不谈技术，谈谈数据分析师从0到1的9个进阶法则

和大家一起交流一下我心中的女数据分析师。

数据分析师发展会有几个层次，初级数据分析师，“表哥、表妹、表姐、表弟”，以统计工作为主。中级数据分析师会涉及到一些图表展现、模型、预测、推导等工作，到了中高级的数据分析师，就会涉及到一些关键指标的设定，以及数据产品或数据体系的规划。进入高级数据分析的阶段之后，就会涉及战略规划层面，比如业务发展方向预判、预算分配等。

从行业目前来看，女性数据分析师一般以初级和中级为主，在这两个阶段，女性数据分析师非常有优势，她们细致耐心，可以给业务部门及时提供准确的数据。但在中高级和高级阶段承担的压力会比较大，比如KPI指标设计，可能一个部门一年的绩效奖金都是根据你的KPI来考评，压力可想而知。所以到了中高级阶段，除了技能过硬，自身素质和业务能力，行业了解等整体综合素质都十分重要。在这方面，男性比较有优势。

那么在这种行业认知下，女性数据分析师如何从中级突破到中高级再到高级，今天和大家一起交流。

我今天分享的主题是女性数据分析师从0-1，《从0-1》这本书相信很多人看过，主要讲的是创业的突破。女性数据分析师要打破行业的认知，获得不断上升的空间，也是从0-1的过程。我们要把自己当做公司一样经营，都当自己的CEO，把控方向，让自己在数据分析这条道路上不断发展晋升。

前言

如果数据分析师想要不断发展，不管是男性还是女性，复制都只是一时的，主要的竞争力还是来源于解决问题的创新能力。这些能力，除了学习前沿的技术以外，经验也是十分重要的。

创新没有秘籍，就像《从0-1》中讲到，成功的人各有各的不同，而失败的人失败的原因都是相似的。虽然成功不能完全复制，但是成功道路上的共通点，却可以一起学习。成功创新的道路上有以下一些原则：

第一章未来的挑战

问题：在什么重要问题上你与其他人有不同看法
解答：大部分人认为世界的未来由全球化决定，但事实是—科技更有影响。

举个例子，一家公司需要推行产品全球化，会涉及多个不同的国家。各国，各大洲人口属性不同，怎么开发产品呢。那么按照大洲，设计有针对性的产品按理说是最好的。但是最后这家公司失败了;而另一个例子是苹果。苹果公司在全球进行推进，并没有对某一个洲进行特别版本的设定，却引领了全球。这是因为它的科技带来的影响力，全球都是可以共享的。而刚刚讲到产品线出现的问题是每一个洲不一样，造成了产品资源不能复用，人员冗余，最终导致这家公司在宣传开发的时候争夺资源，无法专心做好一件事情，最终造成整个公司以失败而告终。

所以说创新，好东西的接受是全球的共性，并不受到地域和国籍的限制。

这里讲到初入职场也要特别注意团队合作。我们在做数据分析的时候会发现一个问题：大家都认为自己做的分析是对的。比如刚刚提到不同的产品针对不同国家，大家都认为针对不同的人群，开发有针对性的产品是对的，而只有那些踩过坑的老人才知道问题在哪里。所以注意团队合作，多和老人学习，可以帮助职场新人快速成长。

当然，即使我们与团队合作，也要保留自己的立场和观念，从零开始重新审视自己所从事的业务才能有所发展。

第二章像1999年那样狂欢

同样是这个问题：

问题：在什么重要问题上你与其他人有不同看法
解答：先想想大多数人都赞同什么，社会的主流观念。

1999年的狂欢就是指互联网的爆发。在98年、99年的时候很多人认为互联网是一种泡沫，大家不认为互联网会崛起。大多数人对于新生事物的看法，一般会经过四个阶段，首先是质疑，甚至是抵触;第二步，新生事物发展到一定阶段时你会将信将疑，想要了解，第三步你会想参与;第四步新生事物到最后腾飞的时候你发现你已经就跟不上了。

所以在做数据分析的时候，你要对行业有一个很好的了解。主流并不一定是对的，你还要关注潜在的发展。并不是抵制潮流，而是在潮流中保持独立的思考。

现在有许多90后的年轻人进入互联网，当年他们被称为次主流，但是现在他们已经逐渐成为主流。比如说二次元、鬼畜，90后已经慢慢入侵了市场。如果你在创业或者做行业的纵观，可以关注一下这个领域。

第三章后发优势

问题：如何‘永续’
解答：一个数据分析师的价值，是有自己独特的分析风格，及解决问题的方法

当数据分析师的职业生涯发展的一定阶段，我们如何在职场上持续占有优势一个数据分析师的价值，是有自己独特的分析风格，及解决问题的方法。除了专业技能，你还要获得对方的信任，否则你在数据分析的执行上会大打折扣。

如何获得信任你要有自己的切入点，数据行业涉及的领域非常广泛，你要找到自己擅长的领域。

我身边有一个同事，她做Excel分析非常强，Excel函数技能非常厉害，一般的运营人员或产品人员在和数据分析师接触时请教最多的就是这方面的问题。当他们有疑问的时候，他能很快解答并解决，那么这个同事在他们心中就变得非常可信，那么在后期工作中他们就会很容易接受他给出的建议或者预测。

先主导一个小的切入点，在这个基础上扩大，直到达到你预想的长远目标。

第四章成功不是中彩票

问题：成功靠运气还是靠能力更重要的问题，未来靠机遇还是计划
解答：四个主义。明确、不明确，悲观、乐观。

明确未来的计划。在一个人人看未来都迷茫的世界里，目标明确的分析师总是被低估。

刚开始入行的时候，特别是在互联网行业，数据分析师常常会被认为是一个附属品。一个盈利性的公司在高速发展的时候，并不太需要分析师，因为没有分析师他们仍然可以赚钱。

但是为什么仍然有分析师的岗位。原因在于，纵观整个市场，人口红利正在下降，企业发展从原来的粗放型到现在的集约型，从数据中把握趋势，做精准的投放和运营，就会在同种产品竞争的时候快人一步，数据分析师的重要性，在这时产生了价值。

前面分享了一些业务中遇到的问题，接下来我们讲一些比较“俗“的东西，当然这指通俗。既然要把自己当做一个公司来经营，你作为自己的CEO，除了提高自身技术以外，还应该向钱看。

第五章向钱看

问题：如何获得更多的钱如何发展
解答：钱能生钱，复利法则，8/2法则。幂次法则。

选中那些能成功实现从0到1的事情，倾尽全力解决他们。

钱是衡量一个数据分析师价值的一种方式。如何提升数据分析师的价值呢。由于每个人的精力是有限的，而作为一个数据分析师接收的信息特别多，如何排除杂质，解决重点事情的能力就特别重要。怎样快速找到最重要的20%，倾其所有去解决他，这也是数据分析师的工作能力的重要体现。最重要的事情都是独一无二的。时机和决策也要遵循幂次法则。

第六章基础决定命运

问题：开始时要注意什么
解答：方向的选择&业务的了解。

我们遇到过很多数据分析的应聘人员，面试时就问他们处理的数据量级是怎么样，他说是很多，但是最后问到结果是很多是指10几万、20几万的数据条。实际上在互联网公司数据都是上亿的TB级别。

在工作选择的时候，一定要想清楚将来你想往哪个方向发展。

在实体行业，数据量没有多大，如果你想跨行到互联网的话，数据的量级差是几何级的，同样的能力可能就没有优势。我们在做大数据结果的时候，覆盖的用户量足够多，不需要抽样，直接通过大样本数据出结果。但是在实体行业数据量不够多，就会频繁用到抽样等统计学的知识。所以说虽然都是数据分析，但是不同行业是有不同偏重的，在实体行业可能注重统计学经验和技巧，而在互联网则比较偏重程序语言技术，你在选择入行的时候要仔细考虑。如果想转行需要多做一些准备。

拥有对业务的了解也十分重要。在游戏行业的时候，公司有一个同事，她的数据分析能力很强，但不太了解业务。当时有一个数据推导结论，如果bug衡定的话，用户对于游戏的反馈问题越多，就说明这款游戏收到越多的关注，就会建议公司重点发展这款游戏。

当时她就向公司推了这么一款问题反馈比较多的游戏，但是在市场投放后，这个游戏并不那么受欢迎。于是我们就反推一下这个数据的算法是不是有问题。后来抽样接听客服电话，才发现是因为在公司同时运营的好几款游戏中，其中最火的那款游戏客服电话很难打进来，用户知道这几款游戏都是属于一家公司，问题都可以解决，所以就选择打了另一款不太火的游戏来找客服。这样通过电话联系量来推导结论的时候出现了偏差。

第七章打造圈子文化

问题：理想的学习文化是什么样的
解答：参加专业的分析圈子进行分享和学习。

数据分析师发展到一定阶段都会遇到瓶颈，这个时候可以多参加向今天的沙龙这样的交流活动。可能在交流的过程当中，对方不经意的一句话就可以让你茅塞顿开。参加专业的分享圈子进行学习，不仅是个人专业技能的提升，也是对个人瓶颈的突破，在专业的圈子里，交流、激荡、拓宽思路。

第八章顾客不会自动上门

问题：客户在哪里
解答：推销不是件容易的事

既然我们把自己当成一家公司，就要找到自己的客户，自己身边的人都是自己的客户。有人说不太擅长推销自己，自己业务足够好，总会有人找上门来。事实并非如此，因为别人并不知道你有这个能力来解决这个问题。这样，换个角度想，其实你不是在推销自己，而是在帮助别人解决他们存在的问题，告诉大家你有这个能力，当他们遇到相关难题的时候，知道找你可以解决。这既是自我的一种宣传，也是帮助别人的方式，所以不要排斥推销自己。

推销不是一件容易的事，也要掌握方法，酒香也怕巷子深。

第九章分析师和机器

问题：机器会取代你吗
解答：计算机的发展，是增强分析师的能力，而不是淘汰分析师。人机互补。

在我从业近十年以来常被人问起的一个问题。现在的机器语言、软件已经发展的很牛，已经可以取代某些比较原始的分析方法。机器会取代分析师吗这是大家一直在讨论的问题，实际上一个好的数据分析师不断地掌握行业经验，是很难被机器取代的。就像刚刚我们分享的例子，算法很强，但不了解业务，给业务部门推送的建议就是没用的。计算机的发展是帮助我们增强分析的能力，而不是淘汰我们，我们要做的是人机互补。除了技能学习，也要了解先进的统计工具，这样才能帮数据分析师做更多的事情，解决更多的问题。