數據分析師日常工作是什麼？

01-14

希望有此行業的人員給與解答，hadoop、spark還有spass、sas分析工具。平時數據分析師在公司主要做什麼工作，想轉行做這個，詳細了解下，先謝謝各位了

先mark

--------------------------------修改兼答題分割線------------------------------

在一個data analyst小組裡工作，正好來答一下。

主要從自己的工作經歷說吧，附帶相關技能樹加點。

(1)寫SQL 腳本：俗稱「跑數據」。leader要一組季度數據/月數據/周數據，寫一段或者N段SQL把數據跑出來。一般是臨時性需求，不過當發現默默地演變成一個常規性需求時，最好直接封裝SP（存儲過程）了……每次跑一下方便省事。這項工作內容需要的技能點有：資料庫，SQL

(2)數據分析項目前中期：這個是耗時很長很麻煩的部分。前期是基礎數據的處理清洗，基礎匯總聚合，然後設計監測指標，指標的設計不僅僅是數學分析，更多需要跑業務需求方那邊了解，畢竟最終目的是要讓別人用，提升效率，不是為了凸顯模型高大上。所有需要的數據都有了之後，開始建立業務模型(數學模型)，整個建模的過程也是反覆探索數據的過程，在一定數據量的情況下，初期的建模應用起來一定會這種問題那種問題balabala煩死人……以後邊應用邊調整優化。技能點：資料庫，SQL，excel，R語言，數理統計，數據挖掘，業務知識。

(3)兼職產品經理：業務模型完了後，就有了指標結果。把數據落地到資料庫中。然後接下來需要找開發幫你做可視化站點。作為數據分析師我是最了解這個項目邏輯流程、核心演算法、業務應用的。找開發幫你做可視化站點：曲線圖啊柱狀圖啊餅圖啊 balabala 讓別人一眼就能看到指標的整體狀況。技能點：邏輯思維，流程規劃，數據可視化，一定的開發知識（方便和開發溝通），表達能力力和表情。

(4)模型和指標正式應用起來自後：收集業務部的反饋，不停的跟他們溝通郵件，不停地優化模型，數據表。以及給業務部一些特定需求的分析評估報告（臨時性需求）。技能點：邏輯思維，表達能力

(5)個人學習：有時候會遇到等待別人工作進度的情況，比如別人的上一批數據沒出來，你完全沒法工作。那就上網或者看書學習知識。數理統計和數據挖掘博大精深，如何能應用得好，產生最高性價比更是一門學問啦。多了解些總是沒壞處的。

(6)大數據部分：涉及到」大數據「已經不是我個人工作內容部分了，而是整組的工作內容。具體需要有專門比較懂hadoop和spark的人負責在上面跑數據，寫最終實現代碼。我們組裡的分工大概就是：數據分析師，數據工程師，（半個產品經理），有人身兼三種，有人只愛專精。技能點：無特定加點法則，團隊加點。

PS：我們沒有數據科學家，這個職位在國內被炒得太奇葩太全能了：既懂線性代數數理統計又懂數據挖掘機器學習，玩得了R和SAS模型，寫的了Java python scala ，當得了SQL型資料庫DBA，又能玩NoSQL hadoop spark，懂業務，懂技術，善溝通，有商業頭腦…………智商低能的我已經編不下去了#_#

希望能對樓主有點幫助。

以上。

謝邀。

我所在公司DA組大體分三類職務：data scientist，data analyst和data engineer。翻譯上最接近的應該是analyst，但就我理解，好像還是有一些偏差的，索性都說說吧。不過也僅限我所在公司，不知是不是業內普遍的做法。

Data Scientist：屬於RD，主要是新模型/演算法的開發。會讀paper，會寫research proposal(只是一部分，也有一部分是下級子公司交上來的)，主要績效是internal publication(technical report)，external publication(journal/conference papers)，transfering(提出的方法在實際操作端被使用的頻率，操作者即為analyst，待會說)。除此外，也會寫R/Python/MATLAB等等的 package。但只是為實現自己提出的方法，不是工作的重心，且用什麼都無所謂，順手就行，不過為了能跟同一個project的同事們協調，基本上面說的那幾個都得會。

Data Engineer：Scientist不做代碼優化，也止步於簡單的程序(R/Python/MATLAB/Eviews/JAVA，公司內部都有在用)。當有些演算法實現很複雜，需要優化和更高級的程序語言如C++時，就變成data engineer的任務了。所以engineer要讀scientist寫出的report還要幫助優化代碼，但這個需求量很小，公司的engineer也很少。

Data Analyst：公司也是用於基於Google，MS(還有別的，忘記了)的服務平台，HIVE，PIG等，Analyst主要是任務就是把scientist和engineer發來的代碼整合到這個系統中去，他們基本不讀technical report，只看其使用說明，知道幹什麼用的就行了。當業務需求使用某些方法的時候，他們就是一線操作者，出最終的分析報告一類的。他們同時管理公司資料庫(其實應該歸Data architect 管，但我們公司把好像把這倆職務合併了)。當scientist要數據，他們要收集清理，當客戶或者子公司要數據，他們也要收集清理。所以從這個角度講，analyst翻譯成分析員就足夠了。

另外還有一種遊離的工種：Data product manager，主要是為某一data product組建和管理團隊，團隊成員按需求可能會有scientist，engineer和analyst。而data product就是之前說的research proposal的產品。Proposal誰都能交，所以理論上上述三個工種的人都有可能成為product manager。

落回題目，我覺得當公司分工不明確，DA組很小的時候，分析師應該是以上三個工種的雜合，具體應該是少部分的RD，部分代碼優化和分析員的全部工作。

就先這麼多吧，想起來再更。

提數，提數，提數。

報告，報告，報告。

SQL，SQL，SQL。

重要的事情說三遍。

數據埋點需求：有需要埋點的新產品出現了，看一下產品prd，和PD等了解一下產品和他們的數據需求，寫數據埋點文檔，寫完後，與開發溝通一下。在發布前和測試檢查各埋點是否正確。
數據倉庫建設：根據不同的業務規劃數據倉庫的各個層級，主要是設計表和欄位，數據開發後還需要檢查一下邏輯是否正確。
臨時需求：這個就不說了。如果是經常性的會將需求固化下來，這時候又要規劃一把。
常規報告：日報、周報、月報。
專題分析報告：針對某一個專題進行全面分析，出具報告。
日常雜事：計算口徑或其他數據問題答疑，數據有問題的時候找問題修復。
數據產品：利用公共工具做的數據產品，還有團隊內部做的web應用，團隊內部的產品需要自己開發。
模型研究：有空的時候會研究一下模型，研究好了就需要在數倉中準備好數據，根據演算法出結果，最終產品化。

寫SQL（HQL），跑數據

----------------------------------------

一個公司裡面，分析師的配置其實是偏少的，每個業務方對業務有各種疑惑，會有多角度看數據的需求出來，分析師常常比較被動，疲於奔命，只能是你要啥數據，我就給你啥數據（只有苦勞，沒有功勞）。

很多分析師擅長的是數據處理，對業務敏感性也比較弱，而且對公司裡面核心產品使用的程度也比較淺，甚至不喜歡公司的產品。也很難從數據上對公司的產品提出有針對性的建議，或者通過數據反映產品存在的缺陷（很多時候，分析師做的是惡人，高層們希望數據發現問題，敦促業務方改進，這也讓分析師很難做人，畢竟是和核心業務方PK，且是在對方擅長的領域）

當然也有人搞模型，但模型是給誰使用的（業務方還是高層），是不是經常維護，能適應環境的變化，價值有多大，我想這也需要業務方和數據方權衡的問題，畢竟牽涉到挖掘模型，複雜一點的，響應速度要慢很多，如果是互聯網公司一般等不起。

其實上面這些都不是問題，解決問題的關鍵也是在分析師身上，畢竟你是干這個工作的。

渠道數據分析

1.寫SQL，提取數據，也就是數據支持，就是老闆想看啥數，就給啥數唄。

2.數據異常分析，如果一個訂單數據環比上升了80%（平時都是10%、20%），那就得看，這個數據是如何上升的：

1.是持續上升還是突然某一兩天上升

2.是所有渠道上升還是某一兩個渠道上升

3.根據前2個回答，再查為什麼會上升，是刷單？還是其他？

3.每天/周/月定時出報表，並作分析

這周訂單漲了，是正常上漲還是異常，如果是異常的話，就是上面說的異常數據分析了：什麼時候開始漲，漲在哪個渠道，為什麼會漲，是投放人員操作所為，還是其他一些原因？

4.專題分析

比如某個渠道的質量評估

1.數量分析，這個渠道帶來的激活、註冊、訂單是多少。

2.質量分析，這個渠道的轉化（激活-訂單）是多少，激活成本、註冊成本、訂單成本是多少，轉化周期是多久？

3.對比分析：時間對比：這個渠道在淡季、旺季的表現分別是怎樣。渠道對比：這個渠道和其他渠道對比，表現怎樣

以上，是作為剛入職數據分析幾個月的我一點淺薄的經驗。

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

需要很好的數學