數據分析師的具體工作職責和工作內容有哪些?


以下回答主要針對中型互聯網公司,偏產品數據分析的職責和工作,希望能拋磚引玉。

【1】找到如何通過數據衡量產品(measure)

費曼說過一句話,如果我們不能創造某樣東西,那麼說明我們還沒有搞清楚(What I cannot create, I do not understand)。

對於數據分析師來說,如果我們不能用數據衡量某個產品,那麼說明我們還沒有搞清楚。

這個問題看似簡單,其實很麻煩。

對於不同的產品,可能會有不同的衡量方法,同時也可能會有好幾個,各有什麼優劣?

比如說 Uber 在初期,有多少司機(供給方)可能是一個很重要的指標,而發展一段時間之後可能是交易量。

再比如,同樣是共享經濟,Uber 看用戶的 app 使用時長,可能是個意義不大的行為;而對 Airbnb 來說,用戶的 app 使用時長可能是一個很重要的指標。

思考題:為什麼?

對於同一產品,針對不同的場景需要要的指標可能又是不一樣的。

再以 Uber 為例,假設司機的月活數量是一個很重要的指標,可以看公司長期的發展。

但是這個指標卻並可能並不能作為日常做 A/B 測試的指標,想想這又是為什麼?

【2】找到如何可以驅動產品的指標

當知乎說自己發展的好、拉風投的時候會說有多少日活(好像是七千萬?)。

對於投資人、創始人來說,都是一個很好的衡量產品發展的數據。

但是如果想要把產品進一步提高,日活這個數據就並沒有什麼用了,因為這是結果,不是手段。

數據分析師的工作,就是要找到這麼一個或幾個指標,是跟公司的長期目標發展相關的,同時又能通過驅動這些指標達到長期發展的目的。

比如 LinkedIn 可能是希望用戶建立 X 個好友,Twitter 可能是希望用戶關注 Y 個帳號,Quora/知乎可能是希望用戶關注 Z 個話題,或者答了 N 個題,如此各種。

【3】跟產品經理、工程師等合作尋找改進產品的機會

現在產品的目標有了,驅動產品的方向也有了,那麼具體怎麼驅動呢?

比如說希望用戶關注 Z 個話題,那麼在用戶註冊的時候就給推薦呢?還是默認關注一些話題?

默認關注一些話題會有什麼好處?又會有什麼壞處?

是在用戶剛註冊就讓他們關注好,還是使用了一段時間之後再關注好?

如果有一些用戶一個話題都沒有關注,怎麼辦?

等等。

【4】幫助產品做決策

做決策,可能很多人第一反應想到的是做 A/B 測試,這的確是一方面,而且也是很重要的一方面。

但有時候容易忽略的是如何幫助產品/工程師設立優先順序。

在互聯網行業,任何時候都有幾十上百甚至上千個事情需要做的,比如說八阿哥多多的網頁版和被吐槽多多的編輯器。

那麼哪個是最重要的、最需要解決的?

哪些改變是有可能帶來產品的改進的?

同時有十個新的產品特性可以加的,應該先做哪個?甚至哪些是沒有必要做的?

畢竟工程師這麼貴,招人也不容易,所以很多時候需要做一些聰明的選擇,比如救助於數據分析。

回到 A/B 測試,數據可以做的就更多了。

比較直接的,如果寫 pipeline 抓取數據,做假設檢驗這些,更重要的,回到了第一點和第二點,做 A/B 測試不會只有一個指標,通常會有好幾個。

如果有些升了有些聊了,怎麼權衡?

比如說 Airbnb 訂單量增加了,但是用戶減少了,這是個好的方向嗎?

或者說 Uber 司機收入增加了,但是評價降低了,高峰期添價(Surging Pricing)出現得更頻繁了,應該選哪個?

A/B 測試本身技術方面不是最難的,難的是如何根據數據做決策。

【5】產品數據追蹤

如果 Amazon 的網站掛了,對 Amazon 的收入會有很大的影響。

如果 Amazon 雲掛了,那不只對收入有影響,還會影響大批客戶。

所以需要有工程師二十四小時值班(oncall)。

類似的,如果發現知乎日活異常增加,或者降低,怎麼找出原因?怎麼解決?

這些也都屬於數據分析師工作的一部分。

要對產品做數據追蹤,就離不開不同維度的數據,把它們做成報表,所以需要數據分析師,有時候也可能是 data engineer 的工作。

【6】尋找新的領域

在產品的不同發展時期,側重點可能是很不一樣的。

比如在產品發展的初期,可能是社區運營,找到好的種子用戶,打造一個良好的社區。

在產品發展的初期,可能是增加普通用戶的數量,擴大用戶基數。

如何確定產品在哪個時期?在不同的時期又如何找出可以推進產品的方法?

這些方法可能是從產品、用戶體驗的角度出發,比如說如果加個「想法」會怎麼樣?

也有可能是從工程師的角度出發,比如說頁面載入時間過長等等。

也有可能是從數據的角度出發,比如說發現很大一批用戶喜歡髮長篇評論,但是卻並不點贊,那麼試試開發一個功能評論的同時也分享到時間線?

【7】給團隊設定目標

前面提到數據可以幫助團隊決定做哪些方向,那麼這些方向可以達到一個什麼樣的目標?

如果目標定得太高,最後團隊沒有完成,一次兩次還好,如果總是這樣,那麼必然會打擊團隊士氣。

如果目標定得太低,團隊總是輕鬆完成,那麼就起不到激勵團隊的作用了。

注意這裡的設定目標並不是做了什麼事情,投入了多少時間,而是最後對產品的指標有什麼影響。

比如說 Uber 的交易量增加了多少,或者是知乎的日活增加了多少如此種種。

【8】長期投入

大部分時候的數據分析是基於當前的狀態的,但是也需要考慮到用戶、產品、環境等的變化。

所以很多時候也需要看以前的數據。

如果以前的數據沒有了,那就就再也找不回來了。

種一棵樹最好的時間點是十年前,第二好的就是現在了。

所以把目標放長遠點,三年之後五年之後十年之後,我們需要什麼樣的數據,現在就可以準備好的。

如果三五十年之後自己還在公司的話,那麼一定會慶幸自己現在做好的鋪墊工作。

如果已經離開公司,那麼一定會有個人默默的謝謝你的。

【9】帶新人和面試的能力

如果公司處於一個高速發展狀態,那麼這兩項職責的重要性不言而喻。

如何讓新人快速有效的入手,如何高效率高精度的識別優質候選人,一方面可以讓自己的影響力快速增長,另一方面也是公司增長的保障。

如果公司處於一個相對平台的狀態,那麼多少也還是會有新老交替,帶新人和面試的能力也是必不可少的。

【10】提供數據支持

團隊里合作方有時候會需要數據分析師提供幫助,比如說在解決 oncall 的問題的時候,工程師可能會需要數據分析師找一些 pattern;

比如用戶調研採集完數據之後,需要數據分析師做一些處理;

這些也都是日常工作的一部分。

另外我的一些數據分析相關的回答供參考:

鄒昕:如何快速成為數據分析師?

鄒昕:數據分析中會常犯哪些錯誤,如何解決?

鄒昕:數據科學家 (Data Scientist) 的核心技能是什麼?

鄒昕:一個有三年工作經驗的優秀數據分析師所具備的能力有哪些?怎麼衡量?從哪幾個方面?

鄒昕:數據分析會騙人么?

覺得有用就點個讚唄,別收藏了(收藏了也不會看的)。


謝邀。
目前在一家電商公司從事數據分析的工作。
剛入門的時候都會從最基本的做起,也就是先做表格。

先是學做日報。這是每天到公司做的第一件事,雖然很基本,步驟很統一,也很機械,但是每天的日報都能看出前一天的銷售狀況,整個月的銷售走勢,本月的任務完成程度,過去24小時內流量來源的對比,轉化率的變化,客單價的漲幅等等,清晰且明了。近年來手機端流量的崛起,也為此單門添加無限端的流量、銷售的分析,以及無線端和PC端的佔比分析。
採用表格,折線圖,以及文字表述等方式,通過郵件發給公司里各個部門的主管。

再有就是日銷、庫存類的表。這些是關於每一天銷售過後的庫存、產品銷售預測、以及店鋪內的top產品的表。
產品銷售預測,是通過近30天內的銷量,求平均作為銷售速度,或者如果近期有大幅度的活動力度,也可取近一天的銷售量作為銷售速度預測。
通過vlookup得到對應的庫存,再通過公式計算得出,按正常日均銷量銷售的話,一定時間內會出現庫存緊缺的產品,做出庫存預警。top產品的列取可以幫助在做活動推廣的時候,更好的選取產品,也可以直觀展現近期產品的受歡迎程度,也間接能反應消費者在宣傳作用下的消費偏好。

流量分析相關表。電商行業對流量的來源分析會更注意,先流量細分,再者只要出現和近期數據相比有較大幅度變化的都需要反映出來。拿淘寶平台的商家來說,站內有鑽展,直通車,首焦等流量來源,如若出現較大變動都需要去找對應的原因。站外的話因為會不定期在各個平台做活動,也是需要去相對應的部門獲取近期流量來源。

復盤。每一個較大活動完了都需要對這次活動做復盤,分析銷量,走勢,和前期對比,哪些不足,什麼時間點賣的好等等。

數據分析是公司運作較核心的部分,公司每採取一個決策,都需要參考公司數據指標,每制定一個營銷政策也都要結合當前的數據表才能制定。數據分析可以幫助公司更清晰的知道自己的特色、優勢,以及消費者的偏好、大環境的變化等等,以此來更好的運作。


我在美國做數據分析,我們的客戶是零售商和一些快消品的生產商,數據分析對很他們重要。由於超市都有會員卡,每一筆消費都會上傳到我們的資料庫,所以我們擁有詳盡的數據可以用來分析。

首先超市或者商店裡有大大小小的打折促銷活動,要知道這些活動有沒有效果就得對關鍵性的指標進行對比,做出報告告訴客戶這些活動的效果。有的廣告公司也會找我們分析他們的廣告效果,這時候就得在資料庫里找實驗組和對照組進行建模,在SAS里做統計分析。當然我們也會和一些公司合作搞調查問卷什麼的。

另外季度性的報告也是很重要的,各種各樣的指標要進行分析對比,看KPI,畫趨勢圖,各個門店各個部門都要看。有時候會有一些門店或者一些部門指標下滑了也要找出原因。

客戶關係管理也很重要,要決定怎麼給客戶發促銷郵件,廣告,怎麼發優惠券之類的。相信看過《塔吉特大數據營銷》這篇文章的人都能領悟大數據的魔力。另外,Target確實是家好超市。

還有一些分析是研究產品之間的關聯度的,這樣可以給經理們提供上架建議。對於新產品也有一套指標來檢測他們的表現,不好的下架。

在公司里做的項目還不太多,大概就上面幾類吧。


作為同樣當初沒有實習就直接找到工作,並且從事數據分析已經一些年份的過來人,覺得可以給題主一些建議。

首先,題主的問題是說沒有實習、項目經驗,也沒有參加秋招,從事數據分析工作,應該有哪些準備。而其實,這裡面是三個問題:數據分析的工作是什麼?需要什麼樣的技能?由此才能判斷沒有實習經驗的應屆生應該如何準備?

(1) 數據分析類工作是什麼?

數據分析類工作說白了,就是將數據轉化為可以指導行動和決策的語言,從而支持運營或決策。當然,真正去指導行動和決策時需要有一些分析經驗和方法論的沉澱,才能夠做到,也就是所謂的高級分析師或者專家。初級分析師(實習生、應屆生)大多數的工作就在於數據的基本處理,比如:SQL取數、粗略統計排序、按照模板產生日報等,競爭優勢嘛。

(2) 數據分析需要什麼技能?

數據分析需要的技能也會根據所處階段有所偏重。根據題主的問題,重點來說剛入門的初級分析師應該具備哪些技能。

1、 SQL、EXCEL。作為取數和分析的工具,這兩個是毋庸置疑需要掌握的,工欲善其事必先利其器;

2、 分析師行業了解。市面上有各種各樣的公司的分析師崗位,具體的工作內容也會或多或少有所區別,了解自己的行業環境,清晰自己的發展路徑是很有必要的。面試官是比較忌諱對行業一無所知就來面試的求職者的。

3、 對問題答案的求知慾。分析師很多時候是需要有自驅力的,能前進多遠,主要在於自己對問題答案的求知慾。能通過一些案例說明自己對數據的敏感,以及對問題的求知慾,無疑是會在面試的時候得到加分的。

4、 學習能力。分析師具體的工作職責和工作內容會隨著年限不斷變化,也會隨著市場技術的更新而變化。因此,不斷的接收、學習新的有用的能力,也是一個分析師需要有的素養。利用演算法模型或者可視化工具進行分析,也是越來越普遍的技能。

(3) 沒有實習經驗如何準備?

沒有實習經驗,如果有時間自然優先是讓自己能有。

如果實在來不及,那就讓自己首先掌握基礎技能(SQL、EXCEL);其次,多想多問,儘可能了解分析師這個行業,同時需要有針對性的去了解你所面試的公司崗位具體內容職責,有時候也是會拒絕掉一些能力太超出崗位所需的候選人的;最後,想好面試的時候如何體現自己具有分析師的素養,適合做分析師。


詳細答案,我在免費課程《大數據分析的道與術》中有系統闡述:大數據分析道與術-課程學習-百度傳課,或者也可以購買同名書籍:《大數據分析的道與術》 畢然, 袁曉潔【摘要 書評 試讀】圖書

如何做好數據分析?

要想做好數據分析,有以下4個關鍵點:

(1) 業務調研:理解業務是基礎,否則分析是無本之木。

(2) 創新思考:廣闊的知識面和積極的思考力,是分析思路的源泉。

(3) 邏輯推理:對數據指標做出正確的歸因和判斷。

(4) 可行建議:產生對業務切實有效的改進建議和執行方案。


業務調研」是數據分析的起點,也是獲取分析思路的基礎,但需要兼具深度和廣度的「創新思考」,才能獲取更獨到的分析思路。分析思路也可以認為是統計數據的角度,完成數據統計後,需要「邏輯推理」來保證從數據到結論判斷的正確性。最後,用「可行建議」來保證分析結論的落地執行,產生可量化的業績。這就是數據分析從業務中來,回業務中去的完成過程。

換個角度說,可以把這四個關鍵點分解為數據分析的5個執行步驟:

選擇分析主題、確定方案思路、實現數據統計、產出分析報告、推進業務落地。


業務調研和創新思考決定了「分析主題」的高低和「方案思路」的好壞;邏輯推理決定了從統計數據得出的「分析報告」是否可信;可行建議決定了分析報告的「業務落地」效果。做好這四個關鍵,才能確保數據分析項目的每個步驟都卓有成效,最終產生業務改進。

加入數據技術領域的三步曲

如果有技術背景的朋友想入行,應該做哪些準備呢?通常,首先決策想成為偏重業務的數據分析人員,還是想成為偏重技術的數據建模人員。這兩種人在技術基礎和掌握的領域知識面上均有所差別。偏重業務的數據分析人員不需要有深入的數學和統計學背景,更需要對業務的深刻理解、靈活的頭腦和清晰的邏輯,在學習時偏重很多與業務分析相關的領域知識,如經濟學、心理學、營銷學,甚至財務和企業管理方面的學科。偏重技術的數據分析人員需要有良好的數學和統計背景,專註於數據挖掘和機器學習的演算法原理與應用場景。但無論選擇哪個方向,下面三個項準備均需要做好:編程技術、項目實踐和理論學習。

(1編程基礎

數據技術是一門實踐科學。在學習理論之前,最好具備處理數據的能力,否則一切都是紙上談兵。在這個領域使用較多的統計編程語言有:Awk、R和Python,分別是計算機科學家、統計學家和數學家的發明。Awk是Linux下方便處理數據的腳本語言。因為它的底層用C語言實現,所以處理文本日誌的速度非常快,是做數據統計的不二之選。但缺點是沒有強大功能的函數庫,不適於處理邏輯複雜或期望調用模型演算法的場景。與之相反,R與Python這兩種語言都帶有大量的數學函數庫和演算法庫,使用起來非常方便。兩者的區別是R的函數封裝更加高層,Python則提供了很多底層的數學函數庫。如果想快速驗證某個模型在應用數據上的有效性,使用R更快捷。如果需要優化演算法細節或工程實現,則用Python更適合。

除了基本的編程語言外,處理超大數據量還會用到分散式編程框架,用並行化的方法解決大數據計算的性能需求。業內常用MapReduce思想與Hadoop工具將計算過程並行化。

也許有人會問,是否可以不學編程,用一些數據挖掘軟體解決需求呢?只用軟體不再適合大數據的時代。一方面處理的數據量受軟體性能的限制,另一方面即使不需要處理大數據量,在分散式編程也要比軟體在單機處理速度快很多。雖然很多商業化軟體均逐漸支持分散式部署,但終不如自己寫程序處理來的方便。傳統諮詢公司的朋友都開始學習編程,因為隨著客戶企業的數據量逐漸龐大,不用編程的方式很難做數據分析。甚至統計學家都拿自己開涮:「統計學要被計算機學替代了,因為現在幾乎沒有非大數據量的統計應用」。

有次和數據技術團隊的負責人聊天,他問團隊組建時優先招什麼樣的人才,我提出的首要標準是熟練編程。不懂數據分析或模型演算法可以邊做邊學,但如果沒有編程基礎,最基本的工作都無法完成。

(2項目實踐

數據技術是一門實踐科學,需要大量的項目實踐。當然,了解數據分析的基本方法和數據挖掘的常見模型,有個整體的認知還是很必要的。但沒有經過項目磨練,即使讀了再多的理論書籍,也很難深刻理解模型並靈活應用。只有通過項目實踐的打磨,才能把這些方法和工具轉變成手拿把掐的技能。對於一個剛入門的菜鳥,去哪裡尋找實踐項目呢?給大家兩個建議:

1. 公開題目:很多學術和商業的組織,經常發布一些公開題目,配有相對完整的數據集和業務需求。不僅可以用公開題目練手,還可以與其它更專業團隊的方案進行對比,彌補自己的不足。

2. 免費給中小企業做項目:很多中小企業有不少業務問題可以用數據分析或數據建模解決,主動以實習的形式加入該團隊,用實際項目鍛煉自己對業務的感覺以及對數據技術的使用。

(3) 理論知識

除了掌握編程並不斷實踐項目外,還需要持續的補充理論知識。切入不同數據技術職位的朋友,所要學的內容也不盡相同。偏業務數據分析的人員,除了溫習統計知識,還需要讀很多跨學科的書籍,如經濟學、營銷學、心理學、產品設計等;偏技術的數據分析人員,需要好好溫習數學知識,如微積分和線性代數等,再閱讀與數據挖掘和機器學習相關的專業書籍。以下是個人讀過,感覺適合無背景的同學閱讀的入門書籍。這些書不一定是最著名的書,有些甚至不是專業書。

最後,附上亞馬遜上的書評,期望對大家有所幫助!:)


1.KPI指標監控,異常指標分析,尋找問題根源,為老闆做建議
每周都會有:出現什麼問題,問題的原因是什麼,各個小team的Action,每周這麼循環下去。
2.各種周期性報表,各種臨時性提數
3.針對某一特定業務問題的分析報告
4.針對某一業務問題的進行線下建模和分析,最終推動模型上線
周期性跑模型,跑模型的效果報表。
建模這塊最麻煩的是 需要與業務方溝通,搜集資料,梳理需求,定義好各個指標,加工成所需要的特徵變數,特徵變數的尋找很多時候都是嘗試,摸著石頭過河。


一般而言,初級的或者說入門數據分析師,主要工作職責大多以數據清洗為主,較少涉及建模的相關工作。


具體的任務內容大同小異,多數時候會根據建模要求或者業務要求去整合清洗數據,這幾乎佔據新手數據分析師的所有時間。


而工具方面,如果數據量不大,也有很多用Excel完成工作的,數據量大了基本都是用SAS或者Python完成。


更高層次的數據分析師的工作就很看公司和場合了,比如說你可能要反覆的調整模型,或者和老闆解釋你的成果,也有可能做一堆的分析報告的會議。


1、了解和整理產品部門的數據需求
2、技術性工作。主要編碼處理數據、偶爾做些數據分析
3、管理性工作。項目的計劃安排和進度控制、業績填寫。


初入數據分析坑的職場菜鳥來答。。。


目前在實習的單位和樓上諸位都不太相同,是個政府的合作公司,專門為政府各個部門提供軟體技術支持和基於數據的報告等等。


作為初級數據分析師我的日常工作基本就是:接到一個任務(隨任務而來有一大堆不同來源的數據)--&> 與用戶交流並分析用戶對報告的需求(他們最終想看到什麼,用這個報告做什麼 etc.)--&> 找到最合適完成這個任務的軟體 --&> 數據清理和數據格式調整 (這是最麻煩最耗時的一步,GIGO,數據不幹凈或者數據格式不好的話,任何一點瑕疵都會影響出報告。而且萬一清理過程中把重要的數據給清理掉了。。Orz 整個報告都是狗屎useless還會挨罵)--&> 用軟體做報告 (圖表,列表,透視圖 etc.)--&>把報告展示給經理並進行講解,經理說ok了就算階段性完成任務 --&>客戶對報告有進一步的需求了 --&> 返工修改。。


在這些步驟裡面我覺得最困難的就是數據清理和使用軟體。

數據清理:Excel是最常用到的平台,雖然看上去很low但是不得不說Excel的各種functions函數什麼的很好用,對付一般的數據清理小菜一碟。但有的數據,原始數據烏七八糟根本亂來的,比方說可能一個資料庫里都是各地不同shop的店員錄進去的信息,格式都不一樣,導出來以後Excel也蒙逼了,根本找不到數據的pattern寫公式也沒法寫,這種時候就要求半函數半人工地去清理。。做這種眼睛都要瞎了。在這一步里,如果你函數公式沒寫對,或者寫的時候忽略了重要的條件,那報告也是狗屎。。都是雷區。

使用軟體:我們部門要求報告都是可刷新的。什麼意思?就是不需要人工操作,每天早晨點進去看報表,報表自動顯示的都是最新的數據。這要求你創建的給報告用的數據模板精確,(數據間的引用函數面面俱到),什麼樣奇形怪狀的原始數據進入數據源你的模板都可以讓它們各歸其位;同時也要求你的數據源--模板--報表這三個部分都是actively connected的。不能說數據源有新的東西了,你的模板捕捉不到;或者你的模板總算捕捉到了,報表上顯示不出來。都是雷。然而要做到這點很難,防火牆准許許可權等等。。加之軟體的局限性無法溝通等等。。呵呵。


但是做出來漂亮的報告又對客戶來說切實有用還是很爽的啦。


瘦腰了。
日常類:
1、周期性的數據報告,不同的彙報對象側重點不同。
2、KPI指標優化,不同階段側重點不同。
3、數據模型建立和持續評估效果,實時進行。

不定期:
1、特定的數據分析專題。
2、拉一些人來分享。

其他:
解決運營中遇到的大大小小問題和需求。


給產品經理的產品優化提供數據支持,這是對數據驅動改進。
驗證產品經理的產品改進效果,這是數據求證。
為高層做郵件和報表,抽取出公司運營的關鍵指標供高層監控公司的運營情況。


具體的工作職責和工作內容都會隨著年限不斷變化,看到的面會更大。
剛進入行業,你覺得自己是個拉數據給業務的,什麼雞毛蒜皮的需求都有;等你慢慢了解業務後,對行業有了更深更廣的理解和挖掘後,你覺得自己就是公司業務部門的內部戰略諮詢師;再積攢幾年後,當你可以徹底領悟專業與行業的需求關係,想像的空間就更大了,這個目前為也無法臆測。從前輩的經驗來看,他們或者成為了行業的數據專家、比業務更理解業務的執行官,或者在數據產業鏈創業等等。


目前企業類的數據分析主要集中在BI階段,即普遍意義上的報表。還有一些工作是給業務部門和銷售團隊提供數據支撐。
如果希望真正的利用數據發現價值,業務部門才是真正使用數據的地方。沒有目標的數據分析都是紙上談兵。
數據部門的優勢在於能夠拿到整個公司所有系統的數據,能從更多的維度和更宏觀的角度發現數據中存在的價值。但是很遺憾,數據部的同學們都在業務部門的需求中疲於奔命,再者說來也沒這種意識。
努力提升自己的話語權也該是數據分析師在自己的工作中應該考慮的一部分內容。數據驅動才能真正的不再只是一句口號。


說一下遊戲行業的數據分析師的工作內容,從一個項目的時間維度來說吧。
一、產品前期
1、所有數據分析前提都是需要有數據,而數據都是前期埋點之後才會產生數據,所以前期埋點工作很重要,數據分析根據後期需要分析的維度和產品、技術進行埋點溝通,介於是前期埋點工作大可以分為幾個板塊進行埋點:
用戶分析模塊
行為分析模塊
業務分析模塊
性能分析模塊
然後對模塊分解進行埋點;
2、數據分析師也會參與到數值測試那塊,這個看公司情況或者工作情況的需要;
3、數據後台的搭建(有的公司會要數據分析來做);
4、產品封測時數據報告的輸出
重點指標:新增用戶、DAU、留存率(次日留存、3日留存、7日留存)、付費率、LTV等
重點驗證:新手移動關卡滯留情況、各核心系統用戶參與情況、性能情況(響應時間、事件量)等;

二、產品中期
1、日報、雙周報、月報數據分析報告的輸出
主要是KPI、用戶數據、產品數據、性能數據、收入數據等;
這部分工作其實都很枯燥、重複、機械性,但數據就是數據,在前期數據的採集清洗過程中還是不能出錯的,不然後果也狠嚴重;
2、活動數據分析
遊戲產品會有不定期的節假日活動、專題活動、社區活動等,對每一個活動都會輸出一個分析報告,對活動效果的評估、活動數據概況、活動建議等
3、數據建模和預測
根據之前數據樣本進行探索、清洗然後擬合統計模型,評估統計擬合模型結果再交叉驗證,在新的數據評估模型預測效果,最終數據驅動產品業務;

三、產品後期
1、正常的日報、雙周報、月報還是要正常進行,活動數據分析也是正常進行,數據建模與預測也進行;
2、對海量數據的挖掘,找出有對公司、產品有價值的信息;
3、因為產品臨近後期整體收入是下降的,所以要著手下個新產品的工作,埋點...測試,一個工作閉合就出現了,周而復始。


工作內容:

a.臨時取數分析,比如雙11大促活動;產品的流量轉化情況、產品流程優化分析,等等;

b.報表需求分析--日報、周報、月報、季報、年報、產品報表、流量轉化報表、經營分析報表、KPI報表等等;

c.業務專題分析:

精準營銷分析(用戶畫像分析、營銷對象分析、營銷策略分析、營銷效果分析);

風控分析(策略分析,反欺詐分析,信用狀況分析);

市場研究分析(行業分析、競品分析、市場分析、價格分析、渠道分析、決策分析等等);

工具和技能:

工具: R、Python、SAS、SPSS、X-Mind、Excel、PPT

技能:需掌握SQL資料庫、概率統計、常用的演算法模型、分析報告的撰寫等等;

下面我們探討一下,根數據分析師工作有交叉、技能要求有重疊的另兩個數據崗位數據產品經理、數據挖掘工程師,以及三個崗位之間的聯繫和區別。

數據產品經理要求具備普通產品經理的能力(比如產品設計、產業運營、用戶體驗方面的技能)外,還需要具備數據分析師的技能,掌握簡單的數據分析方法,能夠通過數據需求分析提煉出產品原型,從而將數據產品化,一個公司的數據價值變現成功與否,跟數據產品經理的職業素養有極大的關係。牛逼的數據產品經理,自己也是一個數據分析師,不需要數據分析師的配合工作。

數據分析師,要求不僅要懂得資料庫SQL查詢統計、excel透視分析等技能,牛一點的分析師還需要了解掌握數據挖掘演算法,比如常見的四類模型,分類、聚類、關聯、預測,每一類模型至少掌握一兩種演算法原理,能夠用R/SAS/SPSS等把模型結果跑出來,能夠看出和評判模型結果的好壞,能夠在實際中應用模型的結果。他們跟數據挖掘工程師的差別在數據分析師對演算法的掌握要求不那麼高,只需要會用工具哪怕是可視化可拖拽的工具調用演算法包跑出結果來,會評判會應用結果就可以了。當然啦,牛逼的數據分析師,同時也是一個數據挖掘工程師。數據分析師除了對分析方法的掌握外,還需要非常熟悉業務和產品,能夠透過數據看到業務和產品的本質,他們是最具備商業敏感性的一群人,他們能預測公司和業務的未來,他們是公司數據價值的發現者,他們是產品經理、運營經理的最佳助手。

數據挖掘工程師,不僅需要精通各種模型演算法原理、還要求能用代碼來實現演算法,能對演算法進行優化改進,能對模型進行部署、監控,能對模型進行不斷的迭代優化。同時,還需要掌握大數據研發工程師的部分技能,比如大數據分散式計算方法等。數據挖掘工程師是最稀缺最貴的一類人才,其薪資在各大數據崗位中,平均水平是最高的,漲幅是最大的也是最快的。入門後的數據分析師往數據挖掘工程師轉不失為一條絕佳路徑。當然啦,數據挖掘工程師如果對業務對產品感興趣,往數據分析師、數據產品經理轉,那是非常輕而易舉的事情。

從上面的分析可以看出,數據分析師在職業選擇上,可進可退,可淺可深;在工作的強度上,不像程序員和演算法工程師,一個項目就是一個工程,需要埋頭苦幹,冥思苦想,絞盡腦汁,數據分析師的工作由於比較碎片化,也經常和業務打成一遍,不純屬技術,更有業務的樂趣,所以說數據分析師是最適合女孩子和新入行者作為入門大數據的職業。後期,如果對產品感興趣可以轉數據產品經理,對運營感興趣,可以轉數據化運營經理,對數據挖掘演算法感興趣,可以深入學習演算法,轉數據挖掘工程師。數據分析師也是目前大數據眾多崗位中,企業需求量最大的崗位,所以說是最適合大家作為入門的崗位的。

歡迎大家拍磚指正,歡迎大家關注我的知乎專欄「大數據實踐與職業生涯」並留言,專欄會陸續的推出過往十多年的大數據工作經驗總結和我的一些研究實踐成果。如果你是大數據新人,或者想轉行進入大數據領域,或者職業生涯上存在一些疑惑,都歡迎關注我的知乎live分享「大數據人的職業生涯規劃」 和 「數據分析師-從零入門到精通」。


  1. 利用數據發現問題;
  2. 利用數據及相關的工具、方法為解決問題提供方案;

核心能力:數據(技術)+分析(業務知識及問題,洞察力)


銷售分析,產品分析,行業分析


直接轉一個之前寫的文章

互聯網數據崗位定位與分工 - 知乎專欄


下圖是互聯網營銷數據分析師每天的工作時間構成:


圖片來源於:專註學習互聯網營銷知識


倉庫建模、運營日常指標分析、活動效果分析、維護、優化......


推薦閱讀:

大數據最核心的價值是什麼?

TAG:數據分析 | 互聯網數據分析 | 數據分析師 |