前两节我们更新了，数据分析师进阶全攻略的上篇和中篇大家反馈很好，那咱们这篇文章就来更新下篇。

先讲下咱们整体的架构，主要会讲到数据分析的重要性，数据分析岗位的分类。首先呢，先给大家整理一份思维导图。

一、对个人的意义

1. 晋升的必备技能

如果你想在职场上做上管理层，那么数据分析是必备的能力

举个例子：小 A 和小 B 现在同时属于竞争运营主管的时期。然后领导给小 a 和小 b 同时下达了一个项目任务，领导说这个项目大家好好干。谁能提出超越对手的建议，谁就升职。

小 a 回去想了一想，他对竞争对手进行了分析，又从市场战略和业务需求中进行分析，交叉引用，并且又基于目前的用户数量归类用户的列表分析工作模式和行为。对于受众创立用户画像。创立出了适合现在公司运营的方案。

2. 说服的必备技能

如果你是一个想要做出成绩的职场人，必然是要自己出方案的，但怎么让别人相信自己的方案，最好就是用数据来证明

举例：有一个地方，人们都不穿鞋子。公司有两个业务员分别去考察。考察完：A 说：“这里的人都没有鞋子，是个重大潜力市场”B 说：“这里的人都不穿鞋子，没有市场”现在领导请你分析在这里开展新业务的可行性：

两个业务员的评价，你信谁的？

A.相信 A

B.相信 B

C.谁都不信

其实，这两个人说的话，都不可信，因为都是他们各自的主观判断，没有任何数据支撑，你让我怎么相信你？如果你说没有鞋子，会是重大潜力市场，请问这些不穿鞋的人当中，有百分之多少的人愿意购买鞋子？客单价多少？复购率多少？喜欢什么款式？各种鞋子的码数比例是多少？

不论是有市场还是没有市场，都不应该是主观的一句话来判断，而是你得给出这些客观的数据，所以这道题应该选C，谁都不信，除非你给我证据。

3. 独立自主的判断

不会人云亦云，具备数据分析的思维，能更容易抓到重点，避免偏见

举个例子：如果你问运营活动做的怎么样啊？你可能经常会听到如如下话语，这个活动很好，该继续做。这个活动不好，不能做。这个活动做了不好不坏，做了也是白做。

这就说明了我们平时遇到的运营大概率都是稀里糊涂，呆头呆脑，投机取巧，浑水摸鱼。而你作为一个数据分析师你不能这样想啊，要有自己独立的判断能力，可以分析业务逻辑，梳理业务过程，这样才能客观的得出结论。首先咱们可以梳理活动流程，然后筛选主指标，设定判断标准，最后找出影响的过程。

4. 严谨的思考能力

不再是我觉得，我认为，从主观判断到客观严谨的数据分析，更容易找到正确的方向。那从企业的角度来讲，我们数据分析师就是医生，我们通过对企业运营数据的分析来判断企业的症结所在。作为一名合格的数据分析师，我们应该保持严谨负责的态度，并且保持中立立场，客观评价，这样才能对企业发展过程中存在的问题提供有效的参考依据，不说其他影响的改变。

举个例子，比如你说：

落地页转化率是 1%，转化率较低。

估计绝大部分的新人分析师在分析报告都会这么写。这里“落地页转化率是 1%”是事实，“转化率较低”是观点。虽然有事实支撑，但是这个观点很明显有问题，凭什么 1% 就是低呢？

很多新人评判高还是低完全看数字大小，觉得 1% 这么少肯定算低了。但业务人员一看，觉得这个转化率很高，因为平时的转化率只有 0.5%。这就是大家的论证过程不同导致的观点不同。

但人是优先使用直觉思维的，因为直觉思维可以快速做出判断，节省了大量的能量。如果你没有考虑过理性思维的重要性，依靠着直觉思维和数据分析的方法解决问题，这会给你的职业发展留下一个巨大的隐患。在开始的时候，你不会有什么感觉，和别的分析师似乎也没什么区别，但几年之后，你会发现自己成长非常有限。

二、对公司的意义

开发“鹅脸识别”！深圳 00 后学生克服重重困难，巧用 AI 助农户养鹅

300 多年来，“世界鹅王之乡汕头”的鹅农们都学会了一个技能：通过肉眼观察鹅是否长时间不动、双手触摸感知体温是否发烧，来判断鹅的健康。但很多时候，眼和手再快，也快不过病毒。

疾病摧毁一个千余只的鹅场，最快只需要十天。2018 年冬天，一场突如其来的禽流感席卷了后溪村，有鹅场 1000 只狮头鹅最后只存活了 5 只。深圳的 00 后大学生用上了 AI，造了一个人工智能养鹅场

深圳大学腾讯 AI 班（下称腾班）的大二学生，开启了一次独特的实践作业，用 AI 帮助农户养鹅。蹲守鹅场半年，他们踩着 3cm 深的鹅屎工作、对 30 万只鹅进行“鹅口普查”，在标注中练出手速；在 40 度高温和台风来袭中，打响摄像头“保卫战”；和农户交流鹅病，翻遍论文变成半个养鹅专家。

鹅是水禽生物，像给猪一样挂二维码识别的方式行不通。为了获取足够多的样本“投喂”AI，同学们选择用养殖场的摄像头抓拍，人工逐一抽帧，再对拍摄的每张照片进行分类、打标签。

6000 张图片、30 万只鹅的标注，让很多同学睡觉梦见的都是鹅。“做 AI 真的是有多人工，才能有多智能。”王翊沣说，标注过程中需要集中百分百的注意力，“红框如果稍微大一点，圈了一点杂物都会影响 AI 的训练效果”。

不仅如此，同样的算法在不同的场景里，准确率可能会差几十个点，因为鹅的场景太过密集，更需要不断的迭代优化算法。在腾讯工程师指导下，同学们首先优化识别算法，提高密集场景下狮头鹅的识别率，之后又优化追踪算法，记录每一只鹅的停留时长，进而判断是否有异常。改了“差不多几十次”模型后，算法组同学才真正明白老师沈琳琳常说的那句话——没有 100%的算法模型，只有因地制宜的算法模型。

鞋缝一点点塞满凝固的鹅粪，学生们对鹅的了解也在不断加深。他们发现，由于成年狮头鹅的羽毛厚重，导致难以测量鹅温。而小鹅苗的羽毛更轻薄，有测温条件，正常鹅苗的体温是 40-41 度，如果生病体温一般会略高，所以，又在小鹅生活的鹅棚安装了红外测温仪，并复用一部分“呆头鹅”识别跟踪的算法，帮助鹅农识别体温异常的“发烧鹅”。

后来，有同学又从十年前的论文里发现，狮头鹅的发病和台风、雾霾等天气也有着密切关系，于是这群 00 后又在小程序上新增了数据观测及分析功能。

从短袖到夹克，跨越 100 多个日日夜夜和上百场的线上会议，小程序一直在进行迭代升级。到今天，小程序界面上每天都可以实时收到几次的呆头鹅、发烧鹅的预警，显示鹅场的温度、湿度、PM2.5 指数及数据变化的趋势图，帮助农户将狮头鹅的存活率环比提升了 30%。

三、数据分析案例

数据分析有反面案例么？也是有的，

啤酒和尿布

有一个传言说沃尔玛在分析消费者的购物行为时，发现男性顾客在购买婴儿纸尿裤时，往往会顺便拿几瓶啤酒犒劳自己，于是尝试将啤酒和纸尿裤放在一起促销。没想到这一举动大大提高了纸尿裤和啤酒的销量。

你们听了这个故事，是不是觉得数据分析好厉害，居然这两个不相关的商品，摆在一起可以提高销量

1. 是的
2. 不太好说

但其实，这个故事是个胡扯的事。但正好可以作为一个反面的案例来说，你真的去沃尔玛，绝对不会看到啤酒和尿布放在一起。因为这样放，会导致一大堆的业务问题

1.进超市买东西的人找不到自己想买的东西，试想，一个只想买啤酒的人，走到超市里，到处找不到啤酒，要么他就走了，要么他问营业员，营业员说我也不知道在哪，因为我们的商品都是按照关联销售摆放的，每天都在变位置

2.营业员的工作内容变多，工作时间变长，本来只需要按区域补货就可以了，现在要把商品不断换地方

即使把啤酒和尿布放在一起可以带来更多的销售额，但做这个事情的弊端会远远超出带来的好处。

所以数据分析不是瞎分析，懂得数据分析的方法更要结合业务。

那么什么场景下啤酒和尿布这个是成立的呢？在电商场景下，你看到一个商品，下面会有一个猜你喜欢，这里面确实会有根据销售关联度推荐的一些其他商品，在电商的某商品下面推荐了一个跟这个商品不是一个品类，但有一定关联性的产品（比如电脑摄像头下面会推荐电脑拓展坞）

那么我们来看看数据分析的其他案例：

数据分析助力公司运营

前公司的时候，有一次被领导叫进了办公室。话说当时我正在开开心心的码字，领导一脸凝重的说你们几个进来一下。当时我和我得同事面面相觑说怎么了这是？

就有一种不太好的预感，一进去领导就开始发飙拿出上个月的业绩严肃的说没完成啊，你们为什么没完成，你们有想过么？现在的目标拆解，你们上个月就差这么多，怎么补，这个月能补上么？每个月都差，今年的业绩就这样了？摆烂了？

领导唧唧呱呱说了一大堆，而我俩的内心却是，完不成怎么办？？？算了，完不成就完不成吧，大不了离职被，又不是我的公司，再去霍霍下一家公司。（打工人职场日常是不是）

呸呸呸，我在说啥。

如果你是运营，一般这时候你该怎么办？

1、无脑低价促销，管他赚不赚钱，冲业绩就完

2、理性分析业绩下降原因，搞清楚用户去哪了？是去竞品了，还是需求变少了？搞清楚原因

我相信大部分公司的运营这时候都会觉得，促销吧。先完成任务再说。业绩完不成唯有搞促销，短期拉业绩，但是我们可以这次低价，那么下次呢？一直低价么？公司不赚钱了么？所以这时候我们应该做的，是去搞清楚事情为什么会发生，我们该如何应对。

后来咱们拉出来数据看一看，分析哪些产品赚钱？哪些客户赚钱？发现49个产品中只有不到30个产品是赚钱的，就拿毛利率为基准，我们将低毛利的商品砍掉20%，然后将一些低毛利的捆绑销售，去改变现有的策略，让用户仍然觉得实惠，最后拉高了整体的毛利率和销售额。

数据分析岗位的分类

在第一部分呢，咱们已经对了数据分析师的岗位，以及他的技能薪资有了一个简短的介绍，那是一个纵向的维度。继续根据数据分析的 3 个层次，我们来分别讲解一下。

入门阶段的我们就不说了，硬核职场的课程至少都是奔着10K去的，所以我们直接从初级的开始说起。

初级阶段：么的感情的取数工具人：

1.初级的工具人，需要具备的能力是什么？excel，数据可视化，BI，sql 取数，指标体系搭建，简单的分析方法例如同比环比分析，漏斗分析（知道有什么方法论，但因为不懂业务不知道方法论应用的场景）

说一个我最近做面试官的例子吧

最近公司比较忙，我打算招一个小伙伴一起帮我。面试了诸多小朋友，最后觉得小 D 还不错，因为小 D 相比其他的小朋友可以熟练的使用工具，并且知道一些数据分析的方法。

刚好双十一刚刚结束，我让小 D 做了一份数据分析的报告给我看。看小 D 写的一份“母婴产品分析报告”时，根据时间与销量的关系，可以看到第四季度的销量猛增或者 11、12 月的销量增长，凭空冒出假设是“双十一”、“双十二”的促销效果。

提出假设以后，也不做任何的验证了，这是不对的。如果让你写一份数据分析报告，你是不是也会和小 D 一样？

将十一月的成果直接归功于双十一？那么我想问一下大家。提高销量是双十一的活动效果，这个咱们有数据支撑吗？可能只是凭着我们对生活的经验推测出来的吧。

那我跟大家讲，这并不是结论。

那正确的做法我们应该怎么样呢？

我们可以先提出再假设进行验证。我们首先先假设 这有可能是双十一大促带来的高成交量。同时也因为双十一的促销，他已经提前透支了顾客的部分购买需求，所以未来下一季度的成交量也会减少。

再然后我们可以用数据进行证明，比如说我们可以拉出 11 月份的日程交量。然后然后证明双十一几个重要节点销量确实有所增加，但只是一部分的原因，因为在其他日期里也会有高成交的存在。

所以这是咱们的新手很容易存在的问题，就是也学了一堆工具，那么谈起使用工具的时候，滔滔不绝，但是面对问题还不知道怎么分析。他们也很努力，每天做了很多图表，但也只是能分析出已有的现象，比如说这个月销量下降了，下个月销量上升了。但是他们却不会分析背后发生的原因，所以他们也得不出什么结论

中级阶段：可以熟练使用工具并且透彻了解业务数据分析师

中级的数据分析师，需要具备的能力是什么，工具+业务能力

在营销领域，数据方面是分成不同的职业的，主要可以分成两大类，就是一类是数据分析，一类是 数据科学。在数据分析这个领域对这个行业的领域知识会比技术的要求更高，或者说对技术的要求并没有数据科学对技术要求那么高。

对于数据分析，工作的内容大体上是需要从 SQL 中拉一些数据出来，然后做一些简单的分析，以及在数据可视化的工具上去做一些看板，来帮助营销团队监测营销活动的表现，并且找出他们关心的 KPI 增长或下降背后的原因。

除了数据分析，现在越来越多的科技公司也有市场数据科学这样的架构

例如 Joy 就是 marketing 领域的 data scientist，他们会专门为 stockholder 去回答一些更加复杂的问题，比方说去帮助营销部门来优化一年的营销预算，帮助来建立个性化推荐的算法，或者做很多优化营销创意的测试等。很多营销数据科学家除了要去利用统计建模，机器学习来解答这些问题之外，还经常会在工作中涉及数据管道的搭建等 。

你以为只有这些高大上的职位才能做数据分析吗？不不不，后勤也要做数据分析。举一个我现在公司的例子吧，

我们公司做物联网设备，会定期给线下的商家门店送一些宣传的物料，让他们在门店里摆放。假如你是一个商家，你不管需不需要，你都要接受，因为我们每周都会定期给你。做宣传物料本身是需要花费很多成本的。

但是，后来我们发现市场部发现不是所有的商家都这么频繁的需要物料，给商家无差别的发放物料，商家用不完就会扔掉，造成了大量浪费。而且大家用同样的物料，不同门店之间转化率还是相差很大，有的商家做的优秀，有的商家做的差的还是很差，可见物料并不是决定转化率的决定因素。

所以我们现在就做了一个线上物料管理平台，这样商家可以按需领取物料也节约了我们很多物料的成本。大家形成双赢。同时根据我们的线上物料平台，我们可以知道物料领取的数据，发放的数据，以及哪些商家是用的比较多的，哪些商家是比较少的，这样我们的后勤运营人员可以通过数据分析对商家的门店投放效果进行一个评审。

高级阶段：商业分析专家-指南针

激动的心颤抖的手终于讲到大神了，这时候要求我们数据分析师对市场、上下游、商业有强烈的洞察力，具备较强的逻辑思维能力，敏锐的观察能力和独立分析能力。很多商业分析师是需要独立完成一份行业分析报告，站在整个行业的角度，去看待本公司、所有竞品公司、上下游的各种关系与优劣势。作为一个高级的数据分析师你已经完全拥有了指哪打哪的能力！

比如：在金融服务行业拥有大量数据和资金，长期以来一直采用预测分析来检测和减少欺诈、衡量和管理风险、最大化营销机会并留住客户。各种规模的银行都依赖预测分析。

在营销中 ， 预测分析用于确定客户的反应或购买，以及促进交叉销售机会。 许多公司使用预测模型来预测库存和管理资源。

举一个典型的数据预测案例吧：

大家平时肯定刷过短视频，而且经常一刷就停不下来，当你在连续好几个小时刷视频的时候，其实就是一个典型的大数据预测应用。

短视频平台会根据你看视频停留的时长，你的点赞，你的评论，你的收藏，结合短视频本身的标签属性，来预测你喜欢哪种类型的短视频，然后推送给你，让你刷到的都是自己喜欢的。

就这样，你不断的在短视频上消耗时间，而平台也获得了大量的用户流量，再通过广告的方式变现，赚的盆满钵满。而这背后都是数据科学的功劳，如果数据科学预测的结果不能让用户刷到喜欢的短视频，用户使用的时长就会变短，流量自然也会下滑。

能做到这一点的数据分析师，市场价不会低于百万年薪的。

如果把咱们数据分析比作一个厨师做菜的过程呢，那咱们就是先走进饭店，今天讲的课就是咱们已经半只脚踏进饭店啦，然后再看看顾客下单，然后看到下单之后呢，我肯定要设计一个方案，就是咱们设计方案的过程。

这些都处理好，处理好之后，那我要开始备料了，备料其实是数据采集的过程。备好料之后，然后接下来咱们就开始切菜，切菜就是数据处理拉。切好菜，我们就可以烹饪了，烹饪实际上是数据分析。最后端菜就是我们的数据呈现。

数据分析是一个非常庞大的体系，今天的课程只是一个导论，让大家知道这个岗位具体需要掌握一些什么能力，以及未来发展空间，之后我们会讲数据分析的实战与应用，请大家期待下。