职场效率及注意点,数据领域职业选择有哪些

职场效率及注意点,数据领域职业选择有哪些

01 关于数据分析和基本技能

如今,数据科学家,数据工程师,数据分析师的职位越来越热门。这些职位不仅跟数据密切相关,同时又需要具备一定的业务理解能力。大多公司也越来越重视数据在业务上的影响力。这篇文章主要想谈谈的数据分析师的微笑经验。

内容基于笔者5年多数据分析岗位上的经验及体会。面向的读者是:

专注成为数据分析师的同学。

对数据分析感兴趣,平时工作中也需要数据分析的同学

同行(欢迎交流指正)

入门数据分析并不难,但想成为优秀的数据分析师并不容易。首先要过硬的数据技能,其次要有敏锐的商业嗅觉,再次是流畅的沟通和表达能力,最后不断地实践这些能力,在实战中应对商业的变化,提升分析能力,从而发挥在业务端的价值,甚至产生你的影响(make business impact)。

关于“数据分析”(Data Analyst)这一职位,通常一定规模的外企和国内的互联网、IT、金融等行业会设有专门的数据分析岗位,也有着不错的发展路径。而在一个公司里面,数据分析师可以存在于不同的部门,销售支持,财务,市场研究,R&D等等。但每个部门的侧重点也是不一样的,我原来在销售支持部门,虽说是数据分析,但理解业务,与销售端交流是很重要的。但如果是在R&D,技能上的编程要求,对架构的理解可能更重要。

数据分析最擅长的工具一定包括Excel,通常好的数据分析师一定是一个非常非常专业的Excel使用者,这其中包括了对Excel常用公式和功能的理解及使用(数据透视表,各种图表等)。其实掌握Excel基本功能也是很多其他岗位(Marketing,Finance等职位)的必须。作为一款数据处理的基础工具,市面上有太多的Excel教程。我个人的建议,可以从一本书 视频教程 自我练习的方法来入门或者进阶。

Excel更进阶的另一个大技能是VBA,它是以Visual Basic为基础的编程语言。但,掌握或者使用并不需要太强的编程背景。这也是为什么知乎上很多用户推荐用VBA作为高阶Excel的技能。VBA用的好可以玩转各大金融投行,咨询公司的数据处理自动化,报表批量产出等。VBA的优势是跟Excel的无缝衔接,能够用简单的编程实现数据自动化,或者金融模型实现,预测分析。即使在今天Python、R非常火热的数据挖掘,数据科学领域,仍然有不少公司选择使用VBA。

另一大数据技能就是SQL,SQL和Excel已经成为这一岗位在发布职位时的标配了。SQL是结构化查询语言,对接的是后台较大较系统化的数据库。它的优势是基于不同逻辑的数据抓取会很方便和有效率。基本的语法其实并不难,会使用join table、sub query,
case when、rank这些功能其实不是太难,难点在于通过不同的练习,训练出一个良好的逻辑思考能力。简言之,就是知道什么商业需求可以实现,哪些需求需要更久的时间。此外,对业务的理解也至关重要,千万不要小看这个简单的数据抓取,好的SQL实现者一定是对业务理解透彻,事半功倍的。

如果致力于从事数据分析工作,那除了掌握Excel, VBA,SQL之外,还需紧跟趋势,学习最新技能,但同时也得夯实基础。记得我2011年本科毕业的时候,跟现在2018年同样一个数据分析职位的JD是完全不一样的。而且公司或者业务层面对数据分析的重视程度也不一样。建议要不断更新自己的技能储备,至少了解现在在发生着什么,什么是基础,什么是进阶。随便贴一个Linkedin上面的数据分析岗位要求,感受一下。

这里更想强调一下对数据和商业的理解。一般三年以内可能还是在磨练技术,过了三年就开始思考更深一层的东西,就是在有了“术”的基础上,往“道”的方向思考。

理解数据并非易事,至少需要几年经验的。通常在掌握了基本技能并且熟练使用的基础上,加上累积的商业实践,一般来讲都会产生一种数据直觉。具体体现在:

第一:当遇到一个数据需求会先分析,而不是上手就做,因为有时候需求并不合理。

第二:会评估不同数据项目的时间进度和反馈频率,新手很容易不沟通,很苦逼地做了很长时间之后发现结果不是用户想要的。

第三:当出现不合理的数据时第一时间能够反应过来并调整。如果能做到这几点,效率会大大增加。

02 职业选择

坚持数据分析师,当然这个title是可以变化的,但工作内容本身还是一脉相承的。比如我现在是在Finance部门下面的Business Finance做Finance Analyst,但我们team有专业的CFA分析师,FP&A分析师,我就是做Data Analysis。

转型为数据科学家(Data Scientist),需要恶补统计学,Python和R,还有不断地应用到商业实践。

商业分析经理(BA Analytics Manager),该职位商业性强,沟通强,懂技术但不用去做基层的“苦力”工作,并且能够找到得力的下属做事。

数据工程师(Data Engineer),比较后端的职位,技术性强,对架构,数据底层的了解更深,我的理解是比较适合理工科出身,不太希望与业务端打交道,代码逻辑很强的童鞋。

咨询师(Consultant),此职位更偏重商业分析能力 沟通能力 表达能力,这个对于硬性的技术要求不高,但软性特别高。但好的咨询公司待遇相当棒,招人的条件也是很高,名校背景,很高的GPA成绩,自信表达能力,精准沟通等等,总之非常不容易。不过一般有一个咨询团队,有前段后端之分,后端(支持段)偏技术分析,前段偏表达沟通。这个职位的跨度就比较大,但是我还是鼓励各种可能性的发生。要敢想。

当然还有其他很多职位,比如数据挖掘,数据可视化工程师,产品或策略分析等等,各自有侧重。

03 职场效率及注意点

技术永远只是手段,产生价值才是王道。这里面涉及到诸多的能力需要不断磨练,比如意志力,沟通能力,演讲能力,好奇心,创造力,影响力等等。这些都是能不断塑造一个好的数据分析师的重要素质。要去make the change and influence,不只停留在数字展示。

好的身体会使你拥有更多能量。职场里面那些充满能量,对新鲜项目感兴趣,滔滔不绝做presentation的人通常都是有着很好的生活习惯,处理事情很快,吸收知识很快,愿意学习了解新事物,坚持锻炼的人。这个法则适用于大多职场。拼到后面其实是持久的耐力,就是不松懈,坚持对的事情。

别钻牛角尖,要灵活。如果一种方法试了好久都不行,停下来,问一问,试一试别的,可能会有新的出路。职场不是一个学术的地方。我们要认真做事,但是不要追着一个小的问题不放,这样很容易丢失掉大的东西, 负责任地讲,有很多项目是半途而废的,有很多数字不是准确的,我们要做的是顺势而为,抓住重点。Always focus on big picture.

先做倾听者,再做思考者,然后做好的提问者,最后做实现者。这里每一个环节都重要,先知道别人关心的是什么,有什么问题,然后要系统性考虑,有时候不要着急解决小问题,Focus on big picture,此外,提问出关键问题甚至能够帮助stakeholder更清楚了解他要的是什么,最后搞清楚了这些之后就是Action。

有意识地去跟人交流,特别是业务相关人员,以及各个条线的stakeholder,如果仅仅利用必要的时间,比如开会的时候交流彼此对业务对分析的看法,通常是不够的。我们作为分析人员,最好要走在前面,试探性的问问题,交流想法。提升自己举例子的能力,把复杂的东西通过简单的描述让别人理解很重要。

不停的总结,迭代。其实数据分析里面的分支学科还是很多的,ETL, Data Cleansing, 一些基本分析模型,Data visualization等等,不管是自己做过的项目经验,还是网上看来得好文章,或者同行交流来的新的好的内容,都可以不停的总结,试用,反馈,以此循环。长期来看是非常有好处的并且容易形成自己的体系。

posted @ 2018-08-03 11:24  刘小子  阅读(186)  评论(0编辑  收藏  举报