进入职场的时候，会沉迷于各种工具、技术、技巧的钻研。因为通过学习可以加快自己处理数据的效率，譬如研究excel里面的公式、vba；譬如会钻研各种算法和模型，研究用户的各种行为特征，挖掘数据的应用场景，只为了适配和拥抱互联网带来的变化；譬如python熟悉之后依葫芦画瓢去搭web可视化的框架；譬如去搭私有的Hadoop，搭深度学习的框架，用Spark做各种练习；譬如学习flink、clickhouse，跟上大数据底层架构的迭代......
这样的时间总是会乐不此彼的，因为可以专心的去做研究，而不用把精力分散在人际关系的处理上。随着需要解决问题的场景复杂度越来越高，单兵作战的疲惫感就会越来越沉重，压垮自己的永远是自己的执着，而不是外在的环境。
一个人可能走得更快,但是一群人会走得更远，在一个组织里面，如果有能够互相协作的伙伴，实在是一件快事，也能省心省力。这些伙伴可能是产品、运营、销售、市场，他们可以带来更多的想法和灵感，学以致用，而不是空读圣贤书，筑造的是空中楼阁。数据，只有贴切用户的思维，才能真实有用，发挥真正的价值，而了解用户又必须要通过伙伴的媒介才能触达，团队的协同以及业务场上的应用驱动，能够真正的帮助我们认识到数据在商业中的价值。无论是外部用户还是内部用户，他们给予的反馈都显得额外重要。
直到什么都会了，才幡然醒悟，工作了10年之后，最大的优势其实并不是在技巧上，而是在对业务的熟悉度上。
业务熟悉度，包括了常说的战略目标理解、用户sense、政策敏感度、洞察能力、解决方案能力
能够清晰的知道用户说的是什么关心的是什么，读懂用户的想法，然后也能关注到政策的变化对市场的影响，捕捉到新的机会；
将业务上用户的需求，转换成为数据需求，通过数据的视角去对业务问题进行解构，利用不同的分析方法和模型组织数据对业务进行诊断和剖析，抽象出核心的指标来进行衡量、监测，最终输出专业的数据分析报告，支撑决策论点；
对于解决方案，所需要的是复杂问题处理能力，核心就是------综合！
对一家公司的组织架构必须要有深刻的认知，熟悉不同团队的分工和职责，熟悉业务流程和产品流程，熟悉平台架构和工具功能，熟悉行业并对数据在用户侧的价值有深刻的认知，这些要求就得需要有很长时间的积累和沉淀。
熟悉底层的数据存储、结构、清洗过程、指标汇集、接口透出，数据资产管理，开放平台管理；
熟悉数据产品的开发过程，团队构成（UED/前端/后端/测试/用户验收），项目管理；
熟悉数据分析框架，核心指标管理、标签建设、数据分层、图表呈现、价值解读；
熟悉前后端埋点设计和完善，熟悉web/app/saas/h5的管理，spm、sdk、日志收集和处理、链路设计；
熟悉数字化营销方案，钩子设计、营销方案、用户追踪、客户成功、推广方案、收费定价；
熟悉运营工具和技巧，获客、激活、促活、转化、留存、复购、付费；
- 对几个词的浅层理解
核心词：数据价值
数据价值有哪些？按照：**++职业 -> 行业 -> 公司 -> 部门 -> 岗位 -> 职责++**的区分，内外的价值可以看下面：
**经营管理考核：**对核心指标的监控，帮助老板"看"清楚业务推进的现状，还原客观事实，而不是靠主观上的"我觉得"；
**外部品牌影响：**抽象出内部的运营管理共性，增加数据在一些细分行业的影响；
**内部营收增长：**通过数据直接带来的线索、商机、流量，最终都会体现在合同份额的增长上；
**内部运营优化：**利用分析帮助产品进行的迭代改造所带来的用户体验改善；
**内部日常提效：**搭的数据看板，让其他团队的人从取数据、整理数据、汇集数据上释放工作量，所带来的工作效率提高
核心词：真伪需求
识别真伪需求，最好的办法是去和用户面对面的聊几次，去接触真正的一线业务，去和真正的用户进行对话，而不是靠言传，中间的信息会因为人为理解能力的因素打折扣。感受业务团队的痛点，厘清真正的诉求和需求，才能理解公司其他团队在制定战略过程中的目标，进行目标拆解，然后再站在数据的视角去组织分析框架、指标模型，实现数据的可落地性评估，实现价值；
沉淀的时候写过一篇《我在B端走数据分析------用户篇》，之后也会发出来，从内部做用户分层，到怎么筛选目标用户群体，拟定拜访计划，实际拜访问题清单，拜访过程中的控场细节，拜访结束之后的用户问题复盘一系列的过程进行具体的阐述。
核心词：生产力
为什么说工作要说生产力？我们之所以努力学习，本质上来说，就是要在短暂的几年里面，尽可能提高生产力。这里面包含两层：
1、利用好时间、工具、方法，提高自己单位时间内的生产力；
2、利用好资源，提高团队整体的生产力，产生综合影响，实现共赢；
想说的是，作为一个数据分析，会不会用python，写不写的好sql，虽然不是一个必须的事情，但是如果不精通，那么在很多层面上就会受制于人，在效率和产出能力上都会大打折扣，无法在第一时间内给出相应的解决方案，从而消耗了业务方的信任度，合作变得没那么顺畅。
核心词：生产工具
工具必须要要精通1～2个，技术迭代能够提升"生产力"
不再追求华而不实的"屠龙术"，能用规则解决的绝对不会用复杂逻辑，能用复杂逻辑解决的绝对不用算法，能用算法解决的绝对不用深度学习；
最初，之所以选择做数据分析，可能是因为自己的excel比别人用的熟悉，处理数据速度快。其他小伙伴需要用1天统计好的数据，通过用公式、写vba可能几分钟就搞定了；
之后，通过R语言学习到了ggplot，可以一键绘图，尤其是地图、关系图等复杂图形的处理，会比excel方便很多，也成为领先于人的一种优势；
再之后，python 2.3的时代，利用pandas进行数据分析，可以整合不同的数据源，相当于打破了一个壁垒，可以通过python作为路由，对excel、word、txt、数据库、html等源头进行整合，因为可以模板化的缘故变得更加的高效，就有了时间去琢磨业务上的现存问题，再深耕进去解决，技术&业务并存的情况下，塑造了核心竞争力。
++工具的使用，也会成为自己挑选团队成员的一个重要因素，绝对的趋同。++
06 从菜鸟到职业的能力塑造
最近几年，比较喜欢说一句话，在这家公司，只要是在数据领域，如果西索不知道，那应该就没人能知道，保持绝对的权威和话语权，这些都依赖几层能力和思维。
所具备的能力矩阵，数据分析，最重要的真的是数学功底扎实么？左手概理统计，右手人情世故。
- 能力矩阵
- 分析所需要具备的方法论
整理了一些常用的分析方法论、管理模型、应用算法、可视化图论的内容，供参考
07 如何塑造价值和影响力
- 应用价值和影响塑造
在所有的分析项目上，我的团队主要是占主导作用，实现这个过程总体可以划分为三个阶段
前期准备：理解业务，了解产品流程，绘制业务流程图（processon），盘点场景和对应的资产；
第一阶段：建立信赖，通过日常的一些需求，和业务方建立好良好的合作关系，在需求实现的过程中，通过快速响应、快速交付的方式，以高效、准确的专业性，塑造一个好的角色，这个环节主要是破冰和建立信赖；
第二阶段：心智养成，对过往的需求进行整合，把临时对接的需求包装成为数据报告or数据方案，帮业务方提前去构思好问题，或者提前准备好业务方可能需要的内容，培养用户的数据意识和心智，养成好的用数习惯，让对方在使用数据的时候从弱依赖，慢慢引导成为强依赖；
第三阶段：价值共赢，关系熟了之后，可以站在业务方的视角去思考问题，了解部门or团队的整体KPI，结合周期内（月度/季度/年度）规划，寻找数据的切入点，在哪个流程什么环节，可以提供哪些数据的支撑，通过价值创造来实现共赢，从强依赖，到专业掌控，把事情交给专业的团队，不管是诊断还是设计；
- KA用户的变现途径
|---------------|-----|------|------|
| 数据方案 | 大客户 | 中小客户 | 离散用户 |
| 宏观市场数据解读 | | | |
| 行业数据报告 | | | |
| 数据大屏（成套解决方案） | | | |
| 数据工具产品（自助分析） | | | |
| 数据内容产品（资讯推送） | | | |
| 数据功能产品（达摩盘） | | | |
| 数据资产（接口、数据银行） | | | |
08 分析团队的带法、管法和打法
从2014年开始，认识项目管理、产品管理、团队管理、经营管理
需要带入一定的管理方法，为了塑造团队的专业性和核心竞争力，需要建立流程、作业规范、作业标准、价值衡量方法、绩效考核制度，然后团队内需要有梯队化的建设过程，在复杂业务场景的时候如何利用owner来实现跨业务的高效协作；
- 团队定位和价值趋向
定位，数据资产的整合、数据价值挖掘、数据质量治理、数字化转型、数字化营销，都可以成为团队的价值定位点，取决于团队的组织架构挂在哪一层，是管理层的垂直管理去做商业模式研究，还是在研发侧作为中台的一部分提供能力输出，还是挂在业务侧直接提供决策支撑。不同的组织模式下，作用域不一样，谈资也就不一样，重要的依旧还是在于人，而不是数据，"他们"想要通过数据拿来做什么？故事、影响、度量手段、汇报工具还是仅仅只是报告。
价值
1、数据影响力，通过数据来塑造团队在公司内外的影响力
2、数据价值力，挖掘数据在用户侧应用场景做数字化营销
3、数据驱动力，支撑内部经营业务运营组织开展专项分析
4、数据发展力，分析团队的搭建，招聘、绩效考核、激励
- 职责和分工
数据分析团队常见的一些职责
- 支撑公司经营管理上的数据需求，主要是对老板和管理层，经营管理分析；
- 塑造数据团队在内外部的影响力，第三方机构的合作机会，行业分析；
- 通过数据产生直接的营收增长，数据资产的整合，ka用户上的价值挖掘；
- 完成对内部运营的支撑，活动分析、产品分析、市场分析、竞品分析；
- 对知识的沉淀，打造可移植、高复用的分析框架和模板；
- 管理、协同
1、重价值产出，以结果为导向，输出数据、报告可支撑运营决策；
2、做标准和规范，高度的可移植性和复用性；
3、团队成员的差异化，不趋同，各有所长，能够充分发挥扬长补短的特性；
4、梯队化建设，一个资深带1个高级+1个初级，彼此做backup，降低用人风险；
- 团队打法
1、注重产出、注重数据分析价值，对于高价值的需求重点投入人力，对于低价值的需求做到高效处理；
2、超过三天的需求，对于BI产出的数据分析报告、白皮书、算法模型、数据看板等需留痕，以邮件形式交付，并抄送双方的一二级部门leader；
3、别人做的我不做，对于其他项目组已经涉猎的项目，不做重复的项目；
4、BI的工作内容应侧重分析，合理分配工作时间，对于日常数据需求的处理原则上应归还给数仓同学和数据产品，两个原则：模板化和产品化；
5、在日常的需求中提炼需求的共性，梳理模板，提高效率，构建系统的分析框架和解决方案；
6、基础建设：所有的基础性建设工作，作为需求方，以业务推进点为导向，形成指标、口径、规范，导入给产品侧进行排期解决；
09 写在最后
提前做好职业规划，多复盘、多记录、多写作，都是成年人，没必要跟自己过不去，好好沉淀，直到被掘金人挖到的那一刻，真正的实现价值的变现。