编辑:很多同学都在问:“我看了太多从0到1的数据分析文章。怎样才能从1到10，从普通到优秀？”本文作者系统阐述了六个步骤，帮助你成为一名优秀的数据分析师！
很多同学都在问，“我看了太多从0到1的数据分析的文章。怎样才能从1到10，从普通到优秀？”“今天系统回答一下。”“优秀”是一个形容词。只有参考清楚了，才能知道什么是“普通”，什么是“优秀”。今天，我们先从“平凡”说起。如果你想达到“优秀”，你需要经历六个步骤。
一、搞数据数据分析最怕什么？不知道吗？没有模特？没有图表？
都不是！
最怕数据分析:没有数据！无论什么样的分析或数据，永远是第一位的工作。获取尽可能多的数据是首要要求。否则，什么都不会讨论。
但与几个仓库的开发不同，数据分析关注的数据是面向业务的。数据分析师一定要梳理清楚服务的产品、运营、销售、营销、售后等部门到底有什么数据，需要什么数据。
具体包括两部分:指标/维度。如何衡量是否清晰？你可以问问自己以下九个问题是否清楚。
我服务的部门是……该部门属于利润中心/成本中心该部门的KPI指标是……该部门的主要流程是……该部门流程中，已采集数据是……该部门现有过程指标是……该部门组织架构是……该部门服务对象分类是……该部门常用分类维度是……其中包括:
1、2、3是用来明确主要KPI指标的，这是数据分析的源头和关键4、5、6是用来搭建过程指标体系的，解释KPI指标如何达成7、8、9是用来筛选关键分类维度的，当KPI指标波动，从这些维度做拆解许多学生习惯于依靠现有的宽表。他们向上不知道业务流程和业务目标，向下不知道数据来源和数据采集。他们每天都忙着按需求数，连流水号是什么意思都不知道。这限制了我自身的发展空，无法进一步提升自己的能力。
要达到第一个层次，至少你能了解你的运行数据，知道每一个数据用在哪个部门，哪个岗位。接下来最重要的是...？
有的同学可能会不假思索的说:建模！还没到这一步。下一个关键步骤是设定基线。了解你阅读的数据，以及常规形式是什么样的。知道什么是正常，什么是不正常。
这一步很重要！因为数据本身没有意义，数据+标准才有意义。而且不是所有指标，业务方都会给出标准。很有可能，只有销售数据对每一天都有具体的考核标准，其他数据都得靠经验、常识和分析(如下图所示)。
很多同学不会解读数据，做的分析不被业务认可，都是因为没有跨过这一步。最常见的就是看到指标下跌，盲目打一堆叉，然后业务方轻描淡写的说“这是正常波动”。
然而，第二天还是有同样的波动，但业务方却急了:“没看到这么大的波动吗！”......被折腾几次，就会失去信心，怀疑人生。所以，要想进步，不能被业务端牵着鼻子走，要有设定基准线的能力。
三、拆因素跨过第二阶段后，数据分析师对常见的业务趋势有了很好的理解。而且，如果你有判断能力，你就能识别出异常状态。不是所有的异常都是不可控的，但相当一部分异常是由可观察的因素引起的，比如宏观环境，比如营销行动和促销计划。在这一点上，我们应该能够先了解这些清晰可辨的“白犀牛”，再来谈论其他的“黑天鹅”。
看到这里，肯定会有同学说:“老师，这简单，我害虫，SWOT，4P不堪，加油！”然而，鹅是没有用的。你看了那么多PEST文章，有没有一篇教你如何量化P、E、S、T四个指标？？？
所以这一步被称为“分解因素”，即将这些影响业务的因素分解到可以量化、可以用一个或几个数据指标表示、可以结合内部数据进行分析的程度。拆卸系数可能有几种数据形式，例如:
1、0、1形态：有XX因素、没有XX因素2、分类形态：同一事件，ABC三种状态3、连续形态：能用一个连续型指标，代表该因素具体怎么拆，需要大量的分析工作作为基础，最后能沉淀下来的才是最有价值的经验。
跨过第三阶段后，数据分析师就可以判断出明显的、显著的影响因素。如果想进一步提高，就得深入细节，了解活动是怎么做的，产品是怎么设计的，用户想要什么。这些都触及到了业务的核心，短时间内很难发现，需要长时间的积累。
要做到这一点，有两个关键任务要做。
1. 打标签越是触及业务核心，连续指标能描述的情况越少，越需要贴标签。相似的用户情感、喜好、产品功能点、营销逻辑都是通过标签来描述和量化的。精准的标签化，业务的量化，清晰的分类，是高级数据分析师的技能。我的意思不是仅仅拖出数据库中现有的维度表。
2. 做实验有的同学可能会说:ABtest，我现在经常做，为什么感觉不到进步？请注意，当前的许多ABtest是产品驱动的，而不是数据驱动的。天知道产品经理从哪弄来两个版本，扔过来测试，然后让数据分析师解释区别。这很本末倒置，只会把人困在琐碎的数据里。
一个正式的实验是:
有清晰的改进目标有清晰的改进逻辑有关键改善过程指标有环境控制变量有组间差异预判
搬家前做好计划。只有这样，在解读实验数据时，才能排除各种杂七杂八的因素，得出正确的结论。当然，要做到这一点，需要商家的配合和参与。如果业务真的喜欢自说自话，那就要看数据分析师的个人能力了，至少要促进消除一些明显混乱的因素。
五、理逻辑第四步之后，数据分析师本人就可以实现描述问题-发现问题-解释问题-测试效果的闭环。从数据上看，已经是一个完整的能力闭环了。
但是，只有数据能力闭环是不够的，因为在企业中，相当一部分问题来自业务而不是技术。更何况是来自业务方的屁股决定脑袋，急功近利的业务方，事前拍脑袋事后拍大腿的业务方。
因此，如果你想让数据更好地显示其价值，你必须能够处理现实问题。在纷繁的事物中，理清问题的逻辑，找到正确的答案，或者至少给自己找到出路(如下图)。
此时的“逻辑逻辑”着重于将口头语言表达的、不可量化的业务逻辑转化为可以用数据验证的逻辑，并选择合适的数据方法得出结论。除了数据能力，数据分析师还需要商业洞察力和一些职场沟通技巧来完成任务。
六、组模型有了以上五个阶段的积累，你就可以在一个行业里很好的相处。你不仅可以提供基础的数据服务，还可以帮助业务做出成绩，以客观中立的态度赢得老板的信任。此时，您可以进一步完善您自己的一些模型:
如果你能用几个关键指标概括这个行业的问题，你就可以做出一个商业模式。
如果某个业务场景可以用特征+算法得到非常精准的预测结果，就会固定到行业的算法模型中。做完了记得用四个英文字母做名字来表示成绩。
做到这一步，不仅是为了沉淀经验，提高武力，也是为了传递知识，扩大服务范围。很难保证证人一辈子不改线。掌握了优秀分析技巧的都是一行的专家。知识的传递依赖于模型的总结和经验的积累，两者缺一不可。
七、小结纵观整个成长阶梯，核心是:数据分析师要能解决复杂的企业问题，从而培养自己的能力，这是我们安身立命的法宝。
很多在校和刚毕业的学生，还是习惯于埋头读书，总觉得越难的知识越牛逼。一本统计书有19章，然后第19章肯定比第18章牛逼...这种简单的知识点叠加，可以无休止的滚下去，但是对提高自己的实践能力帮助不大，不推荐。我真的对做这个很感兴趣。我推荐纯科研。
特别是数据分析本身就是一项面对不确定性，用数据方法解决企业经营不确定性的工作。收集数据，服务好管理层，促进经营业绩，至少有一个公司数据部总监的职位在召唤，合理但不是白来的。和大家一起鼓励！
作者:接地气的陈老师；来源:微信官方账号:地气学校
本文由@接地气的陈老师原创发表于蜘蛛智慧链。未经许可，禁止转载。
图片来自Unsplash，基于CC0协议。
