資料分析師指的是不同行業中,專門從事行業資料蒐集、整理、分析,並依據資料做出行業研究、評估和預測的專業人員。今天小編分享的是資料分析師的工作職責和工作內容,希望能幫到大家。
資料分析師的工作職責網際網路本身具有數字化和互動性的特徵,這種屬性特徵給資料蒐集、整理、研究帶來了革命性的突破。以往“原子世界”中資料分析師要花較高的成本(資金、資源和時間)獲取支撐研究、分析的資料,資料的豐富性、全面性、連續性和及時性都比網際網路時代差很多。
與傳統的資料分析師相比,網際網路時代的資料分析師面臨的不是資料匱乏,而是資料過剩。因此,網際網路時代的資料分析師必須學會藉助技術手段進行高效的資料處理。更為重要的是,網際網路時代的資料分析師要不斷在資料研究的方法論方面進行創新和突破。
就行業而言,資料分析師的價值與此類似。就新聞出版行業而言,無論在任何時代,媒體運營者能否準確、詳細和及時地瞭解受眾狀況和變化趨勢,都是媒體成敗的關鍵。
此外,對於新聞出版等內容產業來說,更為關鍵的是,資料分析師可以發揮內容消費者資料分析的職能,這是支撐新聞出版機構改善客戶服務的關鍵職能。
資料分析師的工作內容【1】找到如何通過資料衡量產品(measure)
費曼說過一句話,如果我們不能創造某樣東西,那麼說明我們還沒有搞清楚(What I cannot create, I do not understand)。
對於資料分析師來說,如果我們不能用資料衡量某個產品,那麼說明我們還沒有搞清楚。
這個問題看似簡單,其實很麻煩。
對於不同的產品,可能會有不同的衡量方法,同時也可能會有好幾個,各有什麼優劣?
比如說 Uber 在初期,有多少司機(供給方)可能是一個很重要的指標,而發展一段時間之後可能是交易量。
再比如,同樣是共享經濟,Uber 看使用者的 app 使用時長,可能是個意義不大的行為;而對 Airbnb 來說,使用者的 app 使用時長可能是一個很重要的指標。
思考題:為什麼?
對於同一產品,針對不同的場景需要要的指標可能又是不一樣的。
再以 Uber 為例,假設司機的月活數量是一個很重要的指標,可以看公司長期的發展。
但是這個指標卻並可能並不能作為日常做 A/B 測試的指標,想想這又是為什麼?
【2】找到如何可以驅動產品的指標
當知乎說自己發展的好、拉風投的時候會說有多少日活(好像是七千萬?)。
對於投資人、創始人來說,都是一個很好的衡量產品發展的資料。
但是如果想要把產品進一步提高,日活這個資料就並沒有什麼用了,因為這是結果,不是手段。
資料分析師的工作,就是要找到這麼一個或幾個指標,是跟公司的長期目標發展相關的,同時又能通過驅動這些指標達到長期發展的目的。
比如 LinkedIn 可能是希望使用者建立 X 個好友,Twitter 可能是希望使用者關注 Y 個帳號,Quora/知乎可能是希望使用者關注 Z 個話題,或者答了 N 個題,如此各種。
【3】跟產品經理、工程師等合作尋找改進產品的機會
現在產品的目標有了,驅動產品的方向也有了,那麼具體怎麼驅動呢?
比如說希望使用者關注 Z 個話題,那麼在使用者註冊的時候就給推薦呢?還是預設關注一些話題?
預設關注一些話題會有什麼好處?又會有什麼壞處?
是在使用者剛註冊就讓他們關注好,還是使用了一段時間之後再關注好?
如果有一些使用者一個話題都沒有關注,怎麼辦?
等等。
【4】幫助產品做決策
做決策,可能很多人第一反應想到的是做 A/B 測試,這的確是一方面,而且也是很重要的一方面。
但有時候容易忽略的是如何幫助產品/工程師設立優先順序。
在網際網路行業,任何時候都有幾十上百甚至上千個事情需要做的,比如說八阿哥多多的網頁版和被吐槽多多的編輯器。
那麼哪個是最重要的、最需要解決的?
哪些改變是有可能帶來產品的改進的?
同時有十個新的產品特性可以加的,應該先做哪個?甚至哪些是沒有必要做的?
畢竟工程師這麼貴,招人也不容易,所以很多時候需要做一些聰明的選擇,比如救助於資料分析。
回到 A/B 測試,資料可以做的就更多了。
比較直接的,如果寫 pipeline 抓取資料,做假設檢驗這些,更重要的,回到了第一點和第二點,做 A/B 測試不會只有一個指標,通常會有好幾個。
如果有些升了有些聊了,怎麼權衡?
比如說 Airbnb 訂單量增加了,但是使用者減少了,這是個好的方向嗎?
或者說 Uber 司機收入增加了,但是評價降低了,高峰期添價(Surging Pricing)出現得更頻繁了,應該選哪個?
A/B 測試本身技術方面不是最難的,難的是如何根據資料做決策。
【5】產品資料追蹤
如果 Amazon 的網站掛了,對 Amazon 的收入會有很大的影響。
如果 Amazon 雲掛了,那不只對收入有影響,還會影響大批客戶。
所以需要有工程師二十四小時值班(oncall)。
類似的,如果發現知乎日活異常增加,或者降低,怎麼找出原因?怎麼解決?
這些也都屬於資料分析師工作的一部分。
要對產品做資料追蹤,就離不開不同維度的資料,把它們做成報表,所以需要資料分析師,有時候也可能是 data engineer 的工作。
【6】尋找新的領域
在產品的不同發展時期,側重點可能是很不一樣的。
比如在產品發展的初期,可能是社群運營,找到好的種子使用者,打造一個良好的社群。
在產品發展的初期,可能是增加普通使用者的數量,擴大使用者基數。
如何確定產品在哪個時期?在不同的時期又如何找出可以推進產品的方法?
這些方法可能是從產品、使用者體驗的角度出發,比如說如果加個「想法」會怎麼樣?
也有可能是從工程師的角度出發,比如說頁面載入時間過長等等。
也有可能是從資料的角度出發,比如說發現很大一批使用者喜歡髮長篇評論,但是卻並不點贊,那麼試試開發一個功能評論的同時也分享到時間線?
【7】給團隊設定目標
前面提到資料可以幫助團隊決定做哪些方向,那麼這些方向可以達到一個什麼樣的目標?
如果目標定得太高,最後團隊沒有完成,一次兩次還好,如果總是這樣,那麼必然會打擊團隊士氣。
如果目標定得太低,團隊總是輕鬆完成,那麼就起不到激勵團隊的作用了。
注意這裡的設定目標並不是做了什麼事情,投入了多少時間,而是最後對產品的指標有什麼影響。
比如說 Uber 的交易量增加了多少,或者是知乎的日活增加了多少如此種種。
【8】長期投入
大部分時候的資料分析是基於當前的狀態的,但是也需要考慮到使用者、產品、環境等的變化。
所以很多時候也需要看以前的資料。
如果以前的資料沒有了,那就就再也找不回來了。
種一棵樹最好的時間點是十年前,第二好的就是現在了。
所以把目標放長遠點,三年之後五年之後十年之後,我們需要什麼樣的資料,現在就可以準備好的'。
如果三五十年之後自己還在公司的話,那麼一定會慶幸自己現在做好的鋪墊工作。
如果已經離開公司,那麼一定會有個人默默的謝謝你的。
【9】帶新人和麵試的能力
如果公司處於一個高速發展狀態,那麼這兩項職責的重要性不言而喻。
如何讓新人快速有效的入手,如何高效率高精度的識別優質候選人,一方面可以讓自己的影響力快速增長,另一方面也是公司增長的保障。
如果公司處於一個相對平臺的狀態,那麼多少也還是會有新老交替,帶新人和麵試的能力也是必不可少的。
【10】提供資料支援
團隊裡合作方有時候會需要資料分析師提供幫助,比如說在解決 oncall 的問題的時候,工程師可能會需要資料分析師找一些 pattern;
比如使用者調研採集完資料之後,需要資料分析師做一些處理;
這些也都是日常工作的一部分。
資料分析師的技能要求1、懂業務。從事資料分析工作的前提就會需要懂業務,即熟悉行業知識、公司業務及流程,最好有自己獨到的見解,若脫離行業認知和公司業務背景,分析的結果只會是脫了線的風箏,沒有太大的使用價值。
2、懂管理。一方面是搭建資料分析框架的要求,比如確定分析思路就需要用到營銷、管理等理論知識來指導,如果不熟悉管理理論,就很難搭建資料分析的框架,後續的資料分析也很難進行。另一方面的作用是針對資料分析結論提出有指導意義的分析建議。
3、懂分析。指掌握資料分析基本原理與一些有效的資料分析方法,並能靈活運用到實踐工作中,以便有效的開展資料分析。基本的分析方法有:對比分析法、分組分析法、交叉分析法、結構分析法、漏斗圖分析法、綜合評價分析法、因素分析法、矩陣關聯分析法等。高階的分析方法有:相關分析法、迴歸分析法、聚類分析法、判別分析法、主成分分析法、因子分析法、對應分析法、時間序列等。
4、懂工具。指掌握資料分析相關的常用工具。資料分析方法是理論,而資料分析工具就是實現資料分析方法理論的工具,面對越來越龐大的資料,我們不能依靠計算器進行分析,必須依靠強大的資料分析工具幫我們完成資料分析工作。
5、懂設計。懂設計是指運用圖表有效表達資料分析師的分析觀點,使分析結果一目瞭然。圖表的設計是門大學問,如圖形的選擇、版式的設計、顏色的搭配等等,都需要掌握一定的設計原則。