很多同学都在问：”数据分析从0到1的文章看多了，咋样才能从1到10，从普通到优秀呀！”今天系统地解答一下。“优秀”是一个形容词，只有清晰了参照物，才能知道到底什么是“普通”，什么是“优秀”。今天就从“普通”讲起，想通往“优秀”，需要迈过6个阶梯。

第一阶：搞数据

数据分析最怕啥？

没思路？

没模型？

没图表？

都不是！

数据分析最怕：没数据！无论是做啥分析，搞数据，始终是第一位的工作。尽可能多地搞数据，是第一位要求。不然一切免谈。

只不过，同数仓开发不同，数据分析关注的数据，是面向业务主题的。数据服务的产品、运营、销售、营销、售后部门，到底有什么数据，需要什么数据，是数据分析师必须梳理清楚的。

具体来说，包括：指标/维度两部分。如何衡量是否清晰？可以问自己，以下问题是否清楚。
1、我服务的部门是……

2、该部门属于利润中心/成本中心

3、该部门的KPI指标是……

4、该部门的主要流程是……

5、该部门流程中，已采集数据是……

6、该部门现有过程指标是……

7、该部门组织架构是……

8、该部门服务对象分类是……

9、该部门常用分类维度是……

其中：

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

很多同学习惯于在现有宽表上跑数，向上不清楚业务流程、业务目标，向下不清楚数据来源、数据采集，每天忙着按需求单跑数，连跑的数是啥意思都不懂。这样就限制死了自己的发展空间，无法进一步提升能力了。

第二阶：定基线

做到第一阶，至少能看懂自己跑的数据了，知道每个数据是用在哪个部门，哪项工作。下一步最关键的是……？

有的同学可能不假思索地说：建模！还没到这一步哈。下一步关键的是：定基线。知道自己看的数据，常规形态是啥样的。知道什么算正常，什么算不正常。

这一步非常重要！因为数据本身没有含义，数据+标准才有含义。而并非所有指标，业务方都会给出标准的。很可能，只有销售数据才有具体到每天的考核标准，其他数据得凭经验、凭常识、凭分析定出基线（如下图）。

很多同学无法解读数据，做的分析不被业务认可，都是因为没有跨过这一台阶。最常见的，看到指标跌了，盲目做了一堆交叉，然后业务方轻飘飘地：“这是正常波动”。

然而第二天又有同样幅度波动，业务方却急着烟熏火燎：“这么大波动你都看不到吗！”……被这么折腾几次，就会信心全无，怀疑人生。所以想进步，就不能被业务方牵着鼻子走，得自己有定基线能力。

第三阶：拆因素

跨过第二阶后，数据分析师已经对业务常见走势，有充足的了解。并且，自己有能力做判断，就能识别出异常状态。并非所有的异常都不可控，有相当多的异常是可观测因素导致的，比如宏观环境，比如营销动作、推广计划。此时，要先有能力先把这些明显可识别的“白犀牛”整明白，再来谈其他“黑天鹅”问题。

看到这里，肯定有同学会说：“老师，这个简单，我的PEST，SWOT，4P已经按捺不住了，来吧！”然鹅，没卵用。你看那么多PEST的文章，有一篇教过你怎么量化P、E、S、T四个指标不???

所以这一台阶，叫“拆因素”，即把这些影响业务的因素，拆解到可以量化的，能用一个或几个数据指标表现，并能与内部数据结合分析的程度。拆因素可能有若干数据形态，比如：
1、0、1形态：有XX因素、没有XX因素

2、分类形态：同一事件，A\B\C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，是需要大量分析工作做基础的，最后能沉淀下来的，就是最有价值的经验。

第四阶：测细节

跨过第三阶段后，数据分析师能对明显的，重大的影响因素做出判断。想要进一步提升，就得深入到细节中，了解活动到底怎么做的，产品到底怎么设计的，用户到底需求什么。这些已经触及业务的核心，因此很难短时间内搞清楚，需要长期积累。

想做这一步，有2个关键工作要做。

其一：打标签。

越是触及业务核心，连续型指标能描述的情况就越少，越需要打标签。类似用户情绪、喜好、产品功能点、营销逻辑，都是靠标签来描述和量化的。准确地打标签，将业务量化，做出清晰的分类，是高级数据分析师的技能。不是说把数据库里的，现有的维度表拖出来就完事。

其二：做实验。

可能有同学会说：ABtest我现在也经常干，为啥感觉不到进步呢。注意，现在的ABtest，很多是产品驱动的，不是数据驱动的。鬼知道产品经理从哪里搞了2个版本，扔过来就测，然后让数据分析师解释差异。这是非常本末倒置的，只会让人陷在琐碎的数据里。
一个正式的实验，是：

1、有清晰的改进目标

2、有清晰的改进逻辑

3、有关键改善过程指标

4、有环境控制变量

5、有组间差异预判

谋定而后动。这样才能在解读实验数据的时候剔除各种杂糅因素，得到正确结论。当然，想做到这一步，需要业务的配合和参与。如果业务真的很喜欢自说自话，就靠数据分析师个人能力，至少推动剔除一些明显容易杂糅的因素。

第五阶：理逻辑

迈过第四个台阶，数据分析师本人已经可以实现：描述问题-发现问题-解释问题-检验效果的闭环了。单纯站在数据角度，已经是个完整的能力闭环。

但仅有数据能力闭环是不够的，因为在企业里，相当多的问题不是来自技术，而是来自业务。更有甚者，是来自业务方的屁股决定脑袋，来自业务方急功近利、大干快上，来自业务方事前拍脑袋，事后拍大腿。

因此想要让数据更好地展现价值，就得有能力应对现实问题。在千头万绪中，梳理清楚问题逻辑，找到正确的答案，或者至少给自己找到脱身的办法(如下图)。

这时候“理逻辑”，重点是把口语表达的，不可量化的业务逻辑，转化成数据可验证的逻辑，并且选择合适的数据方法得出结论。除了数据能力，还需要数据分析师有业务洞察，有一些职场沟通技巧，才能完成任务。

第六阶：组模型

有了以上五个阶段的积累以后，你已经能完全在一个行业里混得如鱼得水了，不但能做好基础数据服务，也能协助业务做出业绩，更能以客观中立的态度赢得老板的信任。

此时，可以更进一步，提炼一些属于自己的模型出来：

如果用少数关键指标就能概括这个行业的问题，可以捏个业务模型

如果某个业务场景，用特征+算法能得到很准确的预测结果，就固定成该行业算法模型。

搞完了，记得也取四个英文字母做名字以体现档次。

做这一步，不仅是为了沉淀经验，提升逼格，更是为了迁移知识，扩展使用范围服务的。很难保证人一辈子都不换行，掌握了优秀分析能力的人，干一行就是一行专家。而迁移知识，靠的是模型的总结与经验积累，两者缺一不可。

小结

纵观整个成长阶梯，核心就是：数据分析师要能剥丝抽茧的解决复杂企业问题，这样培养能力，才是我们自己安身立命的法宝。

很多在校的，刚毕业的同学们，还习惯于沉浸在书本中，总觉得越难的知识越牛逼，一本统计学有19章，那第19章肯定比18章牛逼……这样单纯堆叠知识点，可以无穷无尽卷下去，但是对于提升实际能力帮助甚小，非常不推荐哈。真有兴趣搞这些，推荐去纯科研。

特别是，数据分析本身就是一个面向不确定性，用数据方法解决企业经营不确定性的工种。把数据采集上来，服务好管理层，推动业务实现业绩，至少就有一个公司数据部门总监位置在召唤，合理而不为呢。与大家共勉！

- END -

对比Excel系列图书累积销量达15w册，让你轻松掌握数据分析技能，可以在全网搜索书名进行了解：