對話BAT數據分析專家：數據分析比你想象的更強大

依靠數據分析，買房能夠少花40萬。

劉紅閣在北京的第二次買房，是2016年的8月份。她入手後僅一週，北京房價進入了下一次全民瘋狂的上漲通道。據國家統計局數據顯示，2016年9月份，北京新建商品住宅銷售價格曾創下單月同比上漲30.4%的歷史記錄。

怎樣抓住稍縱即逝的買房時機？

其實很簡單。先把歷年北京的房價走勢數據拉出來看看。2012年房價瘋漲後，13年進入橫盤期，14年整年趨勢下行，15年中開始上漲。房價在2-3年的橫盤或者下行後（主要受政策調控影響），會進入下一個上漲通道。觀察半年後，劉紅閣和一個同是數據分析師的閨蜜朋友計劃2016年春節後買房。

朋友出手的時間是2016年4月，而她當時作了一個不太明智的決定，先置換開了近10年的汽車，暑期再入手房子。這一猶豫沒關係，僅僅4個月的時間，房價漲了40萬。

她沒有再糾結就下手了。雖然錯過了很好的時點，但她已經聞到市場上瀰漫的不理性味道，預料到接下來可能會有一場血雨腥風的暴漲，並伴隨一系列的強管控。

果真，2017年3月17日，北京出臺了「認房又認貸」、提升二套房首付的「3·17新政」，被稱爲北京樓市最嚴厲調控措施。此後，北京陸續出臺大小30條以上的樓市調控措施，假結婚、假離婚、平房、法拍房、信用貸……一個又一個可能利用的「漏洞」都被調控政策堵上了。而她已經輕巧地避過了這場大風。

不只如此，數據分析還能夠發揮保險的最大價值。怎麼操做呢？

王淑娟首先會對比各個保險（重疾險、分成險、基礎保障險等）涵蓋的疾病類型、風險狀況、分成時間等信息。其次，查詢一下各種疾病在不一樣人羣中（男性、女性、年齡段等）出現的機率。而後，綜合考慮每一個家庭成員的狀況，決定購買哪家公司的哪款產品。

「好比我家小孩兩歲，身體素質很好，生病機率很低，加上咱們重護理的理念，決定了在疾病上不會花費太多，因此主要給他購買分成類的保險。」

找工做，數據分析也能夠幫忙。

溫融冰會敏銳關注財經新聞中指標的增加率。「若是某個細分行業年增加率高達15-20%，它必定在高速發展，畢業生能夠考慮加入。對比於發達國家，宏觀經濟或行業領域變化大於5%的指標都值得關注，若是變化大於20%，每每不是機會就是陷阱。」

讀到這裏，對他們的職業好奇嗎？本期圖靈訪談就帶你們瞭解三位數據分析專家的故事。

劉紅閣博士，百度商業分析規劃部負責人，原埃森哲諮詢經理，專一於數據挖掘、機器學習、數據可視化領域。

王淑娟，阿里巴巴數據分析專家，原埃森哲諮詢經理，專一於企業運營諮詢、數據分析、數據可視化等領域。

溫融冰，菜鳥網絡數據分析專家，原埃森哲諮詢經理，專一於企業戰略管理、財務與績效管理、數據分析等領域。

數據分析師的職業進化論

隨着大數據時代的到來，企業如何挖掘和運用數據的價值推進了數據分析行業的崛起。

三位專家見證了這個過程，他們的職業生涯經歷了從傳統行業的諮詢業務，到結合數據分析的諮詢項目，再到專門化的數據分析部門的一路轉變。

劉紅閣博士目前是百度商業分析規劃部的負責人，她轉入數據分析領域的過程很是具備戲劇性。

當時她是埃森哲的諮詢顧問，獨立承擔了廣東電網公司的物資需求預測項目。項目的難度很是高，取得了不少成果，發了一篇論文，申請到了一個專利。該項目的成功經驗被她也帶到了國家電網公司總部，並在多個省公司進行應用推廣。

在該項目進行的過程當中，一個數據挖掘的負責人離職了，當時她的客戶面試了公司提交的多個候選人都不合適，最後居然決定，讓以前從沒有接觸過數據分析的她來試試看。

這個奇妙的機會是她人生的轉折點。「爲何說人生轉折點，回頭望一望，才發現從事數據分析以前的幾年工做，都不是本身真正喜歡的，只是爲了工做而工做。走上數據分析這條路後，我像打開了人生的一道門，願意付出很是多的時間去鑽研，也忍受得了數據探索的煎熬和繁重的數據清洗工做。可能很是享受發現數據洞見那一刻的美好吧，全部的付出都感受是值得的。」

不過，在傳統行業，數據驅動業務的實踐還有不少的侷限性，爲此她加入了百度。在百度的4年多裏，她遇到的不少管理者都很是有數據思惟，堅持用數聽說話。在數據的驅動下，團隊的科學決策水平也在大幅地提高。

相比起來，王淑娟和溫融冰踏入數據分析領域的過程，則是行業數字化發展的水到渠成。

王淑娟的第一份工做選擇了能源領域的管理諮詢。隨着能源領域的信息化，數據積累愈來愈多，承接的數據分析相關項目也愈來愈多，她就此契機轉行到了數據分析領域。

後來，她對互聯網公司的快速發展比較好奇，就加入了阿里。「阿里對數據的準確性和實時性都要求很高，全部的業務決策都要有數據分析的支撐，同時每一個部門都有專門的數據保障團隊，來確保數據的可用和統一。」

溫融冰的大學專業是工商管理，起初一直在管理諮詢行業。2011年，他負責了第一個完整的數據分析項目，某保險集團公司的客戶分羣項目。

當時大數據的理念還遠沒有今天這麼廣爲人知，那個項目讓他第一次學習到，如何充分利用企業內部明細粒度的數據，系統性地指導市場、銷售、和運營決策。此後，受諮詢行業「數字化變革」的影響，客戶的諮詢項目都跟數據分析有關。

後來，緣於對物聯網數據的興趣，加上身處杭州，他加入了阿里體系中和物聯網相關性最高的BU，菜鳥網絡。接觸到了更豐富的數據應用場景、更便利的數據基礎設施（包括數據倉庫與分析工具）。

從數據破解謎題

「作數據分析像爬山，到山頂的路有不少條，可是最短路徑每每只有一兩條，經驗豐富的人，更容易找到它們。」

他們一般的工做場景是，與業務團隊緊密配合，經過數據分析的手段（產出業務分析報告）洞察和診斷業務風險，爲決策及運營提供數據支持。

聽起來是否是很神祕？像福爾摩斯同樣，輕巧地破譯藏在數據中的線索。

的確如此，破案的第一步，就是將擺在面前的事實仔細梳理，找到要解答的問題是什麼，也就是做案動機。而後才能從正確的方向，定位兇手是誰。

理解業務就是理解動機。

溫融冰說：「通常的困難老是源因而否充分理解了商業問題。新人容易立刻動手開幹。我建議，仍是儘量地理解對方想經過數據分析解答的商業問題是什麼，這樣會事半功倍。不要擔憂面子問題，追問下對方的真實訴求。」

既然找到了問題所在，是時候展示真正的實力了！

哎，先等一下……破案以前，一個問題迫在眉睫：如何擁有和福爾摩斯同樣構造精密的大腦？

答案，彷佛不能。

But！即使不能仿造他的記憶宮殿，咱們只要學會控制本身的大腦，構建思惟框架，就能使分析更精準，更有效率。避免毫無頭緒地思考浪費大量時間和精力。

在這方面，溫融冰回憶：「我在 Capgemini 的項目經理 Lion 對我影響最深，是他真正地訓練和傳授我：結構化思考、深刻淺出的表達。」

而後，就能夠利用沉澱的業務分析方法論，結合最新業務情景，大膽假設分析思路（複雜分析任務須要設計分析框架），開展分析，進而產生結論。

最後，將結論與業務方溝通確認（有時需修正分析思路，從新開展分析），並就可行性解決舉措進行商討，最終彙報結論。

其中，對數據進行可視化分析時，圖表等工具只是一種表達方式。

王淑娟提醒：「不要爲了好看而作報表，不要追求複雜的圖，傳遞的結論、分析的邏輯更重要。」

這就是一般的數據分析流程。劉紅閣總結：「一樣的一個數據分析需求，新人可能會由於缺少對業務的深入理解、有效的分析思路或者完備的分析框架，無頭蒼蠅同樣亂試，花費了不少時間，但沒法在有限時間內產生有意義的數據洞見。

「有經驗的數據分析師，每每先不會着手取數、分析數據，而是花比較多的時間瞭解背景、梳理和設計思路。作數據分析像爬山，到山頂的路有不少條，可是最短路徑每每只有一兩條，經驗豐富的人，更容易找到它們。」

打磨數據原石

羅素：「一切偉大的著做含有乏味的部分，一切偉大的生活含有沉悶的努力。」

和數據打交道，枯燥是沒法避免的。在產生數據洞見以前，他們常常被海量無心義的數字淹沒。數據分析就是靜下心來，沉潛到深海，尋找他們要的那串珍珠項鍊。

這個過程當中，嚴謹相當重要。劉紅閣說：「多年的數據分析工做從業經驗，訓練了我敏銳的數據洞察力和嚴謹的邏輯思惟能力。工做時很是‘強迫症’，這可能和個人角色有關係，我出口的數據 insights 是高層作實實在在的決策用的，決策的結果與百度收入密切掛鉤，正確與否很是易於檢驗。」

既然一切結論都是創建在數據之上，基礎就要打牢。溫融冰說，本身爲了快速瞭解某塊業務，甚至會用最笨的辦法——抄寫或重複數據，來增長熟悉程度。

王淑娟說，最常遇到的問題是數據口徑不清晰、來源不清楚，致使分析結論不敢用。比較好但也比較費時間的方法是層層追溯，一直到系統層面，查看數據是如何被記錄、被沉澱的，瞭解數據的加工鏈路，確保分析結論的可靠。

前幾年，他們用 Excel 處理分析需求，天天都要搞表格搞到半夜，還由於數據量大老是電腦崩潰。

2014年，他們普遍接觸、比較試用各類敏捷 BI 工具，最後選中了 Tableau。爲便於項目組的新老成員快速掌握，寫了一份手冊。因緣際會之下，這份文檔變成書籍得以出版，也就是如今的《人人都是數據分析師》這本書。

Tableau 的確是一個很是有魅力且值得推薦使用的分析工具，能夠節省處理數據的大量時間。

王淑娟說：「對於初學者，最實用和最通用的功能固然是快速成圖和圖表聯動功能，可以幫助咱們在繁複瑣碎的數據中，快速發現規律、特徵；自助分析功能也能幫助初學者去挖掘數據的分佈等。

「進階用戶能夠嘗試Python和R的集成功能，以及Tableau的表計算、各類函數。Tableau內嵌的豐富的函數，其實能夠幫助咱們快速實現不少複雜的操做，值得深刻學習和挖掘。」

劉紅閣也分享了本身的心得：

1. 使用表計算時，須要重點關注計算依據和相對級別，不然易出錯

1. 一個工做表中，最好不要同時使用超過3個「集」，不然可讀性差，也易出錯

1. 進行可視化分析以前，先對數據概況進行全貌的瞭解，包括數據分佈、缺失值和異常點

溫融冰提醒，使用 Tableau 必須時刻牢記：input 讀入數據的粒度，即最小的觀測值是什麼。

用戶在 Tableau 中簡單拖放便可分析、探索數據，其背後的原理是將動做還原爲 SQL 來彙總計算數據。與程序語言的區別在於：它不展現處理過程。所以，若是因粒度搞錯而結果出錯，用戶本身每每不容易查出。

數據無終，卓越無止

工做佔據了咱們一輩子的大部分，所以要選擇適合本身的職業，找到本身樂於投入的領域。

若是想要成爲一名優秀的數據分析師，劉紅閣說：「首先，要真心喜歡這個職業。興趣是最好的老師，對數據分析師這個職業來說，尤爲重要。爲何？由於數據分析師乾的是苦活累活體力活，要花費百分之七八十的精力來獲取和清洗數據，真正作分析和寫報告的時間是比較短的。若是沒有真正的興趣，是很難熬的一份職業，我會勸你們不要走這條路。

「其次，要有很強的邏輯思考能力。業務的複雜程度很高，數據分析師要解決的，不是產出一個數據報表這麼簡單的事情——不然 PM 或者 RD 本身都作了，就不須要這門職業了——而是很是複雜的業務問題，因此須要有超強的邏輯思考能力，抽絲剝繭，進行業務的分析與診斷。

「最後，要有悟性。不少同窗具有如上兩個特質，但缺乏悟性，那麼數據分析這條路對他們來講，天花板就很低，在百度升到 P6 能夠，再往上就很是難。悟性這個詞聽起來有點抽象，其實就是說對數據有很高的敏銳度。見到數據，會關聯到具體的業務場景，主動思考和探究業務的本質或本源問題，提出想法，利用數據的手段，去改造、去解決、去提高業務。」

在此基礎上，王淑娟說：「要分析、定位本身的興趣所在，是在技術領域仍是業務分析領域。若是是技術領域，能夠多研究數據架構、存儲方式等，往數據倉庫方向發展；若是對業務結果更感興趣，建議多嘗試業務領域，培養對業務、數據的敏感度，往業務分析、商業分析領域發展。」

對於剛接觸數據分析的新人，他們也分享了一些工具學習方面的建議。

劉紅閣說：「新人的話，我建議工具選擇Python（若是已經很熟悉R，那就用R也能夠）、MySQL、Tableau。

• Python是開源工具，Pandas是操做數據的庫，NumPy和SciPy是高效進行數字和矩陣計算和轉換的庫，Scikit-learn是機器學習的庫，這幾個庫都很是經常使用，要熟練掌握。
• MySQL的學習我就不用多說了，這是必備的數據獲取語言。
• Tableau 是高效敏捷的數據可視化分析和探索性分析工具，精通它，可讓你的分析效率大大提高。」

溫融冰說：「工具學習就是要多使用、多練習。全部實踐性的知識只有經過練習才能真正地掌握。」

此外，要培養閱讀的習慣。他平時喜歡閱讀政治哲學，及人文藝術等領域的內容，追求通識教育或知識結構的平衡。

不只如此，劉紅閣說：「數據分析須要多個領域的行業知識（經濟、金融、互聯網、統計、AI，等等），多讀書有助於打開視野，也能將本職工做作得更好。」

插圖來源：Pixabay

題圖來源：Unsplash

掃一掃，京東購

《人人都是數據分析師：Tableau應用實戰》第2版

做者：劉紅閣、王淑娟、溫融冰

簡單易用，拖放成圖，無須統計、計算機背景，便可進行可視化分析，分秒間讀取，快速引擎處理，幫你看見並讀懂大數據。