数据分析师每天做什么?

1. 数据分析师每天做什么?

数据分析是干什么的？
在企业里收集数据、计算数据、提供数据给其他部门使用的。
数据分析有什么用?
从工作流程的角度看，至少有5类分析经常做：
工作开始前策划型分析：要分析一下哪些事情值得的做
工作开始前预测型分析：预测一下目前走势，预计效果
工作中的监控型分析：监控指标走势，发现问题
工作中的原因型分析：分析问题原因，找到对策
工作后的复盘型分析：积累经验，总结教训

请点击输入图片描述
那数据分析是什么的？
数据分析大体上分3步：1：获取数据。通过埋点获取用户行为数据，通过数据同步，打通内部各系统数据。以及做数仓建设，存储数据。2：计算数据。根据分析要求，提取所需要的数据，计算数据，做表。3：解释数据。解读数据含义，推导出一些对业务有用的结论。
那么数据分析师主要做以上三点的工作吗？
并不全是，这个在不同企业，情况不一样。如果公司规模大的话，获取数据经常是数据开发组完成的，他们的职位一般是“数据开发工程师”或者“大数据工程师”。解释数据则是运营自己写ppt做解读，留给“数据分析师”的，其实就是中间的计算数据的一步。
有些公司（一般是做电商的），数据是直接从淘宝、天猫、亚马逊等平台导出的，然后基于这些数据做分析。有些公司（一般是传统企业），数据是直接用的大型的BI产品，然后所有人基于BI产品导出数据分析有些公司规模很小，就直接一个小组从数据埋点到数仓到提数全干了。

请点击输入图片描述
数据分析有：分类分析，矩阵分析，漏斗分析，相关分析，逻辑树分析，趋势分析，行为轨迹分析，等等。 我用HR的工作来举例，说明上面这些分析要怎么做，才能得出洞见。
01） 分类分析比如分成不同部门、不同岗位层级、不同年龄段，来分析人才流失率。比如发现某个部门流失率特别高，那么就可以去分析。
02） 矩阵分析比如公司有价值观和能力的考核，那么可以把考核结果做出矩阵图，能力强价值匹配的员工、能力强价值不匹配的员工、能力弱价值匹配的员工、能力弱价值不匹配的员工各占多少比例，从而发现公司的人才健康度。
03） 漏斗分析比如记录招聘数据，投递简历、通过初筛、通过一面、通过二面、通过终面、接下Offer、成功入职、通过试用期，这就是一个完整的招聘漏斗，从数据中，可以看到哪个环节还可以优化。
04） 相关分析比如公司各个分店的人才流失率差异较大，那么可以把各个分店的员工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、员工年龄、管理人员年龄等）要素进行相关性分析，找到最能够挽留员工的关键因素。
05） 逻辑树分析比如近期发现员工的满意度有所降低，那么就进行拆解，满意度跟薪酬、福利、职业发展、工作氛围有关，然后薪酬分为基本薪资和奖金，这样层层拆解，找出满意度各个影响因素里面的变化因素，从而得出洞见。
06） 趋势分析比如人才流失率过去12个月的变化趋势。
07）行为轨迹分析比如跟踪一个销售人员的行为轨迹，从入职、到开始产生业绩、到业绩快速增长、到疲惫期、到逐渐稳定。

请点击输入图片描述

2. 数据分析师每天做什么

数据分析基本上有两个方向，第一，技术方向，第二，业务方向。
对于大厂而言，职能的划分会非常详细，干技术方向不需要了解太多的业务，相反也是一样的。但是对于小公司，数据分析师需要的技能更加多样，数据分析技能，沟通技能，对业务的了解，presentation等等不一而足。
一. 数据分析岗位介绍
1.1技术方向
走技术方向需要获得的技能大约分为三个方面，数据获取，数据处理，以及数据可视化。三个方面分别对应三个工具，即sql语言，python和excel，以及tableau。
对机器学习和大数据的的了解和实践会是很好的加分项。比如我现在在干的活要用到大数据的hadoop和impala，但查询取数依然是基于sql语言的。
走技术方向对业务的熟悉程度不需要太深，就像之前说的，大型企业会将技术方向和业务方向分得很细，业务方向的分析师是技术方向的分析师和业务部门的桥梁，而不是业务部门直接与技术沟通，这也是我所在的公司的真实情况。个人觉得虽然增加了一些沟通成本，但是员工确实可以更加专心于自己的工作。
1.2 业务方向
走业务方向的话，对技术的运用不需要特别熟练，我与业务方向的数据分析师聊过，在工作的空闲再深入学习sql语言或者可视化之类的技术都是可以的，但在投递简历之前，至少需要有一定的基础技能和基本了解，知道柱形图和折线图有什么样的特点这种基本概念。
业务方向的数据分析师需要与业务部门进行更深入的沟通，因此要求对业务有一定的了解，这样才能更好地结合数据和业务，提出有用的结论和建议，因此，最好是能够在你的本领域内转行。
除此之外，还需要了解数据分析师，数据工程师，和数据科学家的区别。
你可不想本来想转数据分析师，却学了数据工程师的技能。
简单来说，数据分析师主要工作是做取数，清洗和可视化，业务方向则更多专注于数据与业务的结合，可能还需要跟进运营，分析运营结果。
数据工程师，则专注于从每天的公司或用户行为中获取数据，主要做数据获取，数据库的搭建，维护和优化。
数据科学家，则专注于机器学习的算法，因此需要数学好。
二、硬技能学习
2.1 sql语言
sql语言主要用于从数据库中获取数据，公司一般不会让你用爬虫从网络爬取所需要的数据，因此爬虫并不是一个必要技能。
sql语言一定要做到熟练使用，而这个语言的重中之重就是数据查询语言（DQL），从最基础的select，到大数据常用的分区概念对应的partition。
在面试中，面试官通常会给你几张表，让你现场写下取数逻辑，因此写的又快又对，写完了反手就把逻辑给面试官看，战术后仰，岂不帅哉。
其他的sql语言包括数据定义语言（DDL），数据操作语言（DML）和数据控制语言（DCL）和数据分析师的关系不大，做到了解和简单使用就好。
sql语言一定要多练，这样才能做到面试时不慌，子查询和各种表连接一般在面试的时候都会面到。
2.2 excel
excel的学习不难，主要学习各类函数，从最基础的聚合函数sum到表查询函数vlookup都要学习。以及各类图怎么做，怎么用数据透视表等等。
这里说excel学习不难，并不是指excel比python低级，excel要做的好其实非常困难，但不管怎么说，目前公司都在要求比较新的python技术，excel做的再好，不符合职位要求也白搭。
从工作的角度来谈，通过excel对少量的数据做简单处理确实更加方便一些，也经常用excel先做简单的格式转换，排序和可视化。但复杂处理或者大量数据就不是excel力所能及的了。
2.3 python
python是数据分析的大头，当然选择学习r也可以，可是一定不要同时学，用熟一个比用会无数个要重要的多。
对python有一些了解的人应该都听说过numpy,pandas和matplotlib，这三个包是数据分析必会的包，先用熟这三个，之后更进一步可以学习os，seaborn，sklearn等。
2.4 tableau
tableau的基本使用在b站是可以学习到的，但是计算字段和其中的函数的使用仍然需要一定量的练习，并且需要一定的编程基础。
工作中用的最多的图就是柱状图，直方图，条形图，交叉表这几个，偶然见到热力图，桑椹图，甚至散点图和饼图出现都很少。当然这可能与业务需求有关，具体问题具体分析。
如果你会做那些复杂的图自然更好，说明你对tableau的理解较深，侧面表现了你的能力比别人强。
欢迎关注我们的公众号：聚数云海。免费获取数据分析师大厂真题和更多数据分析相关资讯。

3. 数据分析师日常工作是什么？

(1)写SQL 脚本：俗称“跑数据”。leader要一组 季度数据/月数据/周数据 ，写一段或者N段SQL把数据跑出来。一般是临时性需求，不过当发现默默地演变成一个常规性需求时，最好直接封装SP（存储过程）了……每次跑一下方便省事。这项工作内容需要的技能点有：数据库，SQL
(2)数据分析项目前中期：这个是耗时很长很麻烦的部分。前期是基础数据的处理清洗，基础汇总聚合，然后设计监测指标，指标的设计不仅仅是数学分析，更多需要跑业务需求方那边了解，毕竟最终目的是要让别人用，提升效率，不是为了凸显模型高大上。所有需要的数据都有了之后，开始建立业务模型(数学模型)，整个建模的过程也是反复探索数据的过程，在一定数据量的情况下，初期的建模应用起来一定会这种问题那种问题balabala烦死人……以后边应用边调整优化。技能点：数据库，SQL，excel，R语言，数理统计，数据挖掘，业务知识。
(3)兼职产品经理：业务模型完了后，就有了指标结果。把数据落地到数据库中。然后接下来需要找开发帮你做可视化站点。作为数据分析师我是最了解这个项目 逻辑流程、核心算法、业务应用的。找开发帮你做可视化站点：曲线图啊 柱状图啊 饼图啊 balabala 让别人一眼就能看到指标的整体状况。技能点：逻辑思维，流程规划，数据可视化，一定的开发知识（方便和开发沟通），表达能力力和表情。
(4)模型和指标正式应用起来自后：收集业务部的反馈，不停的跟他们沟通邮件，不停地优化模型，数据表。以及给业务部一些特定需求的分析评估报告（临时性需求）。技能点：逻辑思维，表达能力
(5)个人学习：有时候会遇到等待别人工作进度的情况，比如别人的上一批数据没出来，你完全没法工作。那就上网或者看书 学习知识。数理统计和数据挖掘博大精深，如何能应用得好，产生最高性价比更是一门学问啦。多了解些总是没坏处的。
(6)大数据部分：涉及到”大数据“已经不是我个人工作内容部分了，而是整组的工作内容。具体需要有专门比较懂hadoop和spark的人负责在上面跑数据，写最终实现代码。我们组里的分工大概就是：数据分析师，数据工程师，（半个产品经理），有人身兼三种，有人只爱专精。技能点：无特定加点法则，团队加点。

4. 数据分析师的日常工作内容是什么？

数据分析是指用统计分析方法对收集的数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结并指导实际工作和生活。
（1）获取数据
获取相关的数据，是数据分析的前提。
（2）数据处理
获取数据，把数据处理成自己想要的东西。
（3）形成报告
把数据分析的结果可视化，展现出来。

5. 数据分析师主要工作做什么?

什么是数据分析师证书?

6. 数据分析师日常的工作主要是什么？

现在把数据分析师包装的太高大上了，左手Python，右手R，感觉都快无所不能了。其实现状并不是这样。平时工作主要包括：

1）跑数据，也就是利用SQL代码从数据库中调取相关的数据，然后在利用调取过来的数据进行相关的数据分析。

2）支持销售部门分析需求。这个过程基本是伴随着销售部门的需求来的，一般持续时间比较长。我们需要先将销售部门的数据需求进行问题定义，然后进行相关的问题拆解，确定数据源，搜集数据源，数据清洗，数据分析，最终生成可视化的数据分析报告。在这个过程中，最为苦逼的就是需求有时候会变，导致你做的工作可能面临废掉的可能。

3）行业数据分析报告，对于这块，其实偏向于研究性质。我们经常会利用外部数据以及公司内部数据，从行业趋势、人群洞察等方面入手，对该行业进行细致分析。这块最大的困扰是在于数据质量有时很差，不得不苦苦找数据，换思考维度，改逻辑框架。有时候仅仅数据清洗就需要几天，下来都会头昏眼花的。所以，千万不要觉得数据分析师是一个很高大上的职业，谁做谁知道。

当然，不同性质公司要求数据分析师的职责不同，但是万变不离其宗，基本都是跑数据，作报告，建模型等等。

7. 数据分析师的日常工作内容是什么?

1、获取数据
获取相关的数据，是数据分析的前提。
2、数据处理
获取数据，把数据处理成自己想要的东西。
3、形成报告
把数据分析的结果可视化，展现出来。

8. 数据分析师主要工作做什么

1、数据采集
数据采集的意义在于真正了解数据的原始相貌，包含数据发生的时间、条件、格局、内容、长度、约束条件等。这会帮助大数据分析师更有针对性的控制数据生产和采集过程，避免因为违反数据采集规矩导致的数据问题;一起，对数据采集逻辑的知道增加了数据分析师对数据的了解程度，尤其是数据中的反常变化。
2、数据存取
数据存取分为存储和提取两个部分。数据存储，大数据分析师需求了解数据存储内部的作业机制和流程，最核心在于，知道原始数据基础上需求经过哪些加工处理，最终得到了怎样的数据。
3、数据提取
大数据分析师首先需求具有数据提取才能。第一层是从单张数据库中按条件提取数据的才能;第二层是把握跨库表提取数据的才能;第三层是优化SQL句子，经过优化嵌套、挑选的逻辑层次和遍历次数等，减少个人时间糟蹋和系统资源消耗。
4、数据发掘
在这个阶段，大数据分析师要把握，一是数据发掘、统计学、数学基本原理和知识;二是熟练运用一门数据发掘东西，Python或R都是可选项;三是需求了解常用的数据发掘算法以及每种算法的使用场景和优劣差异点。
5、数据分析
数据分析相关于数据发掘而言，更多的是偏向业务使用和解读，当数据发掘算法得出结论后，怎么解说算法在结果、可信度、明显程度等方面关于业务的实践意义。
6、数据可视化
这部分，大数据分析师除遵循各公司统一标准原则外，具体形式还要根据实践需求和场景而定。数据可视化永久辅助于数据内容，有价值的数据报告才是关键。