数据分析师如何突破瓶颈,更好的完成本职工作?


引言

在昨天的文章中,小编分享了接地气学堂的文章《2020年,数据分析师会被取代吗?其中谈到:“前景不是看出来的,而是自己努力出来的”,那么数据分析师应该如何更好的完成本职工作,增加竞争力?


本文作者在阅读《数据分析师的生存手记》一文后,从文章的数据工作流程8个状态中受到启发,基于自身理解,对8个状态进行了解读与思考。



1. 新的需求


数据分析工作流程的第 1 个状态,就是忠实地记录新的需求,纯粹地站在需求方的角度,不加任何评判地收集原始的需求。


这个状态借鉴了 ORID 焦点讨论法的第 1 步,也就是真实地记录客观的事实。


关于 ORID 焦点讨论法,笔者从网上查了一些相关资料,看到下面这个例子,感觉比较恰当。假设昨晚下班的路上,某人遇到了一条狗(O 事实),当时很害怕(R 感受),心想应该怎么办(I 思考),为了避免被狗咬,最终某人决定绕路走(D 决定)。


2. 需求确认


需求确认是分析任务成败的关键,针对不同的情况,应该采取不同的对策。


第 1 种情况:需求方无法清楚描述问题。



《数据分析师的生存手记》中提到,有的需求方的专业技能不合格,会祸害上下游,「fire」掉就可以了,绝对不可以手软。


「fire」在这里表达的应该是「拒绝」。


对于一般的数据分析师而言,需求方可能就是自己的老板,遇到这种情况,个人建议加强沟通交流,主动多问一问具体情况,搞清楚需求方的真正意图。


第 2 种情况:需求方将很多问题混杂在一起。


这种情况非常普遍,数据分析师需要应用 MECE 原则,帮助需求方梳理业务,变成相互独立、完全穷尽的问题,并了解其中的主要矛盾和次要矛盾。


第 3 种情况:需求方无法和数据进行映射。


这种情况也相对比较普遍,一般企业是通过「角色前置」来缓解这个问题,比如设置「产品经理」的岗位角色。不过有的时候,前置的角色可能不合格,这就需要数据分析师在「数据确认」环节给予专业的建议。


第 4 种情况:需求方提出了错误的数据需求。


想象一下,数据需求本身就不对,作为数据分析师,居然漂亮地执行完成了……结果需求方不满意,又提了一遍,后面可能还有第三遍……最终需求方可能很不满意,数据分析师吃哑巴亏。


当出现这种情况时,建议数据分析师在执行之前,先进行合理的沟通,指出数据需求本身的不当之处。


第 5 种情况:需求方无法预判可能的分析结果。


这种情况很正常,毕竟很难碰到非常完美的需求方。笔者认为此时数据分析师应该多一些包容和理解,多站在对方的角度看问题,自己先学会预判,然后再帮助对方学会预判,为对方排忧解难。


假如遇到需求方不仅掌握业务和数据之间的关系,而且懂得利用数据分析的结果,来指导下一步的行动,那么数据分析师应该好好珍惜。


3. 数据确认


当需求确认清楚之后,接下来需要确认数据源,可能会遇到 3 个问题。


第 1 个问题:期望的数据没有存储。


作为数据分析师,如果你能帮助改善这个问题,让企业的数据更加完备,那么你的影响力将会得到提升。


第 2 个问题:数据分散在不同的位置。


在传统企业,这个问题非常普遍,可能还没有建立数据仓库。对于互联网企业,这个问题体现了数据仓库设计的不完备。


如果不是经常性的问题,临时解决即可。如果是经常性的问题,建议数据分析师主动了解底层的数据逻辑,编写自动化的代码,在可能的情况下,交付给数据仓库团队。


第 3 个问题:数据源错误。


这个问题非常致命,如果数据源不对,后面的分析结果可能造成误导,让需求方做出错误决策,后果不堪设想。


所以,数据分析师提高数据敏感度也很重要,在做数据分析之前,一定要先确认一下,数据源是正确无误的吗?


4. 实现中


在需求实现的过程中,数据分析师要管理好自己的分析代码。


以 Python 为例,尽量使用 Numpy、Pandas、Matplotlib 等比较成熟的包,用 Git 做好代码的版本控制,特别注意代码注释和提交信息的可读性和完整性,让数据处理的每个步骤都清晰易懂。


另外,配合使用 Jupyter Lab 之类的工具,能大大提升数据分析的工作效率。


一方面,我们要把好的经验和方法,沉淀为固定的流程步骤,实现工作的流程化。比如一个数据报表,用怎样的格式和规范,读者容易抓住其中最有价值的信息?


另一方面,我们还要实现流程的工具化。因为总有人会「偷懒」,总有人会逾越流程,总有人会偷偷地绕过流程。所以,我们要适应用工具来辅助流程的执行。


如果流程工具用起来不适应,怎么办?


像华为早年引入集成产品开发 (简称 IPD)的流程,大家刚开始也不适应。而任正非说了一句话:先僵化、后优化、再固化。


5. 交付


突出主要分析结论,这是数据分析交付的重要内容。


如果分析没有结论,就不能称之为交付。


交付的内容,包括文字、表格、图形等要素。文字表述要条理清晰,表格制作要标准规范,数据可视化的图形要选择合理。



6. 复盘


很多数据分析工作,最终停留在「交付」这个状态,数据分析师交付结果之后,往往没有去跟进后续的效果情况,没有对分析的价值进行判断,没有进行复盘总结。


交付之后,不妨思考一下,我们通过数据分析,帮助需求方做出了哪些正确的决策?给企业带来了哪些价值?与当初预期的目标相差多少?关键因素有哪些?假如重新再做一遍,怎么做才能做得更好?


在复盘总结的过程中,可以锻炼数据分析师对业务的理解能力和对价值的预判能力。


7. 等待


当发现目前还不具备分析的条件时,那么可以选择等待一下。


比如说,当需求还没有确认清楚的时候,应该等待需求方有空的时候,把需求沟通确认清楚。当缺少必要的数据源时,因为巧妇难为无米之炊,所以也需要耐心等待。


当然,在等待的时候,可以先思考一下大致的分析方向,以便让后面的实现过程更加快捷。


8. 拒绝


当需求肯定无法实现的时候,要明确地予以拒绝,不要给人模棱两可的答复,此时要避免让需求方有很大的期待,结果因实现不了而导致失望。



本文总结了数据分析工作流程的 8 个状态,


为了避免被贴上被动、低价值、重复劳动的标签,数据分析师要主动完善自己的工作流程,优化自己的工作状态。


最后,作者把数据分析的 8 个状态之间的流转,用一张流程图串联了起来。



以上,希望能够对你有所启发。


作者:林骥

转自:林骥微信公众号

扩展阅读:刘思喆-《数据分析师的生存手记》

推荐阅读:

核心问题一扫清丨2020年,数据分析师会被取代吗?

在家办公模式开启,我们都需要注意什么?

学术必备!最全国内外社会科学数据网站资源汇总(附链接)

我知道你在看