数据分析该如何改变提数工程师的命运？

最近，我收到了很多数据分析朋友的投诉和抱怨：Title是数据分析。结果，我每天都在做提数工作。没有技术内容分析结论。我向老板报告操作和产品。我什么都没做。其他人的数据分析是各种算法和模型。为什么我在大公司和小公司都经常遇到这些情况？如果你经常处于类似的工作状态，一段时间后，你将失去两个核心竞争力：技术深度和业务深度。本文讨论了三个内容：为什么数据分析成为提数工程师数据分析如何改变提数工程师的命运，充分发挥数据分析的作用，讨论其他职位的类似情况。1.为什么要成为一名提数工程师？本文讨论了三个内容：为什么数据分析成为提数工程师数据分析如何改变提数工程师的命运，充分发挥数据分析的作用，讨论其他职位的类似情况。1.为什么要成为一名提数工程师？为什么数据分析会成为一名提数工程师？让我们来看看数据分析的一般工作流程：1.提出问题；2.数据采集；3.数据处理；4.数据分析与建模；5.数据结论输出。由于大多数互联网公司的产品和运营相对接近业务，这两个角色更容易发现和提出问题。如果数据分析师的主动性相对较弱，它将成为以下工作分工：[产品或操作]问题提出[数据分析]数据获取[数据分析]数据处理[数据分析]数据分析和建模[产品或操作]数据结论输出，数据分析师不负责这一重要环节。根据上述模型的长时间运行，数据分析基本上已成为帮助产品或操作验证想法的工具。因此，我们可以得到第一个原因：数据分析师没有提出问题的权利，数据分析只能实现产品和操作的想法！因此，我们可以得到第一个原因：问题提出的权利不是数据分析师，数据分析只能实现产品和操作的想法！如果问题不是由数据分析师提出的，而且数据分析师的主动性较差，它就会变成这种情况：产品或操作需求，分析师根据需求实现，不需要思考太多，根据需求做得很好。因此，许多分析问题都很简单，因为产品和操作对数据分析师提供的能力了解不多。我们得到的第二个原因是，产品和操作可能会提出一个相对简单的问题，数据分析机可以在不需要太多技术深度的情况下实施。在上述两个原因的影响下，数据分析将逐渐失去主动性，最终成为提数工具。第二，如何优雅地在数据分析工作前抛出问题和可能的原因，那么如何改进呢？毕竟，没有人愿意只做机械提数工具。一般来说，主观主动性是解决问题最重要的因素。在细分方面，可以从以下几个角度进行改变：积极发现和提出问题，如果产品或操作抛出问题，然后提供更多的分析思路和自己的观点，帮助产品和操作学生打开思路，让对方知道数据分析可以继续跟进分析结论的效果和反馈，不断改进和优化数据分析过程，加入数据分析师可以参与更多的链接，比如栗子太空，我们举一个例子来解释：需求：假设操作学生提出这样的数据分析需求：最近我们的网站DAU减少，请提到数据，看看我们的模块DAU在过去30天。解决方案1：假设我只是想简单地完成这个需求，这很简单，我只需要做这三件事：2。数据获取；3。数据处理；4。数据分析和建模。解决方案1：假设我只是想简单地完成这个需求，这很简单，我只需要做这三件事：2。数据获取；3。数据处理；4。数据分析和建模。在这个场景中，我们可以从数据中获取我们网站数据中每个模块的DAU，并提供给操作，而不需要更复杂的处理。即使有现成的报告，也可以简单地导出一个excel。然后，当操作获得数据时，您可以看到哪个模块的DAU减少，只需查看原因并将其写入报告。解决方案2：当然，我们不希望上述解决方案具有如此低的参与感。那该怎么办呢？首先，我们可以改进我们的分析过程：问题是：通过监控或主观数据敏感性，提前发现相应的数据问题，如DAU下降，可以通过监控平台发现DAU下降来确定分析目标和产品需求：需求只取决于每个模块的DAU趋势，但操作学生更想找出为什么整体DAU下降，找到原因并优化问题。我们需要与操作童鞋进行沟通，并获得相应的点收集假设：操作学生提议查看每个模块的DAU，这只是操作提出的猜测，让我们提出相应的数据来验证猜测。既然我们知道运营童鞋的需求，我们可以在盲目直接获取数据之前提出一些假设，比如浏览器的兼容性是否有问题，用户对我们网站的兴趣是否降低，模块是否有问题，等等。设计指标：有了假设，我们可以根据相应的假设设计一些统计指标或相应的分析方法，如最近访问不同用户肖像的用户、不同浏览器用户和不同模块的访问。设计验证方法和建模：有了假设和指标，我们可以设计相应的方案来验证我们的假设是否正确。此时，我们可以使用相应的统计和机器学习方法。当然，用户肖像也是一个非常重要的环节。确定分析结论和操作策略：最后，根据前一步，我们向操作侧提供相应的分析结论。此时，我们提供的不是一个简单的数据，而是一套完整的数据分析报告。效果验证和改进：我们必须注意数据分析的效果。例如，您的报告提出，DAU减少是由于18-25岁用户大量流失造成的。相应的操作策略是增加年轻化的内容，因此您应该*策略上线前后的数据变化，以及数据是否按照您的错觉方向发展，如果不符合预期，应进行相应的调整。这是一个相对优雅的数据分析过程。除了改进分析过程外，我们还可以提供更多的自助分析工具，如BI工具。让产品和操作更自助地验证自己的想法，从提数中解脱数据分析师的工作。这一块，我之前写过很多用BI工具做分析的方案，所以就不细说了。第三，思考其实除了数据分析师，数据仓库和数据开发的学生也会面临类似的困难。在很多分工不明确的公司，这种提数需求可以落在任何数据学生身上。不同的是，每个角色都有不同的角度来解决这个问题。简单地说：数据分析师：更深入业务需求，帮助产品、运营或老板思考，通过更多的思考帮助需求设计更好的分析数据仓库工程师：数据仓库学生更注重数据模型设计，设计更灵活的数据模型支持多样性分析提取需求数据开发工程师：开发学生，可以更注重工具建设，如OLAP系统建设、自助分析工具建设等。总结这一问题，导致这一现象的两个主要原因：数据分析师没有提出问题的权利，数据分析只能实现产品和运营的想法！总结这个问题，导致这种现象的两个主要原因：问题的权利不是数据分析师，数据分析只能实现产品和操作的想法！产品和操作可能会提出一个相对简单的问题，数据分析机械可以实施，而不需要太多的技术深度。针对这两个原因，我们提出了两种解决方案：改进分析过程，提供更多的自助分析工具