目录
- 必读：《SQL必知必会》
- 选读：《SQL Cookbook》
-
-
基础语法
字符串的处理，时间函数的使用、分组、子查询、表联结
-
进阶
一些常见聚合函数的使用
-
必备技能，重点包括指标体系的搭建及指标异动的分析
如何理解？
-
在对齐业务目标后，会通过梳理业务流程来进行内容的梳理；
-
在这个过程中，通过对各个环节进行指标体系的搭建，以高效地监测/衡量各个环节的状况 要达到上述的目标，首先明确核心指标是什么：比如在电商的用户增长期时(主要工作在拉新上)，首先重点关注用户增长指标，比如DAU、MAU等等
-
在搭建完指标之后，需要定期监测各指标的变化；当某个指标发生高于阈值的变化时，需要对这个指标的异动进行解释(一般做拆解分析)，类似于统计学中的费米估计
案例1: 某电商APP上个月的GMV(成交总额)下降了25%，请你分析一下具体原因
拆分思路：
对GMV 的计算方式进行拆解
$$ GMV=订单数\times 订单均价 $$ 针对订单数及订单均价进行下钻分析
案例2: 假设某视频app从某日起日活DAU指标大幅下降。你会如何找出原因？
DAU拆分思路
多个指标异常的时候，怎么判断哪个指标影响大？
详细地说，就是当多个因素混合导致整体指标下跌的情境下，各个因素对指标波动的影响程度分别是多少？
本质上就是贡献度的测算 多指标异常归因的分析
用什么指标进行评估业务效果也是一个重要的课题，但核心思想还是一致地，就是基于业务的最终目标(甚至是部门的定位)以确定具体的北极星指标。
例如，对于华为的用户体验团队，对于用户的口碑比较看重，因此能够反映该业务目标的现网舆情(好评率/风险舆情)以及NPS是我们考察的指标；对于美团的客服及体验团队，团队目标是尽可能接通以及降低相关投诉率，因此客服接通率及相关万服(万订单服务量)就是需要考核的核心指标。
案例1：用什么指标评估【app用户粘性】，提高用户粘性
- 用户层面
- 行为指标
- 产品指标
案例2：你觉得如何评估小红书的搜索功能做得好还是不好，可以使用哪些指标评估？
-
评估搜索功能的好坏：渗透率
-
评估搜索后质量：换query率
案例3：用什么指标评估【用户质量】，从而提高
首先明确产品品类，从而明确核心KPI，而后分析
案例1：指标口径和业务方不一致怎么办
案例2：发现A城市充值率比B的高，怎么分析
参考指标异动分析，先横向拆解，再在每个分区中进行纵向分析(先有广度(多角度)，再深挖)
案例3：广告策略带来了质量提升，但牺牲了数量，该如何抉择？
同上分析思路
分析详情：广告策略带来了质量提升，但牺牲了数量，该如何抉择？
案例4：业务理解：C端产品DAU与 MAU之间的差距能说明哪些问题?
不同的app 阶段，比值代表的意义是不一样的
- 产品初期，DAU/ MAU 比值越小，约说明增长空间大，比值约接近，约说明增长见顶；
- 产品中期，DAU /MAU 比值越小，说明用户粘性越小
通常用来分析外部环境对某一业务指标的影响，以及是否开拓新市场等问题
方法1: 宏观环境：PEST方法
- Politics: 政策变化
- Economy：短期内竞争环境，以及市场整体经济情况
- Society：行业舆论、用户生活方式变化、消费心理、价值观
- Technology：创新方案的出现，分销方式的变化
方法2: 行业发展分析
- 行业发展周期
- 用户需求：能满足什么样的用户需求，痛点是什么
- 利润水平
- 行业壁垒、行业风险
- 国际化战略（未来）
案例：如何判断某行业的发展状况
分析思路：如何判断某行业的发展状况
公司评估方法
1. **公司层面**- 公司产品线、各产品定位
- 市场份额
- 用户组成：用户画像
-
产品层面
方法：用户体验五要素
-
威胁与未来
- 技术壁垒
- 创新潜力
- 国际化战略
- 当前/未来资金情况
公司对比
- 两个公司所在行业分析
- 公司评估(参考上述方法)
- 产品层面分析
- 收入来源、产品/战略布局、长期适应性
案例1：如何评价抖音和快手的竞争
本质上就是两个公司的对比
案例2：你觉得腾讯为什么会这么成功？
分析思路：案例：公司优势分析-腾讯
回答仅表示个人理解
注意：思考的时候也要有相关的行业分析框架，如何去评价/衡量一个行业的发展
产品评价思路
-
明确产品定位
- 目标群体是谁
$\Rightarrow$ 他们的痛点是什么 - 以此，我们的赢利点在哪里
- 目标群体是谁
-
产品使用场景及使用逻辑
通过总结用户使用场景及使用习惯，回答以下问题：
- 用户使用需求频率及强度如何
- 产生需求的场景有哪些
-
市场分析
- 市场现状：规模、当前利润率
- 市场进一步的发展方向
-
总体数据表现（指标体系）
- 使用情况
- 口碑
- 经营情况
-
产品的痛点问题 参考用户体验五要素
-
竞品对比
- 非功能性方面
- 安全/性能
- 运营情况、口碑
- 功能性
- 视觉/UI
- 交互
- 产品功能
- 非功能性方面
详细分析思路：
案例1：评价小红书这个app
*用户体验五要素方法，如何穿插在分析中
[思维发散] 案例2：分析产品/产品功能的缺点及提出改进方法
关注在战略角度及产品使用流程改进
-
分析ATM机的缺点及改建建议
-
给出滴滴打车功能的改进建议(先进行缺点分析)
[数据表现]案例3：作为数据分析师如何衡量淘宝推荐系统好还是不好
重点：特定领域指标的选取
分析思路：案例分析：作为数据分析师如何衡量淘宝推荐系统好还是不好
方法论参考上图思维导图
案例1：产品对比分析
怎么看微信的公众号和百度的直达号，哪个更有优势？
百度知道和知乎的区别在哪里？
方法论参考上图思维导图
具体方法论：方法论：产品改版
用户提出需求/存在潜在需求，如何通过进一步分析用户需求满足产品功能
- 分析需求
- 分析满足需求的路径
- 给出效果图。
PS：在进行分析的时候，适当参考互联网层面的产品模式以及不同载体(移动端/PC端)的特点
互联网层面产品模式及不同载体特点：
案例1：分析‘‘小蛮腰’’被搜索的时候的需求，满足需求的路径是什么，并给出搜索结果效果图
案例2：满足用户痛点
整理产品的基本功能
分析目标用户特点
产品设计
-
为失明的人设计一款钟表
分析思路：案例：为失明的人设计一款钟表
-
如果男生有可能怀孕，会产生什么新的诉求，新的产品出现？
分析思路：案例：用户需求脑洞拓展
分析：如何证明一部分用户的增长是由某一个功能带来的
分析思路：分析：如何证明一部分用户的增长是由某一个功能带来的
用户画像的本质是打标签，也就是将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。他对于业务分析的意义在于，当建立起某一类用户的画像后，代入该群体，以该群体的视角去分析具体的业务问题，也就是建立用户同理心。
一般来说，画像的标签分为以下三类：
- 基于用户自身的天然维度，包括用户特征以及社会特征
- 给定使用app/产品的行为，并统计用户在使用这些行为的数据表现(使用率、使用频次等等)
- 总结出用户在使用产品时的偏好
如何串联起来进行理解：
xxx类型的用户，在使用我们的产品时他们在A、B、C、D的消费行为的强度分别是…..，因此可以总结出，该类用户群体有xxx的行为偏好，对于激活/留存/盈利转化的参考意义是…
Example：某一类用户群体有这样的特征
- 基础特征
男，25-30岁，未婚，收入2-3万(白领)，爱美食，科技控，喜欢美女、喜欢旅游、有车
- 行为特征
一周以内在社交类、影音类、游戏类、办公类的时间分配占比为….，消费金额占比为…
- 偏好特征
偏好游戏类app，体现在日均使用时长长，且充值频率高，充值金额大
具体介绍：方法论：用户的生命周期及其划分
总结来说，就是在建立用户同理心的基础上，分析产品/功能的体验问题，具体为:（展开）
- 明确分析目的
- 当前使用表现(指标体系)、用户口碑、主观数据反映的问题(舆情/客诉)
- 建立用户同理心的基础上(用户画像)，梳理产品使用逻辑并归纳各个流程的问题，并进行拆解分析
- 总结问题，升华问题
- 问题解决闭环(沟通能力)
PS：这一块算是数据分析师核心能力的体现，笔主也没有在较短的篇章内很好的梳理其中的细节，并且提供的案例因为涉及保密信息，会比较晦涩而简短，但方法论还是一样的，需要各个同学在实习中总结感悟。
我的终极理解是：数据分析就像讲故事，把背景、起因、经过、结果讲清楚（自行体会）
案例分享：在华子时分析的某个项目
包括用户的拉新及留存
仅限参考，因为笔主之前的经历主要在用户体验上，在用户增长方面就类似于小白
案例1：如何快速满足客户需求
刚下班的小明接到了远在广西南宁的老爸的电话，他这个月刚学会用电脑，今天终于托人帮忙装了台新电脑，并办好了上网，他问小明现在用电脑和上网都能玩些啥。假如你是小明，需要在最短的时间内满足老爸的需求，你会怎么做？
案例2：xxx用户为什么更喜欢xxx产品
为何年轻人用QQ邮箱的居多？
方法论：用什么指标评估【用户质量】，提高用户质量
RFM模型：用以对用户分类，识别出有价值的用户 参考：RFM模型
- 评估留存难度
- 确定留存思路/方案
如何做流失用户召回？
案例1：新老用户流失分析
TAM模型
技术接受模型（TAM）是一种用于评估和解释人们使用新技术的意愿和行为的模型。
提高用户参与度与用户使用时长
提升用户价值
梳理使用路径
提升指标：活跃点评用户数
从用户体验的生命周期：吸引用户、转化用户、留住用户
案例：预估电商大促效果
产品sense培养：产品sense
其中包括概率统计和数理统计
概率统计
数理统计
概率统计： 《概率论》 茆诗松
数理统计： 《数理统计》 茆诗松
为什么需要AB实验？
以下是一些使用AB实验的常见原因：
-
效果评估： AB实验可以用于评估某种变化（例如网站设计、产品功能或营销策略）对特定指标的影响，如转化率、用户参与度等。
-
决策支持： 在做出业务决策之前，进行AB测试可以提供数据支持，帮助确定哪个选择最有可能取得成功。
-
优化用户体验： AB测试允许对用户体验进行微调，以确保产品或服务的最佳表现，提高用户满意度。
-
风险管理： 通过小规模的实验，您可以在全面推出之前发现和解决潜在问题，减少风险和资源浪费。
-
数据驱动决策： AB实验提供了基于数据的方法，使决策更加客观和可靠，而不是仅仅依赖于直觉或猜测。
比如，在春节期间某电商平台想要推出某个活动以提高春节期间的GMV；最为常见的方法就是通过对部分用户做实验，来评估该活动能带来的GMV增量有多少。此时，如果想要严谨统计，那么需要通过AB实验来对比做活动和不做活动所带来的效果，严谨统计出活动的收益。因此开展AB实验，在一些数据驱动型的公司是必不可少的。
思维导图
特殊问题
- 辛普森悖论
- 多重假设检验问题
- 学习效应
为什么需要因果推断
统计学只告诉我们相关性，而现实场景中，更注重在因果性上。
统计学更关注在相关性上：
一个国家的人均巧克力消费量越高，出现诺贝尔奖获得者的比例越大
现实业务场景：
我们观察到了巧克力消费和诺奖数量，星座和违章人数的线性关系，但它没有告诉我们的是，巧克力消费和诺奖数量背后的共同原因可能是经济发达程度；而违章率高的星座在当地人口占比最高。
从对社会和业务更有意义的角度来说，我们想知道的是 ‘怎么做才能提升诺奖的数量’ 或者‘用户点击某功能能否带来加购/留存的提升’，而这样的问题就需要我们探究现象背后的原因，以及量化原因对于结果造成的影响，因果推断应运而生。基于反事实的思想和拟合随机实验的一系列方法，我们能够控制混杂变量，从观察性的数据中得出因果性结论，从而论证业务价值，给出落地建议。
同时，仅仅依靠AB实验是无法完全进行策略的验证的，集中在以下场景：
《因果推断实用计量方法》邱嘉平 (包含课件下载)
仅包括常用的方法：
- 介绍因果推断基本框架(处置效应)
- 匹配方法
- 差分方法
- 匹配方法与差分方法的结合，并给出案例
其他方法参考《因果推断实用计量方法》邱嘉平
核心目标：数据分析师的核心目标在一个公司的不同部门都是有区别的，比如中台部门和具体业务部门对于数据分析师在行事上的风格以及结合团队目标都是有所区别的。但核心目标，我个人认为都是类似于“军师”的角色，即帮助其他部门/本部门发现问题，给出问题发生的可能原因，提出具体策略并验证。
核心能力：通过收集相关数据，构建指标体系，定位相关问题，挖掘业务提升点(策略)，支持业务决策，推动业务往正循环发展；
-
数据埋点&指标体系的搭建
Why？为了监控业务的健康程度，而一套完整的指标体系则是一套评估业务健康程度的量化工具。
从大到小来看，则是APP-APP某个功能模块-功能模块的具体功能等等，都能够通过指标体系进行监控。
-
指标的异动分析
在构建好指标体系后，需要周期性地去更新数据、查看数据波动，并对有异常波动的数据进行排查分析。里面最常见的难点就在于
-
如何判断数据的波动是正常/异常的，为什么A指标有这样的波动是异常，而B是异常的；
-
对于已经确定是异常的数据，在排除周期性及重大事件影响的前提下，如何对数据进行下钻分析，从哪些方面下钻；
比如，同样是“骑手反映联系不上用户”这个问题显著上升，在某个时间节点是因为xxx地域在上个周期的某天运营商信号有问题，从而导致；而在另一个节点，却是因为大量新骑手加入，导致业务不熟练，从而导致该问题上升。
-
-
*进行AB实验，并定期查看/评估策略效果
仅部分做业务分析的同学需要跟AB实验(笔主未涉及过，不阐述
很显然，进行专题分析，挖掘业务中出现困难的原因/隐患，并推动问题的解决闭环才是最终考核一名数据分析师绩效的核心因素。
专题分析的一般流程如下：
我个人认为，进行专题分析本质上就是在作为一个storyteller，进行故事的还原；其中分为故事线的理清以及如何把故事生动地讲述给别人。
首先，我们进行专题分析的楔子，一般是有以下渠道：
- 我们在进行数据周期性监测及分析的过程中，发现某个板块经常出现问题，对核心KPI的影响也很大，因此需要集中对该板块问题进行分析；
- 也有可能是因为针对性地对某次活动/节日进行分析，比如520期间的分析，某次营销活动的效果复盘…
- 当然，更多的时候是老板关注在某个问题上，需要你进行分析；同时，也有可能其他业务部门/本部门在关注某个问题，需要你从数据的角度去印证分析
其他方面笔主就不再叙述，是因为关于目标对齐、问题范围的确定以及个人经验对不同问题的看法都会有不同，不仅仅涉及到一个数据分析师的业务积累及sense/taste，也体现出工作方式(建议实习/工作中进行感受，类似于向上管理及同级协作的方式。
当我们确定问题范围(此时可能需要和leader对齐)，就需要作为一个“侦探”去挖掘问题出现的原因，一般方法就三种：
-
数据的下钻分析 - 快速定位
客观的数据虽然无法直接告诉我们问题发生的细节(如果指标体系做的很精细，也有可能找到原因)，但却可以给我们方向。
比如，当我们对某指标以地域纬度进行下钻分析后发现，重庆市在这个问题的贡献度很高；可以让我们更快的定位原因。
-
舆情分析 - 深入用户
通过对用户在互联网的舆情/客诉进行分析，其实可以还原部分故事的面貌。
比如，用户会提到在xxx场景、xxx条件下使用我们的产品，出现了xxx现象；当然，一条舆情很有可能没有办法还原全貌，甚至我们无法证实用户舆情的真实性，但我们不止有一条舆情，我们可以通过多渠道的信息进行对比，不断完善，以达到我们最终的目的。
有一个小故事可以参考：古时候，一个国家为了获得其他国家的信息，比如大唐为了获得高丽句的内部信息，会通过劝降部分高丽句的商人为大唐工作(此时大唐承诺如果他们遇到危险的时候，会给予保护；甚至服务x年后会封官进爵…)；
但还是会出现一个问题，怎样鉴别细作提供信息的有效性及完全性。如果一个个去调查，很显然会耗费太多的精力；此时只需要通过对多个细作的信息汇总后分析，如果大部分信息都是朝着某个事实，那么可以证实该信息的真实性，同时在确定真实性的前提下，互相完善。
-
用户调研
在筛选出一些有效的舆情后，我们其实还可以对这部分用户进行访谈，更有针对性地回答我们的问题；当然，对于问题出现较为严重的地区，我们也可以进行实地探访，比如美团很有名的“拎包”活动，就是为了给业务的同学进入一线，更直观地感受业务场景。
当然，把故事还原后，还需要进行更进一步工作，也就是这些问题出现的根因究竟在什么地方。本质上就是回答一个问题，我怎样做，可以解决这个问题？我怎么避免下次该类问题的出现？甚至说，对于业务部门，我需要用什么样的语言去描述问题，对于产品/技术部门，又是另一种方式去阐述整个问题。
PS：本质上就是为什么作为数据分析师，需要掌握其他部门的“语言”，比如产品思维，战略思维。从这个角度看，本质上就是为了建立共同语言，以在合作解决问题时能够更好地沟通。
最后，当我们的分析报告完成后，还需要进行部门/跨部门的汇报，这时候才是真真正正地以一位storyteller的角色，进行工作。
以下不细阐述，又是一门学问
-
为什么需要汇报
简单来说，就是争取更多的资源/关注，也是为了完整地完成任务，重要的是建立自己的影响力/能力体现/绩效表现。
- 争取资源/关注：一个工作的完成是需要团队配合的，最为高效的方式就是梳理共同的利益，再往下就是让leader/其他部门leader认可价值以推动问题的解决(不细说
- 完整地完成任务：有始有终，通过汇报的方式呈现工作的完成情况，甚至在其中讲述自身的贡献/体现自身能力
-
如何高效地汇报
-
逻辑自洽，经得起别人的提问及推敲
-
让别人承认汇报的价值：了解听会的人想知道什么信息
-
金字塔原理，先讲结论再细述
-
推荐资料：麦肯锡汇报
通过上述对于岗位的核心目标及基本能力，其实归纳出更为深层的能力 — 从行业到个人方面：
从个人工作/业务理解的角度来看，在构建完成工作能力构建的过程中，我们可以发现有时候站在更为宏观的角度能够给我们更为明确的方向。比如在进行汇报的时候，站在部门核心目标及当前关注地方的角度去进行，能够更为高效地构建共同价值，并且在日常工作中更有目标感。总结来说，就是从顶层设计，完成底层细节的完善过程。
个人认为，从某种角度看，这也是一名数据分析师在一定的工作积累后，自然而然需要达到的“高度？”
同时，在进行业务分析的时候，我们发现需要有不同的思维，包括构建用户同理心阶段的用户分析思维，以及对产品归因的产品思维，甚至在讲述业务/问题价值时的战略思维。它像是一种通用方法，在某个节点卡壳的时候，我们能用一定的规则去慢慢构建思维框架，用框架去推导复杂的业务问题。
简历是求职过程中，它人对于自身印象培养的第一个环节，但同时也是能够以书面形式(可以有更充足的准备)体现个人能力的一个环节。
从2024年找工作的感受来看，在数据分析师这个赛道(仅限big name)，简历中最重要的其实就三点：
学历
-
学历
从学历层面来看，周边样本大部分是985本(以及各种能叫出名字的海本，以及类似于南科大、两财一贸北邮等强211的学校)+其他硕，也有遇见过本科的同学拿到相应实习/秋招面试资格的。
Q：双非本建不建议入行？
A：保持悲观态度
-
实习经历
在满足学历的情况下，日常实习这个节点，有可能小厂经历/甚至只有项目经历都有可能拿到面试资格；暑期实习卷度>秋招，且在这个节点，能够拿到有效面试资格的，多多少少都有几段大厂相关实习。当然，不一定是数据分析的经历，也有见过运营/产品经历
$\rightarrow$ 数据分析，或咨询经历$\rightarrow$ 商业分析/经营分析的。Q：找不到第一段实习怎么办？
A：建议转行
从上述的描述，其实可以看出简历的内容分布应该是：学历-技能-相关经历，其中相关经历的占幅最大（笔主大概有2/3的占幅）
相关经历的书写遵循金字塔法则+star法则，即
- R：成果，尽可能量化(一句话概括)
- s：项目背景
- t：任务，具体什么问题
- A：怎么做的，贯穿方法及个人想法
- R：稍微详细说
- SQL为主，建议刷刷leetcode
- python出现概率较低，难度不大，不建议刷算法题
- 统计学/AB实验/经典机器学习，有一定概率出现，但频率也很低
建议熟悉面经，以及思考逻辑，要体现框架性+多纬度分析
PS：之所以这个part没有提到太多，是因为本质上数据分析的面试除了写SQL和考察指标异动分析外，并不会有太多规律；非要说有什么通用考察的地方，那更多的可能是基于公司/行业本身(e.g. 面试美团到家 有可能就是外卖的场景)的业务题+上升到行业的分析。但总结来说，应对的策略就是搭建框架+数据思维+多维度分析
其实留心的同学可以看到，上面在讲述如何去进行求职准备的时候，有一些简单，甚至是敷衍；究其原因，本质上还是因为这个赛道其实不容许求职者有太明显的瑕疵(尤其是这个行情下)，基本上顶尖学历+大厂实习是一个标配，且一个公司/部门还存在的hc可能仅仅个位数，也就是说基本上得面完所有公司才有可能拿到几个oc，甚至有可能是在实习的时候思考不深刻，而导致尽管满足标配，到头来发现死磕这个赛道到最后连一个offer都没有。
总结来说，就是极其卷(能力以及存在的坑位)+投资回报率极低。
当然，互联网公司的岗位都非常卷，这个缺点看起来就没有那么凸出
另一个原因是成果/经历在求职阶段是无法量化的。举个例子，对于找算法工程师岗位的同学，可以通过实习阶段作出什么成果、发了几篇一区论文，做了什么创新项目就可以简单地在简历阶段评估这位同学的技术水平。而对于数分、运营这些偏业务的同学来说，就需要面试的时候充分展现一个人的潜质+逻辑能力，这在评估的时候不免掺杂更多主观的因素，当然这也是各种非技术岗位求职的一个缺点。
总结来说，因为这种主观性的存在，使得影响面试脱颖而出的条件就不光光是专业能力，反而还有语言能力、个人状态，甚至是个人颜值(有可能，不太确定)。
最后一个原因是，我发现其实大部分还未入行的同学，甚至不知道数据分析师是做什么的，市面上各种充斥着《10天python带你入行数据分析》、《数据分析师进阶数据科学家》、《数据分析师进阶-机器学习》等等这类的课程。当然，如果只是技能路线的不明确那还好纠正，恐怖的事情在于因为不了解，所以有可能照着自己设想的样子美化这个工作，假如真的入职，发现，诶这个工作一点也不“高端“，如果理解不深刻，甚至觉得这工作连高中生都能干(前一家公司，工作了将近5年的外包亲口跟我这么描述)。
最后，反正培训班都已经得罪了，一部分同学也得罪了，不妨再继续作死一波。总结一下我最讨厌的问题：
“我要学什么东西，看什么书呀？我不能这么快就去找实习，我得好好准备。”
唯一值得你好好准备的就是刷一周不到的SQL、花一周总结面经以及分析思路，以上的东西最重要的都是需要你实习过程中体会并形成经验。试想一下，如果一个东西，只有通过买，并没有通过你的思考和判断，你压根就没办法判断这是一个假货(再一次得罪各种数分培训班)，知识付费就是这样。重要的其实就是需要分析这些信息的来源，判断哪些是真的(也是数据分析的思维)，不要轻易下判断。
比如，你看到一个做项目的课/带你做项目，此时重要的应该是一步步分析、问讯：
- 这项目从哪里来
- 是不是别人也是用这个项目的逻辑
但其实最后，你一旦工作后就会发现，这些都是工作中最普通的事情，工作里的事情外面是找不到的(数据、思维、真实的业务场景、各种意外)，当你明白这一点，你就会知道，最最重要的就是找一个实习
也不要问找不到实习怎么办，找不到实习就证明你不适合这一行，非常简单。
- “我只会SQL、excel怎么找实习？我在实习前期都是一些杂活，很焦虑“
咱站在企业的角度想想，企业有可能把最重要、最核心的活给实习生干吗？企业招实习生的目的是什么？我的建议是，以学习思维去看待，拉长战线，一步一步构建自己的堡垒。
当然，其他岗位，甚至这个行业，整个工作都是个围城。但我想说的是，已经有一定工作经验的数据分析师，都在想办法找到其他可以立足的平台，非常常见的就是经常有人问的数据分析师能不能转做策略运营，数据分析师转行能到转到什么行业。
对于之前在围城里，现在暂时在围城外，看着城内城外两种人的状态，就非常能够感受到戏剧化。
城外我就不阐述了，想粗略地聊聊为什么城内的人都在焦虑(仅代表个人观点，我还是非常喜欢这个岗位+感激我师父的尊尊教诲)
-
最重要的是，这个岗位无法直接创造价值
当然，很多岗位都没办法给公司直接盈利，比如需要长期投入的预研、冗杂的行政部门等等(狗头保命)，但我想阐述的其实是，这个岗位定位的尴尬。
首先从企业为什么要设置这个岗位来说，在数字化的今天，数据代表着无限的价值，能够运用数据分析在决策制定和业务增长方面创造价值，那么这个岗位自然是非常重要的。
但实际情况是，数据分析的工作常常被低估和忽视，以至于无法落地。工作过一段时间的小伙伴不难发现，相比于数据驱动影响决策，意见和直觉往往更能够比客观的数据更具有影响力，决策者往往听取高层或是自己、甚至一线业务部门的判断。 其实非常好理解，主要原因在于：
- 数据无法反映全貌，数据维度都无法保证完整性；
- 由于数据有可能是缺失的(我指的是缺失决策信息，因子太少)，那根据历史经验不断训练的人脑业务模型，自然比数据本身的预测更准确。最后呈现出来的场景就是，数据分析师仅依靠数据往往得到一些匪夷所思的结论，并且为了让决策者认可这个结论，往往陷入冗杂而毫无意义的论证环节。过一段时间呈现的效果和现实也往往大相径庭。
-
由于无法创造直接价值，因此会从盈利部门转变为成本部门
甚至相比于预研方向的成本部门，这种部门更没有变现的可能，因此更是裁员的重灾区。
-
就算考虑到这一点，开始完善构建自身的能力矩阵，会发现什么都要学，什么都要有所成绩
在这个节点上，我认为数据分析师最核心的能力包括
- 最基本的懂数据，对数据波动非常敏感
- 同时，有业务敏锐度，又不能完全信任数据
- 同时，站在行业的角度，有一定的行业判断力及个人认知
- 最后，交流能力及汇报能力，能快速推动项目落地
总结来说就是，数据分析只是个工具，我们要做的就是业务，暂且不谈能不能比业务更懂业务，比技术和产品更懂行业战略发展。当互联网红利散尽，业务不再增长的时候，对于这个岗位天花板其实只能抱有悲观的态度，能够预见的是数据分析会逐渐发展为各岗位的一种能力，而不是仅仅一种岗位。
最后，我为什么还在这个岗位，还在这个行业？
- 最重要的是，我对于自身的职业发展规划是短期的，因为始终有后盾(暂且不提)，因此数据分析师天花板对于当前我并没有太多影响；
- 其次，即将入职的是业务部门里的分析师，甚至可能不是分析师，这就给我更多的时间和空间去考虑下一步的发展方向；
- 最后，虽然这个岗位有各种各样的槽点，但是给我带来思维方式的提升，个人能力矩阵的培养、性格的培养都是显而易见的，甚至可以复用这些思维到我的生活里。而且我的脑子里始终存在我刚刚入职这个行业/岗位时，三位师父的教导，也不想这么快就转行丢了这门手艺。