数据分析师到底是什么样一份工作呢？
就是很疑惑，做数据分析这个岗位是不是真的只是复制粘贴？因为我是以后比较想从事这一项工作，但是现在的这个实习让我感到有点迷茫。
因为他就就是不断地做报表。不断地重复类似这种工作。从数据库里面提取出那些数据，然后对那些数据进行整理。我感觉就是一个非常简单的文员都可以做的工作。然后再按照模板复制粘贴。就使用一些函数，还有excel里面的一些分类筛选，数据透视表。
然后一天上班八个小时都要对着电脑无限的做这种报表，我就感觉眼睛好累啊，眼花缭乱。
回答·44
最热
最新
- 以目前发展状态来说，国内数据分析师工作可以分为以下几大类： 1、日常数据统计指标分析； 2、数据波动分析； 3、指标体系构建及报表建设； 4、KPI 指标拆解和北极星指标趋势预测； 5、AB 测试设计及结果分析； 6、因果分析； 对于刚入门的分析师，前两项最为常见，业务方需求描述多为：我想看看这个数的均值，我想看看那个数的中位数，我想看看这些明细数据等等；或者就是这个指标跌了，你给看看怎么回事？那个指标涨了，你看分析一下怎么回事？也就对应问题所说，只涉及 sql 和可视化。从这方面看，楼主还是比较认真，其实这些问题不用可视化也能解决，就是描述起来没那么直观罢了！ 但是，但是，作为一名分析师，如果你想有一个光明的前途，好的发展。千万千万不要被这两个方面的需求占满时间！一定一定要把时间逐渐转移到 3 到 6 这些需求上，这才是作为分析师的核心竞争力，没有核心竞争力，那就永远是取数机，而且最近我们在研究应用图神经网络与数据库交互，实现自助取数功能（大概意思就是，业务方的需求直接跟机器说，机器直接自动取数），这必然对国内大量取数机分析师造成巨大的冲击！ 如果你要问，如何从这些取数需求中走出来，那么我这里简单给你提供几条捷径： 1、移花接木：招实习生，让实习生做； 2、给予颜色：问业务方为什么？跟她讨论这些有用吗？不重要的需求排期很久，让它自然消失！跟业务方讨论时候切记一点，抛弃自己数据分析师的职位，不要谈数据，只谈业务，只盘逻辑，让她心服口服的取消需求！ 3、一劳永逸：完善数据报表和数据产品，让业务方自助。 当然，脱离这些需求不是为了摸鱼，主要是要培养分析师的核心竞争力：业务逻辑，业务框架结构，问题分析思路，应用统计理论以及数据挖掘能力。 有剑在手不用和没有剑完全是两码事！！！ 文章搬运自公众号：人人都是数据分析师，一个数据分析师都应该关注的公众号。
- 数据分析有四个模块，数据提取，数据挖掘，数据分析，数据决策，不同行业，部门，因为对数据的需求不同，所以侧重点也会不一样，如果每天重复在做数据提取的工作，那么有两个原因，一个是技能，一个是业务。技能上来说，重复大量的数据提取工作基本都是从最开始的 excel 开始，（我接触的大多数数据分析），每天十几个上百个表里挣扎，这种人只能叫表哥或者表姐，无论你公式函数玩的多熟，这个只是一个初级入门的阶段，毕竟数据分析师数据提取的功力是最基础的，现在都是大数据时代，很明显，工具，方法，都很重要，Vba，sql 等很多工具都会让你摆脱表姐表哥的尴尬境界，也不至于会对工作产生厌倦心理。那从业务上来说，有些小厂部门，其实就每天看一个报表，简单初级的监测生产运营，数据量一般，生产模块较多，这个就注定数据提取工作占大部分，直白的来说，企业成本和需求就是这个阶段。那么在数据提取技能 ok 的情况下，数据挖掘就很重要了，举个例子，现在有一个业务表，你可以轻松看到想要的信息，那么十几个乃至上百个，上千，这样的表，数据给到你，你怎么去提取价值信息，怎么换成业务数据，一般来说，主流挖掘工具 python 的学习就重要，我曾经给一个朋友开玩笑说，python 以后可能会成为一个必备技能，很大一部分数据分析都要靠这个活下去。接下来谈数据分析，数据分析其实是最难的一个环节，分析，意味着首先是基于一个标准，指标体系，指标字典，基础指标，派生指标，衍生指标，哪些有用，哪些是核心，不同行业，不同部门，都是不一样，举个例子，两个互联网大厂，要求建立的指标字典肯定也是不一样的，它要根据业务现状，经营现状，人员，等很多模块去建立，并且一定是一个动态调整的。最后是数据决策，很多时候，数据分析是整个团队的核心，因为所有的信息都在他那里，你要给别人看，形成自己的结论，方便业务做决策，18 年的时候，很多大厂都刮起了数据驱动业务的浪潮，可视化工具 Tableau.PowerBi 等都是可以起到重要作用，另外，现在现在企业基本汇报都以 PPT 为主，这个更难，因为一个好的 PPT 必然是因为它的逻辑，观点，市面上流行的方法论很多，金字塔，分析问题的 SWOT，这些都是需要去掌握的。 所以简单来说，数据分析是一个很核心的职业，他的作用不仅仅是现在每天的处理数据，数据处理仅仅是一个基础环节，如果想未来走的更远，工具学习，方法学习都会是一个很漫长的旅程，任重道远。
- 感觉这个岗位会逐渐被淘汰。因为现在业务分析工具越来越傻瓜式，业务与技术之间的鸿沟越来越浅。工具越来越便捷可以让分析工作向业务端转移，也就是说，未来的分析师可能就是业务本身。没有人能比业务本身更懂业务。把数据分析能力往业务本身迁移，业务具备分析能力，技术专注底层的数据平台搭建，赋能业务自助分析是未来的趋势。这样既节省企业用人成本，又可以提高效率。所以，数据分析师这种中间岗位可以被取代。
- 从事数据分析 5 年 先说我认为的数据分析，首先一定要有业务意识，这点很重要，而且需要一定的业务经验。有时就像是产品经理，或者就像是一个厨师更加贴切吧，如果你是一个饭店的厨师，那就是每天做的差不多的菜，生产差不多的数据和内容。但所谓的好厨师，就是能根据用户的需要做不同口味和功能的菜，用户不会做菜，但她会说想吃点清淡的，这个时候数据分析需要从中洞察出现有食材中那些食材配合哪些做法能后满足用户的需求。这样的数据分析不光是懂技术就可以的。 再说，实际中绝大部分的数据分析，大多数都是工具人，我也基本上百分之 70 的时间都是工具人，想做的东西很多，实际能做的并非如此，但有一点，当你去和运营一起开会，站在他们的角度，去思考的时候，你就会发现你能做的其实有很多，因为你比他们多一点数据思维，当它们在讨论用户结构变化的原因时，你就能想到用什么样的数据，能够找到原因，当他们讨论如何增加用户粘性时，你能想到从以往活动数据和用户数据中找联系，， 我一直践行这个态度，但真的挺难的，我也还在努力中。 问题可以往往是别人的，但解决问题的方向要接受总是自己
- 你能提出这样的问题很好，因为大部分企业都是报表需求很多，没有真正的数据挖掘和数据分析需求。我大概做了 13 年，上万张报表，花了五年时间和其他同事一起设计和落地了数据仓库。可以说最大的问题就是，大部分技术不懂技术，大部分业务不懂业务，技术开发完全关注点在事务型系统的开发忽视数据的连续性，而业务只看到冰山一角的业务逻辑，而无法感知技术逻辑的复杂性，同时大多数人习惯于主观决策，与背后的数据真实规律往往是相悖的。所以不是数据分析无价值，而是你所在的企业还没有进化到数据驱动的阶段，可能 99%的企业都面临这种困境，不要以为大数据，人工智能有多牛，阿尔法狗可以打败围棋高手，实际的应用场景寥寥无几，这种只有当从管理者到所有员工都转变观念才能解惑。所以对于你来说，企业目前给你的定位或者说所处的发展阶段就是报表加工，这是现状，但不是数据分析的全部。
- 你们有多少人挂着数据分析师的名头干着数据统计的活
- 互联网工作也是遵循二八法则的，数据分析师大部分也是 80%的时间做数据提取，数据整理，做各种报表，应付各种业务的数据需求，20%的时间做研究分析，这就是大多数分析师的日常工作，不要以为换了一个公司，工作就不一样，其实你每天要做的工作还一样。真正能体现价值的实在 20%分析里面，有些人能分析出来东西，有些人就非常头疼怎么分析。其实，这和业务有关。你需要了解你们公司是怎么盈利的，你所在的整个业务流程是怎样的，有什么评价标准，渠道有哪些，你汇报对象是谁等等。数据分析师还可以做预测，做精准营销，做商品客户策略，其实多了，慢慢来，不着急，最后强调一句骑驴找马，别冲动就裸辞。你没在一个行业待够两年，你就不算了解这个行业，也就没有所谓的行业经验，业务经验。
- 专科机械，半路出家，从业三年。 先说结论，数据分析师是尽可能获取公司需要的相关数据，然后把手里的数据捏合成对各个部门同事有用的信息的工作。 我的理解方式是，将数据分析师拆分开来，这为我提供了两个关键的信息点，【数据】和【分析】。 其中，【数据】如同基本的乐高积木，各种信息就类似各种样子的构件，我在这个部分要做的，只是把数据分类汇总，这个操作就像在拼乐高前先把乐高按类型分类整理好，他们是我把积木拼出花的基础。 而【分析】，在我的理解里，就是把数据通过快速的组合处理，让它有用且好看。这里的有用，是指得出来的数据一定要有价值，而好看，是指对使用者能快速理解。如果继续类比积木，就像我要把积木拼成合理而有价值的样子，就像把一堆散件拼成“消防车”“千年隼”“公主城堡”，然后拼成的积木是给不同的人玩的，所以要了解他们的喜好，要他们觉得好看。 把我现在的工作内容通俗易懂的说一下 告诉财务部门从公司内部数据层面上的收入和成本的情况，让他们拿去和财务数据比对。 给采购部门相关原料的流转率和损耗率，并提示里面某些不合理的批次，让采购可以及时发现有问题的原料并优化。 给业务部门实时的履约情况和利润率，告诉他们赚了多少亏了多少成本是怎么构成的，哪些品的成本结构不太好需要优化。而在某个品进行战略亏损时配合他们对该品类的长期监控，然后告诉他们这个品实际赚了亏了多少钱，什么原因，整体趋势是怎么走的。 根据长期的数据告诉老板今年的公司盈利亏损走势的具体表现。 告诉人事我们业务团队的业绩若何，根据他们提供的计算规则各个团队的奖励情况应该是什么样的。 告诉工厂他们的人力效率怎么样，哪些原料损耗表现超出预期需要特别注意。 告诉外部合作伙伴，合作的品类在整个周期内的表现情况，创造的具体价值是多少。 收集数据上告诉各个环节的人应该记录并提交哪些数据，为什么，有什么用。 能做的事还是很多的。 只是要持续的思考，怎么样让自己的工作，更有用，效率更高，更直观，更适合别人用。
- 谢邀。 首先，不要被你所说的“复制粘贴”蒙蔽了双眼。思考一下：为啥要复制粘贴这部分数据？数据维度那么多，老板为啥要看这几个？它们的变化又代表着什么？ 例如，电信行业，某个月在网用户数暴增，arpu 直值【相当于客单价，以下简称客单价】却明显下降。之后客单价基本持平，半年后在网用户数暴跌，客单价反而提升了。这意味着什么？ 第一个月可能搞促销活动，于是好多人过来注册【注册用户增加，但平客单价降低】，但接下来几个月的促销效果并不明显【客单价没变化】。合约期【半年】之后，这批用户注销【用户数减少】，而原先老用户，高价值用户端效果就体现出来了【客单价提升】。 这只是很小的一个例子。展开的话，还可以继续分析这一批注销用户的一些特征，例如，年龄多少？每个月消费多少？流量一般花在哪些 APP 上，是否可以考虑异业联盟？ KPI 的制定也是一个很关键的东西。假设我们要分析数据分析师的现状。我们可以采集一些招聘网站公开的数据来分析。那么应该采集什么维度呢？薪资，行业，公司规模，公司性质，招聘人数，所需技能，甚至地域都是我们应该考虑的。 最后我们可能得到这样一个结论，广州的数据分析师月薪均值在 1.3 万左右，行业集中在互联网公司或者软件公司，金融行业的数据分析师偏高，但招聘人数较少【以上结论纯属瞎掰，如有雷同实属巧合】…… 在这过程中，可能涉及多项技术，例如，采集数据用的爬虫。再如，一些公司一个月内发布多次的情况是不是应该去重呀？各个岗位 title 不完全一致时，是否应该统一成较少的类别呀？所需技能需求，是否需要对岗位需求做个文本主题分析呀【这部分属于数据挖掘了】… 最后把结论做成图表，基本上就是一个行业报告之类了。这一切都是基于对业务的理解，才能做出来的。这正是数据分析师的工作。 所以说，不要小看报表。一份有价值的报告，并不是拍脑袋拍出来的。处处留心皆学问。
- 数据分析师：提炼数据得出有价值的信息。 有价值的信息，举个例子：没钱买不起房，有个信息告诉我们，一个星期后，房价一定上涨 100 倍，您会买房吗？ 举着例子表明，有价值的信息多么重要，所以说能提炼出有价值信息的数据分析师多么重要。 同样在提炼数据，有的数据分析是得出来的信息干巴无味，有的信息却能指导企业扭亏为盈。 为什么会出现这样的差异呢？从数据分析的认知能力和数据分析能力两个方面进行拆解。 1、认知能力：产品、经营、战略、竞品、市场等多因素的综合能力。 用户增长举个例子（定性分析）： 产品： 产品 MVP 阶段，数据分析验证产品的价值点; 产品生命周期内，数据分析提升产品的粘性与变现能力; 产品生命周期外，数据分析找到第产品第二增长曲线方向。 经营： 用户拉新，数据分析站在整个经营策略角度：获取、激活、留存、变现、传播； 用户存量，数据分析为用户分群；维护价值用户、引导高潜用户、剔除羊毛用户、挽留和召回价值用户 其它经营因素：渠道、营销活动、会员体系、客服、物流等。 2、数据分析能力：数据提取、数据处理、数据挖掘、数据模型、数据展现、系统化与模型化思维 用户增长举例子（定量分析）： 2.1 用户全链路分析确定 ROI 2.2 用户生命周期分析 2.3 用户留存分析 2.4 用户 AARRR 分析 2.5 用户流失分析 2.6 用户 RFM 分析 2.7 用户转化漏斗分析 2.8 竞品分析 2.9 市场分析 2.10 其它 通过定量分析，利用数据分析技术定位出，用户增长的场景、核心维度与指标。 从而放大优点，修改缺点。达到用户良性增长的目的。 具体数据分析实现技巧可以私聊探讨。