職場效率及注意點，數據領域職業選擇有哪些

職場效率及注意點，數據領域職業選擇有哪些

01 關於數據分析和基本技能

現在，數據科學家，數據工程師，數據分析師的職位愈來愈熱門。這些職位不只跟數據密切相關，同時又須要具有必定的業務理解能力。大多公司也愈來愈重視數據在業務上的影響力。這篇文章主要想談談的數據分析師的微笑經驗。

內容基於筆者5年多數據分析崗位上的經驗及體會。面向的讀者是：

專一成爲數據分析師的同窗。

對數據分析感興趣，平時工做中也須要數據分析的同窗

同行（歡迎交流指正）

入門數據分析並不難，但想成爲優秀的數據分析師並不容易。首先要過硬的數據技能，其次要有敏銳的商業嗅覺，再次是流暢的溝通和表達能力，最後不斷地實踐這些能力，在實戰中應對商業的變化，提高分析能力，從而發揮在業務端的價值，甚至產生你的影響（make business impact）。

關於「數據分析」(Data Analyst)這一職位，一般必定規模的外企和國內的互聯網、IT、金融等行業會設有專門的數據分析崗位，也有着不錯的發展路徑。而在一個公司裏面，數據分析師能夠存在於不一樣的部門，銷售支持，財務，市場研究，R&D等等。但每一個部門的側重點也是不同的，我原來在銷售支持部門，雖然說是數據分析，但理解業務，與銷售端交流是很重要的。但若是是在R&D，技能上的編程要求，對架構的理解可能更重要。

數據分析最擅長的工具必定包括Excel，一般好的數據分析師必定是一個很是很是專業的Excel使用者，這其中包括了對Excel經常使用公式和功能的理解及使用（數據透視表，各類圖表等）。其實掌握Excel基本功能也是不少其餘崗位（Marketing，Finance等職位）的必須。做爲一款數據處理的基礎工具，市面上有太多的Excel教程。我我的的建議，能夠從一本書 視頻教程 自我練習的方法來入門或者進階。

Excel更進階的另外一個大技能是VBA，它是以Visual Basic爲基礎的編程語言。但，掌握或者使用並不須要太強的編程背景。這也是爲何知乎上不少用戶推薦用VBA做爲高階Excel的技能。VBA用的好能夠玩轉各大金融投行，諮詢公司的數據處理自動化，報表批量產出等。VBA的優點是跟Excel的無縫銜接，可以用簡單的編程實現數據自動化，或者金融模型實現，預測分析。即便在今天Python、R很是火熱的數據挖掘，數據科學領域，仍然有很多公司選擇使用VBA。

另外一大數據技能就是SQL,SQL和Excel已經成爲這一崗位在發佈職位時的標配了。SQL是結構化查詢語言，對接的是後臺較大較系統化的數據庫。它的優點是基於不一樣邏輯的數據抓取會很方便和有效率。基本的語法其實並不難，會使用join table、sub query,
case when、rank這些功能其實不是太難，難點在於經過不一樣的練習，訓練出一個良好的邏輯思考能力。簡言之，就是知道什麼商業需求能夠實現，哪些需求須要更久的時間。此外，對業務的理解也相當重要，千萬不要小看這個簡單的數據抓取，好的SQL實現者必定是對業務理解透徹，事半功倍的。

若是致力於從事數據分析工做，那除了掌握Excel， VBA，SQL以外，還需緊跟趨勢，學習最新技能，但同時也得夯實基礎。記得我2011年本科畢業的時候，跟如今2018年一樣一個數據分析職位的JD是徹底不同的。並且公司或者業務層面對數據分析的重視程度也不同。建議要不斷更新本身的技能儲備，至少了解如今在發生着什麼，什麼是基礎，什麼是進階。隨便貼一個Linkedin上面的數據分析崗位要求，感覺一下。

這裏更想強調一下對數據和商業的理解。通常三年之內可能仍是在磨練技術，過了三年就開始思考更深一層的東西，就是在有了「術」的基礎上，往「道」的方向思考。

理解數據並不是易事，至少須要幾年經驗的。一般在掌握了基本技能而且熟練使用的基礎上，加上累積的商業實踐，通常來說都會產生一種數據直覺。具體體如今：

第一：當遇到一個數據需求會先分析，而不是上手就作，由於有時候需求並不合理。

第二：會評估不一樣數據項目的時間進度和反饋頻率，新手很容易不溝通，很苦逼地作了很長時間以後發現結果不是用戶想要的。

第三：當出現不合理的數據時第一時間可以反應過來並調整。若是能作到這幾點，效率會大大增長。

02 職業選擇

堅持數據分析師，固然這個title是能夠變化的，但工做內容自己仍是一脈相承的。好比我如今是在Finance部門下面的Business Finance作Finance Analyst，但咱們team有專業的CFA分析師，FP&A分析師，我就是作Data Analysis。

轉型爲數據科學家（Data Scientist），須要惡補統計學，Python和R，還有不斷地應用到商業實踐。

商業分析經理(BA Analytics Manager)，該職位商業性強，溝通強，懂技術但不用去作基層的「苦力」工做，而且可以找到得力的下屬作事。

數據工程師（Data Engineer），比較後端的職位，技術性強，對架構，數據底層的瞭解更深，個人理解是比較適合理工科出身，不太但願與業務端打交道，代碼邏輯很強的童鞋。

諮詢師（Consultant），此職位更偏重商業分析能力 溝通能力 表達能力，這個對於硬性的技術要求不高，但軟性特別高。但好的諮詢公司待遇至關棒，招人的條件也是很高，名校背景，很高的GPA成績，自信表達能力，精準溝通等等，總之很是不容易。不過通常有一個諮詢團隊，有前段後端之分，後端（支持段）偏技術分析，前段偏表達溝通。這個職位的跨度就比較大，可是我仍是鼓勵各類可能性的發生。要敢想。

固然還有其餘不少職位，好比數據挖掘，數據可視化工程師，產品或策略分析等等，各自有側重。

03 職場效率及注意點

技術永遠只是手段，產生價值纔是王道。這裏面涉及到諸多的能力須要不斷磨練，好比意志力，溝通能力，演講能力，好奇心，創造力，影響力等等。這些都是能不斷塑造一個好的數據分析師的重要素質。要去make the change and influence，不僅停留在數字展現。

好的身體會使你擁有更多能量。職場裏面那些充滿能量，對新鮮項目感興趣，口若懸河作presentation的人一般都是有着很好的生活習慣，處理事情很快，吸取知識很快，願意學習瞭解新事物，堅持鍛鍊的人。這個法則適用於大多職場。拼到後面實際上是持久的耐力，就是不鬆懈，堅持對的事情。

別鑽牛角尖，要靈活。若是一種方法試了很久都不行，停下來，問一問，試一試別的，可能會有新的出路。職場不是一個學術的地方。咱們要認真作事，可是不要追着一個小的問題不放，這樣很容易丟失掉大的東西， 負責任地講，有不少項目是半途而廢的，有不少數字不是準確的，咱們要作的是順勢而爲，抓住重點。Always focus on big picture.

先作傾聽者，再作思考者，而後作好的提問者，最後作實現者。這裏每個環節都重要，先知作別人關心的是什麼，有什麼問題，而後要系統性考慮，有時候不要着急解決小問題，Focus on big picture，此外，提問出關鍵問題甚至可以幫助stakeholder更清楚瞭解他要的是什麼，最後搞清楚了這些以後就是Action。

有意識地去跟人交流，特別是業務相關人員，以及各個條線的stakeholder，若是僅僅利用必要的時間，好比開會的時候交流彼此對業務對分析的見解，一般是不夠的。咱們做爲分析人員，最好要走在前面，試探性的問問題，交流想法。提高本身舉例子的能力，把複雜的東西經過簡單的描述讓別人理解很重要。

不停的總結，迭代。其實數據分析裏面的分支學科仍是不少的，ETL, Data Cleansing, 一些基本分析模型，Data visualization等等，不論是本身作過的項目經驗，仍是網上看來得好文章，或者同行交流來的新的好的內容，均可以不停的總結，試用，反饋，以此循環。長期來看是很是有好處的而且容易造成本身的體系。