有同学会说，得先定义清楚数据分析。
是的，想定义清楚数据分析，不能看他叫什么，而要看他做什么。适用于任何职位。
总结有4个方向可能影响到日常工作内容，按影响程度排列：
1、所在的部门
2、历史工作年限+入职时长
3、个人的技术栈
4、数据部门的规模
既然是一个特定职业，那么无论在什么部门，无论工作多久，一定是有一定的共性的。就像画家总会拿起自己的画笔，司机自然会有一辆车~
我们先简单定义分析师为：对数据进行一定的处理，并辅助需求方决策。
对数据处理的工具有很多，但是基本都绕不开两个核心 EXCEL + SQL
想要辅助决策，首先要了解对方干什么。
如何了解业务？通过数据看业务的表现，和需求方沟通，参与需求方的会议，到需求方进行轮岗等。
这些内容可以用流程图+文档记录，帮助自己理解业务流程及细节。
需要将信息有效的传递到需求方中，需要使用合理的方式将信息传递。
可视化是常见的且有效的方式。
这里一般使用EXCEL就可以完成对大多数的需求。但是更建议掌握一个BI工具。
推荐使用商业化产品，例如tableau,power bi等。
汇报时，可以使用PPT，但是要注意效率问题，毕竟制作一个逻辑合理，美观的PPT还是很肝的。
无论你在什么部门，什么行业
EXCEL + SQL + BI + 流程图（了解业务）
对于小白来讲，快速掌握以上几点，是进入工作角色有力的保障。
1、数据中台组
当项目有多条业务执行线时，且部门对全部业务线服务时，该数据部门就可以定义为中台组。比如，同时为产品、市场与渠道、运营提供数据支撑~
这个时候更多的会在底层数据服务。除共性内容外：
1、了解数据库存储逻辑，字段含义。了解数据指标具体定义及产出逻辑。
2、承接各需求部门提数需求，部分可能会需要python等脚本语言来处理。
3、数据埋点文档产出。
4、为业务方提供的数据产品的配置及培训等。
2、运营部门
活动运营：会统计每一次活动的效果，及流程转化率，产出每次的数据结案，及是否优化建议。主要会关注到成本情况，效益情况，各流程转化率情况，用户在活动后表现。
用户运营：了解用户生命周期。产出用户画像及用户分层规则，并执行精细化运营的逻辑策略，同时统计效果。有能力需进行频繁的AB测试，沉淀测试结论。
其他运营：略
3、市场及渠道部门
统计投放及效益数据，核心为成本模型的搭建。
并测试出各种渠道的效果，可以根据不同的目标，进行投放的调整。
2021年了，除了传统的渠道方式，现在更有私域渠道，社交媒体渠道。可能会要求了解新型营销内容，技术上可能会要求爬虫技能。
4、产品部门
1、主要为产品功能的数值监测，新功能数据复盘，用户路径分析
2、功能AB测试，提供分析结果及测试建议
3、寻找用户留存和活跃的魔法数值，该部分和用户运营重叠。
5、战略情报部门
1、市场研究及竞品分析
2、企业成本模型，用户分析
3、使用PPT进行信息传递
4、可能会要求爬虫技能【工具】
6、算法组
1、为数据挖掘提供EDA分析，描述分析
2、提供业务建议
注：算法与数据分析是两码事，已经完全是另外一种工作。
这个主要是决定在 一线工作内容 和 资源协调沟通的 上的时间分配问题。
比如：
实习生：一线工作内容 100%，还不一定可以做的很好
初级数据分析师：一线工作内容90%，资源协调沟通 10%
高级数据分析师：一线工作内容50%，资源协调沟通 50%
管理：一线工作内容20%，资源协调沟通 80%
从高级分析师开始，大概率已经会有partner或者开始带人了。
不会python会影响数据分析么，在绝大部分是不会的。
但是会python的时候，在一定程度上可以做更多的事情。
比如将自己的某些需求自动化。比如自己爬虫一些内容。
比如会R在统计分析上，可能也会有一定的优势。
比如只会power bi 或者只会 tableau的人，工作方式也会有一点点的不同。
但是这里也有一个巨大的陷阱：
1、自己给自己的陷阱：过于专注于某一个技术手段，忽略了数据分析核心的内容。技术手段长远来看，基本上都会被工具所代替。
2、公司给自己的陷阱：比如公司会让你爬数据，而不单独招一个工程师。相当于身兼多职，在数据分析方向投入的精力就会相对较小。
数据部门的规模大小，决定了大家的分工情况。这个数据部门也包含数仓等岗位。
企业的数仓建立完善，报表工具高效，BI工具完善，埋点数据健壮，运营系统数据支持完备。
那么分析师在这些环节就不需要投入太多的精力，会更多的投入到业务方向上。
否则，哪里有缺失，数据分析师作为润滑剂或枢纽，就会在哪个环节人肉顶上。
-End-