为什么职场人要具备数据分析能力
大家常说人在江湖，身不由己。
随着行业逐渐成熟、竞争不断加大、人口红利和资源红利的优势逐渐消失，很多行业的发展都逐渐缓慢下来。过去的粗犷化运营造成很大的资源浪费，企业无法承受，大家逐渐发现了数据驱动的价值。现下的大环境，数据已经渗透到当今每一个行业和业务职能领域，成为了重要的生产因素。
在这样的大环境下，要想更好地处理自己的工作、顺应数据化浪潮，都有必要掌握一定的数据分析技能。
哪些是职场通用的数据分析能力？
需要数据分析能力的职场人，基本可以分为两大类：
（1）经常和数据打交道的人，比如市场营销、产品运营、经济金融、成本管控等，可以说各行各业各个岗位，基本都需要和数据打交道。
（2）数据分析师，通常比较大型的企业、比较重视信息化建设的企业，都会有自己的数据库，那对应的就会有专门的数据分析部门，部门下一般有三种角色：数据工程师、数据分析师、数据科学家。
| 科普一下：
数据工程师相对好区分，主要是负责数据库的搭建、维护，数据的抽取、调度等，和“数据驱动业务”的直接关联度不高。数据分析师和数据科学家，相对要难区分一些，通常我们认为数据分析师有项目、有KPI，做的一般是中短期项目，解决现有需求，主要对历史数据进行回顾。而数据科学家，则侧重研究，需要不断创造、优化算法和模型，往往进行的是中长期项目，解决的是现在解决不了或者解决起来特别麻烦，未来才需要系统解决的问题，要求具有一定的前瞻性，可以用数据对未来进行预测。
不管你是属于哪一类，想要获取通用的数据分析能力，大致可以分为3步：
1、核心：培养数据分析思维
结构化思维、公式化思维、业务化思维，这三种思维方法常常被用于指导数据分析。
• 结构化思维：
即著名的金字塔原理。人的大脑很难处理大量的、无规律的信息，所以需要想办法把碎片化的信息找一个结构立起来。所以结构化思维，往往有一个框架，然后只需要把所有信息整理好、对应放到框架中。但很多时候，这个框架并不是现成的，需要我们进行搭建。
最常用的是自上而下构建结构的方法。举例来说，出现头疼，我们进行自我诊断：
第一步，就是先提出问题，为什么头疼，想要找出产生问题的原因。
第二步呢，用现有知识回答这个问题，比如分为生理上或者心理上的问题。对于生理上的问题，再分为内在的和外在的。外在的比如天气影响、办公环境等；内在的比如病毒性感冒等。同样的，对于心理上的问题，也可以分为比如最近工作太忙，压力过大，或者面临考核紧张等等。这样可以形成一个自我诊断的框架。
• 公式化思维：
公式化思维本着一切皆可量化的原则，以数学公式为依据来分析问题，又或者说，在定性之后，我们更强调定量。
• 业务化思维：
需要对所从事的业务本身有比较深刻的理解，业务与业务之间，会有一定的隔离，比如对电影进行票房收入分析，和对卖场销量进行分析，关注点并不一致，这就是业务之间的隔离。
结构化思维、公式化思维、业务化思维，本质上这三者是密不可分的。要想做好数据分析，这三种思维缺一不可。
2、落脚点：掌握数据分析工具和方法
思维是指导策略、是武功心法，当遇到实际问题的时候，还是要落到具体的操作上。
通常拿到数据，我们需要做两件事。
首先是数据清洗，对一些不合规的数据进行处理，主要包括删除无关数据、重复数据，处理缺失值、异常值等。接下来需要进行数据变换，把数据转换成适当的形式，以方便后续进一步分析。
进行数据处理和分析操作，可以使用多种工具。
-
Excel：是最常用和最普及的工具，可以制作二维表，进行筛选、排序、计算、分类汇总等等操作，还可以绘制一些简单的信息图表。但Excel也有不少局限，比如说处理复杂数据的速度和系统负荷、再比如绘制图表的难易度和美观性等。
-
SQL：操作难度不高，可以同时处理数据和管理数据库，并且，它还可以嵌入到其他语言里使用，如C++等。SQL相比Excel的比较明显的优势是，对于数据量较大的情况很友好，并且可以直接在数据库里面操作，而不需要进行数据的导入导出。
-
Python：近年大热，风头盖过了几乎所有传统语言。Python在做数据挖掘和人工智能方面，有着得天独厚的优势。同时，它又是一门很综合的语言，既可以用来开发，也可以用来做数据分析，处理复杂数据、绘制可视化图表都是非常有优势的。更关键的是，Python代码简单，相当于是为所有非IT背景的人打开了一扇通往coding世界的大门。
-
Tableau：是当今最受欢迎的商业智能可视化工具，操作简单，只需要拖放就能得到比较美观的图表，和前面的数据分析工具不同，tableau更侧重于结果的展示，在数据清洗规整上较难发挥。
3、提高自己的数据报告撰写能力
所有工作都是结果导向的。因此，如何写出一份合格的报告，也是要非常重视的。
PPT是我们在报告时的常用工具，想要提高PPT能力，总离不开多看、多练、多思考。国内最知名的锐普PPT论坛，里面有各种小白大神、各种优秀作品；锐普PPT、秋叶PPT也都可以参考；另外，我们也可以看一些设计排版相关的内容，比如花瓣网、比如优秀杂志期刊，也可以多看看品牌发布会。
如何更进一步为自己升级赋能
很多时候，通用的数据分析还不足以使我们发掘出更深层次的规律和价值，如果还想走得更远，可以朝数据科学的方向迈进，挑战传统BI无法支持的领域。
那数据挖掘到底能干什么呢？
-
帮助奥巴马连任总统
-
帮助NBA勇士队四年三冠
-
帮助建立电商推荐系统
-
帮助预测市场、定量分析用户满意度
…
举个具体场景来说，公司经常有很多用户反馈信息，一方面数据量非常大，另一方面数据并不是我们常见的比如“满意”“不满意”，而是一段描述性的文字，我们没有办法直接准确地判断出用户的满意度，也没有办法快速准确地分析出用户的关注点。这时候就可以使用数据挖掘的方法，比如聚类分析、情感分析、文本主题分析等等，来提炼出用户的情感倾向、关注点、产品卖点和不足。
如果要掌握数据挖掘技能，我们需要做这样两件事，首先，熟悉至少一门编程语言，因为很多算法都需要代码实现。其次，理解主流机器学习算法原理和应用。推荐两本可以说是数据挖掘领域的必读经典：一本是美国科学家编写的《数据挖掘导论》，另一本是南京大学周志华教授编写的《机器学习》，也就是业界非常有名的西瓜书，或许可以帮我们用最科学的方法，挑选出夏天最好吃的西瓜。