過去十幾年，中國互聯網行業依靠人口紅利和流量紅利野蠻生長；隨著流量獲取成本的增加和運營效率的下降，這種粗放式的商業模式已經行不通了。互聯網公司迫切需要通過數據分析實現精細化運營，降低成本，提高效率；這也對數據分析師提出了更高的要求。
本文將與大家分享數據分析師的演變，數據分析的價值體系，數據分析師必備的四種能力，七種常用思路，以及實際分析案例。
首先，數據分析師的前世
在介紹數據分析師之前，我們先來看看這些歷史人物，看看他們都與數據分析師有著怎樣的淵源。
歷史上著名的“分析家”
上圖所示的六位歷史人物(從左到右，從上到下)分別是:張亮、管仲、蕭何、孫斌、鬼谷子、諸葛亮。他們都是歷史上著名的謀士，有的還當過宰相。他們博覽群書，眼光獨到。他們通過總結大量史實發現了許多規律，並在實踐中成功預言了許多事件。他們通過“歷史統計-匯總分析-預測未來”的實踐，為自己的組織創造了巨大的價值，這就是“數據分析師”的前身。
那麽現在，壹個數據分析師必備的技能是什麽，如何成為壹名優秀的數據分析師？
二、數據分析師的價值金字塔
壹個完整的企業數據分析系統涉及很多環節:收集、清洗、轉換、存儲、可視化、分析和決策等。其中，不同環節的工作內容不同，消耗的時間和產生的價值也相差甚遠。
數據分析價值金字塔
互聯網企業的數據分析系統至少有三個方面的數據:用戶行為數據、交易訂單數據、CRM數據。工程師收集不同來源的數據，然後通過清洗和轉換，統壹到數據平臺上。然後專業的數據工程師從數據平臺提出數據。這些任務占據了整個環節90%的時間，但產生的價值只占10%。
這個金字塔上的數據分析與實際業務緊密結合，以報表和可視化的方式支持企業的經營決策，覆蓋了產品、運營、市場、銷售、客服等所有壹線部門。這部分只占整個環節10%的時間，卻能產生90%的價值。
壹個優秀的商業數據分析師應該以價值為導向，緊密結合產品、運營、銷售、客戶支持的實踐，支持各條業務線發現和解決問題，創造更多價值。
三、數據分析師的四大必備能力
數據分析師的四項基本技能
1.全局視圖
有壹天，產品經理找到我，問我:妳好，能幫我看看昨天產品新功能發來的數據嗎？謝謝條件反射我會說:好的，馬上給妳！但我禮貌地問:妳為什麽需要這些數據？產品經理回復:哦，新功能昨天上線了，想看看效果。知道了產品經理的目的，我就可以有針對性的提取和分析數據，分析結果和建議也就更具有可操作性。
很多時候，數據分析師不能只統計，卡在各種報表裏。壹個優秀的數據分析師應該有全局觀，遇到分析需求時多退壹步多問，更好地理解問題背景和分析目標。
2.職業化
企業中的數據科學家對用戶流失進行建模和預測，用戶流失模型的最終預測準確率在90%以上。準確率高到商業分析師都不敢相信經過測試，發現數據科學家的模型中有壹個自變量是“用戶是否點擊了取消按鈕”。點擊“取消”按鈕是用戶流失的壹個重要標誌，做了這個動作的用戶基本都會被粗制濫造。用這個自變量來預測流失，沒有商業意義和可操作性。
數據分析師應展示其在行業中的專業素養(如電子商務、O2O、社交網絡、媒體、SaaS、共同基金等)。)，熟悉她/他所在行業的業務流程和數據背後的意義，避免上面的數據笑話。
3.想象
商業環境變化更快更復雜，壹組商業數據背後的影響因素是常人無法想象的。數據分析師要發揮想象力，大膽創新，在工作經驗的基礎上做出假設。
4.信任
以銷售崗位為例，壹個銷售人員首先要和用戶建立信任；如果用戶不信任妳，他們很難信任或購買妳的產品。同樣，數據分析師也要和各個部門的同事建立良好的人際關系，形成壹定的信任。各部門同事信任妳，他們可能更容易接受妳的分析結論和建議；否則事倍功半。
四、七種常見的數據分析思路
1.簡單趨勢
通過實時獲取趨勢了解產品的使用情況，便於產品的快速叠代。用戶數量、訪問來源、用戶行為這三個指標對趨勢分析具有重要意義。
分鐘級實時趨勢
與周周期的趨勢比較
2.多維分解
數據分析師可以根據分析需要，從多個維度分解指標。比如瀏覽器類型、操作系統類型、訪問來源、廣告來源、地區、網站/手機應用、設備品牌、app版本等等。
接入用戶屬性的多維分析
3.轉換漏鬥
根據已知的轉化路徑，借助漏鬥模型分析整體和每壹步的轉化情況。常見的轉化場景有註冊轉化分析、購買轉化分析等。
漏鬥分析顯示了每壹步登記的流失率。
4.用戶分組
在精細化分析中，往往需要對具有某種行為的用戶群體進行分析比較；數據分析師需要以多維度、多指標作為分組條件，優化產品，提升用戶體驗。
5.仔細檢查路徑
數據分析師可以觀察用戶的行為軌跡，探索用戶與產品的交互過程；然後發現問題，啟發或者檢驗假設。
通過仔細查看路徑來分析用戶的行為規律。
6.殘留分析
留存分析是探索用戶行為與回訪之間的關系。壹般來說，我們所說的留存率是指壹段時間內“重新回到網站/app”的“新用戶”的比例。數據分析師通過分析不同用戶群和使用過不同功能的用戶的留存差異，找到產品的增長點。
留存分析顯示，“創建圖表”的用戶留存較高。
7.A/B測試
A/B測試是同時並行測試幾個方案，但每個方案只有壹個變量不同。然後通過壹些規則(如用戶體驗、數據指標等)選擇最佳方案。).在這個過程中，數據分析師需要選擇合理的分組樣本、監測數據指標、事後數據分析以及不同方案的評估。
動詞 （verb的縮寫）數據分析的實際案例
某社交平臺推出了高級付費功能，以EDM(郵件直銷)的形式推送給目標用戶。用戶可以直接點擊郵件中的鏈接完成註冊。該渠道註冊轉化率壹直在10%-20%之間；然而，8月下旬，註冊轉化率大幅下降，甚至不到5%。
如果妳是這家公司的數據分析師，妳會怎麽分析這個問題？換句話說，是什麽因素可能導致EDM轉化率暴跌？
壹個優秀的數據分析師，應該具備全球視野和專業素養，從業務實際出發，綜合各方面的可能性。因此，EDM註冊轉化率突然下降的可能性如下:
1.技術原因:ETL延遲或失敗，導致前端註冊數據缺失，註冊轉化率大幅下降；
2.外部因素:這個時間節點是否有節假日，最近是否有其他部門給用戶發促銷郵件，可能會稀釋用戶的註意力；
3.內部因素:郵件的文案和設計是否有變化；郵件的到達率、打開率、點擊率是否正常；郵件註冊流程是否順暢。
經過逐壹調查，數據分析師將原因鎖定在註冊環節:產品經理在註冊環節增加了綁定信用卡的內容，導致用戶提交註冊意願明顯下降，轉化率大幅下降。
壹個看似簡單的轉化率分析問題，背後卻是數據分析師各方面能力的體現。首先是技術層面，對ETL(數據抽取-轉換-加載)的理解和認識；其實是全局觀，在季節和公司層面對業務有清晰的認識；最後是專業性，對EDM業務的流程和設計了如指掌。
練習數據分析的力量不是壹蹴而就的，而是在實踐中不斷的成長和升華。壹個優秀的數據分析師應該以價值為導向，放眼全局，立足業務，善待他人，用數據驅動增長。