在数据分析领域，如何系统地提升自己的能力并有效地解决问题？这篇文章将向您介绍KSA模型，这是一个源自人力资源领域的框架，它涵盖了知识（Knowledge）、技能（Skills）和能力（Abilities）三个关键维度。

很多同学都会想着：我要好好学习数据分析，做好工作/找个好工作。怎么学才能学好？这里推荐用KSA方法，理清目标，分解任务哦。啥？你说之前没听过？今天我们系统讲解下。

01 什么是KSA

KSA是HR领域的概念，原本说的是评价人能力的三个维度

1. 知识Knowledge：完成任务必须掌握的理论知识。
2. 技能Skills：完成任务必须的工具操作技能。
3. 能力Abilities：完成任务所必须的思维、沟通、协调等能力。

举个简单的例子，陈老师家里4岁的小朋友coco在学算数：

爸爸问：1+1等于几？coco答：2！这是知识。
去买菜，coco拿了1个萝卜，爸爸说：我们要2个，coco又拿了1个，这是技能。
走亲访友，当着大家的面，爸爸问：coco，1+1等于几。coco忽闪着大眼睛，大声说：2！引来大家赞许的目光，这是能力！

简单来说：

▌ 知识是能背诵的，有客观评价标准的。如果是自然科学知识，很有可能有唯一的正确答案，社会科学知识不见得有唯一答案，但是在一定范围内有约定俗成的理解和解释。

▌ 技能是需要操作、练习、反复训练才能能掌握的。技能以知识作为依托，需要借助工具实现。不同的工具需要的技能不同，越强大而工具实现的效果越好。比如coco小朋友，已经学会各种加减乘除问题扭头就问siri，coco并表示体验良好。

╮(╯▽╰)╭

▌ 能力则需要见识和悟性！有意思的是，在面对实际问题的时候，理解能力、沟通能力、共情能力、协调能力、往往比知识和技能都更能直接产生作用！比如在亲戚面上问小朋友问题，根本的目的是炫耀，是长长脸，这时候能积极配合的小朋友才是好小朋友！不然平时学再多，再能干，使不上劲，还是很尴尬呀。

这一套理论原本是HR评估用人资格的方法。但是一经掌握，就发现它在工作中非常好用！因为在工作中，能区分清楚解决问题到底需要KSA中哪一个，能极大提高工作效率，促成工作质量。

02 什么是工作中的KSA

举个简单的例子，当你开始运用KSA拆解工作的时候，你会秒懂很多问题，比如：

为什么大家总吐槽大学里文科没啥用，理科才好用？因为本质上是KSA在教育和工作中差异所致（如下图）：

为什么很多大公司里，职业经理人们看起来屁都不会，屁事不办，但是混得顺风顺水？本质上是因为在促成目标上，KSA有不同的运用方式（如下图）：

所以理解KSA的原理，掌握拆解KSA的方法，对混职场很有意义，特别是对数据分析工作！

03 为什么KSA对数据分析求职很重要

如果套到数据分析身上，KSA的体现就是：

1. 知识Knowledge：《数学》《统计学》《管理科学》《运筹学》《机器学习》
2. 技能Skills：excel、ppt、sql、python、tableau、hadoop、spark……
3. 能力Abilities：需求沟通、用户洞察、逻辑推理、实验设计、总结汇报……

有趣的是，如果仔细研究就会发现，在各类工作中，数据分析是唯一一个KSA的知识库都爆满的工种。一般来说：业务类工作，比如销售、产品、运营、营销都更偏A，KS相对较少；研发类工作更偏KS，A较少。而数据分析，恰好夹在业务和技术之间，两边都有涉及。因此只要你想学，KSA里都有成吨的书可以学（如下图）。

于是便导致了一个搞笑的事：入行的同学总是急着看书，买了几十本狂学一通，结果毫无重点，记也记不住，一面试稀里哗啦。回来以后还不去总结：别人到底要的是我的什么能力。还在继续上网问：“到底数据分析要看啥书”然后买更多书回来了！结果越学越迷茫。

要知道：数据分析与数据分析之间的差距，比数据与运营、产品、研发的差距之间大多了。不去认真研究求职目标企业的要求，不去区分自己在面试哪个环节，挂在哪一类问题上，闭着眼睛海学，肯定越学越迷茫。如果能做好充分功课，至少能知道自己输在哪些问题上，这样就更好对症下药（如下图）。

04 为什么KSA对数据分析工作很重要

真当开始数据分析工作以后，就会发现：在懂数据和不懂数据的人眼里，数据分析的角色完全不同。

▌ 懂数据的人看起来，数据分析S的成分最大，数据采集、数据清洗、数仓设计都是脏活累活，得认真耕耘才有一个靠谱的数据可用。

▌ 在不懂数据的业务方看起来，数据分析A成分最大，这帮人一张嘴就是：“底层思维”“核心链路”“内功心法”，然后满嘴跑火车，却连最基础的数据从哪来，准不准都不考虑。

▌ 在不懂数据的新人看起来，数据分析K的成分最大，总是觉得有一本书已经写好了答案等着他可以抄。遇到问题总是到处问“常规的，标准的，头腾阿的做法是什么？”

这种差异，导致了数据分析工作中特殊难点：业务部门直接开口要的，不是简单的、孤立的数字，就是一个玄幻的、马上能见效、法力无边的模型。如果数据分析师每天陷于跑一两个孤立的数字无法自拔，就无法做深入的分析，最后结果还不被认可；如果数据分析师头铁，直接接了玄幻不切实际的模型需求，最后肯定难以落地，无法见效，还是背锅。

所以想做好工作，就得一定得对具体的问题进行深入拆解，平衡业务方期望与数据建设质量，分清楚到底这次项目里，要用到多少K，对S的性能要求是啥，最后用A来处理、协调各种乱七八糟问题，保障项目成功（如下图）。

很多同学会感兴趣，如何培养自己运用KSA的能力呢？严格来说，所有能力的培养都是需要思想顿悟与长期的训练的，但是这里可以推荐一个简单的起步方法：

如果对方不懂技术、没有计算机/数学专业背景、没有数据分析从业经历，就不要轻信他说的：“分析模型”“用户画像”“精准预测”，他大概率说的跟KS没关系。这时候需要的是A（沟通能力）从他的提问背景、想达成的目标、遇到的具体问题等角度入手，整明白需求。

如果对方有技术背景，且提及一个准确的技术概念，先跟他就事论事，讨论清楚技术问题本身（S的问题），如果技术路线没有问题，但是他做的仍不能被同事/领导接受，大概率是A上的问题，这时候不要再钻技术的牛角尖了，试着分析一下他的工作环境、项目目标、领导态度，会有很大收获。关于全面学习数据分析，我近期总结了一纵一横的攻略。

纵向的：构建分析逻辑，选择分析方法。包括：

1、数据分析基础方法

2、构建数据指标体系、标签体系

3、构建业务分析思路

4、利用运筹学方法做决策优化

5、利用统计学方法做ABtest/因果推断

6、利用机器学习方法做分类/预测模型

横向的：各个行业的具体分析场景。我们常说，数据分析要“懂业务”，指的就是要了解具体的分析场景。常见的包括：

1、经营分析：面向管理层的企业整体分析

2、专题分析：销售渠道、推广活动、营销活动、产品功能等

3、行业特色分析：saas客户成功、互联网产品改进、传统企业业务员分析