在互聯網時代，數據是重要的資源，随着數據的持續增長和大數據技術的成熟，數據分析變得越來越重要，要看清楚瞬息萬變的網絡世界，要知道表象背後的真相，非靠數據分析不可，不管是大數據分析還是傳統數據分析，其本質是一樣的。數據分析是為了通過對數據現象的查看來完成對産品，營銷策略，運營策略的優化。達到最低成本，最優效果。因此，數據分析師對應的要求也越來越高。那麼，作為一名優秀的數據分析師，需要有哪些基本能力，才能完成數據分析目标，保證結果的正确性？

商業數據分析的根本目的就是要洞察數據背後的規律，基于此，企業可以制訂決策、并采取相應措施和行動，進而達成想要的結果。這是商業數據分析的最大價值所在。

1. 對業務的理解能力

數據分析之前，首先要進行的是業務梳理。隻有在實踐領域從事過數據分析工作，就會明白所有分析的重中之重都是業務知識本身。而業務知識的學習和掌握，需要的積累之深，培養一個業務專家，需要的周期之長，都遠遠超過後面所說的那些基本技能，成為業務專家實屬不易，數據分析師其實是之于業務專家之上的更深層次的思考和總結，否則，誰指導誰都是個問題。業務學習的方式很多，比如将以前的分析報告和取數案例都拿過來研究一下，不懂就問，總是一個漸進的過程，但需要時間和行業的沉澱。數據分析師最需要不斷提升的能力就是行業和業務知識，沒有之一。

提升業務理解能力有幾個方法

1. 多使用産品本身，隻有不斷的嘗試産品，體驗和了解各種産品，才能在分析時有直觀的思考和總結；
2. 與 産品相關的業務和技術同學溝通，尤其在進行數據理解和運營理解的時候，需要知道數據元素的含義以及當前運營的方式和形成這種運營方式的原因;
3. 多思考産品的内在邏輯，多問幾個為什麼，這樣才不至于做分析方案的時候，遺漏其它的業務流程，或者進行錯誤的數據模型設計。

2.有耐心，善于溝通

數據處理和邏輯梳理需要足夠的耐心，尤其是在各種數據格式不統一，數據表存放混亂，以及業務流程／邏輯異常複雜的情況下，作為數據分析師，一定要有足夠的耐心，沉下來進行全面的數據流程确認，畫出對應的流程圖，理清分析重點。

同時，數據分析貫穿BIT、數據、技術、業務整個鍊條，數據分析師将BIT最終轉化成決策者理解的語言，跨越的流程很長，你需要面對不同的崗位，碰到不同的角色，采用不同的語言，表達你的要求和獲得你需要的東西，成為數據和業務的橋梁，沒有足夠的溝通能力很難。所以，需要具備一定的溝通能力。在溝通之前，需要清楚的知道本次溝通的目的是什麼，以及如何通過對方來達成自己有效數據分析的目标。與技術溝通，是理解參數含義，與運營溝通，是理解分析目标，與産品溝通，則是強調産品邏輯以及背後的思考。同時，如果你容易聽取他人的意見，特别是智者的意見，則可以幫你找到另一條出路，你犯錯的概率就會降低，相應的，你的分析就更有力量和說服力。

3. 數據分析的技術

數據分析有很多技術可以支持，包括SQL，Excle，SPSS，Matlab、Python等等，這些都是通過編程完成基本的數據分析語言編寫，然後進行執行得出結果。

因此，數據分析師必須掌握并精通一兩種數據分析編程技巧。包括從數據倉庫中獲取數據，對數據進行清洗，簡化，或者補全，處理數據，計算數據，最後進行可視化的表達。這樣才能完成數據分析的目标。這種技術對産品和運營人員也非常重要，隻有學會處理數據，分析數據，才能在每個決策上面有據可依。

但在公司的數據分析中，你在看案例時，往往接觸到的數據或使用的數據是局部的，因此，你的視野會受局限，在大多數公司裡，很多數據分析師其實缺乏全局的數據視野，因為他不知道到底有多少數據，因此，永遠隻能在已知的數據裡轉圈圈，

當然，大多數數據分析師可能不需要進行系統數據學習，在實踐中慢慢熟悉就好了，但自頂向下的數據學習方式可以讓你有一個更好的基礎和更全局的數據視野。

4.獨立思考的能力

數據分析并不僅僅是為了完成一些業務上面的數據需求和論證。數據分析者應該在理解業務的基礎上，擴大自己的思考範圍，提升洞察力。

成為一個優秀的數據分析師，需要在不同的業務中進行磨練，同時需要足夠的耐心和深入業務的思考進行決策支撐。一種客觀，理性，同時又科學的數據分析心态是非常重要的，對于公司和産品的發展也是必需。

數據總是在那裡，它不會說話，你不僅要基于業務能力理解它，還要學會推演和分析，從中發現規律，迅速定位某個商業問題的關鍵屬性和決定因素，形成自己獨創性的見解，所謂心思缜密，滴水不漏，沒有思考邏輯沒有數據分析。而要形成獨特的見解，則來自于個人不斷的學習和思考，這裡的學習更多的強調是跨領域和專業，思考則是更多的強調養成思考的習慣。思考本身就是一種實踐，它可以将你的知識更加系統化和深入化，數據分析在一定程度上是用來驗證思路和啟發靈感的，“數據分析”從來不是“數據分析”本身，而是以“數據分析”為手段和表象，對業務的深刻理解、思考和判斷。

• 描述性分析（Descriptive Analysis）
• 診斷性分析（Diagnostic Analysis）
• 預測性分析（Predictive Analysis）
• 處方性分析（Prescriptive Analysis）

描述性分析——發生了什麼？

如題目名字一樣，該層次主要是對已經發生的事實用數據做出準确的描述。比如某企業本月訂單簽約額比上月增加2000萬，至5500萬，但是訂單履約率從上月的98%下降到了95%，庫存周轉率從上月的0.8下降到了0.7。那麼，這就是發生了什麼？就需要去描述性分析。

診斷性分析——為什麼會發生？

知道發生了什麼，對我們的幫助不大，更重要的是，我們要明白為什麼發生。比如經過分析，發現在描述性分析中提到的訂單履約率下降的原因是成品生産不出來，無法完成交付。而成品生産不出來的原因則是部分原材料的供應商未能按時送貨，導緻原材料不齊套，無法開始生産。那麼，這就是診斷性分析。

預測性分析——可能會發生什麼？

基于上述兩個層次的分析，我們發現了其中的規律，即原材料供應商的未能及時送貨會影響成品訂單的履約率。假如上月某原材料供應商A送貨及時率隻有70%，通過建模，我們可以預測本月該供應商會使我們的訂單履約率下降2%。那麼，這就是預測性分析。

處方性分析——我們該做些什麼？

有了預測性分析的結果後，我們無需再做事後諸葛亮，而可以運籌帷幄，在事前就采取措施。上述中，供應商A會導緻本月我們的訂單履約率下降，我們可能采取的措施就是把A換掉，但是現在有B和C兩個供應商供我們選擇，該選擇哪個呢？通過分析和計算得出：選用供應商B會比選C的訂單履約率高1%，因此建議選擇供應商B。這就是處方性分析。

四個層次層層遞進，經過這四個層次的分析以後，可以對企業的決策和行動提供有力支撐。

分享 IT 技術和行業經驗，請關注-技術學派。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!