前言
數據分析，也被稱爲營銷分析、經營分析等，就是通過一定的工具、算法，結合業務邏輯將數據背後的真正原因找出來，爲企業的發展方向提供數據支撐。在這個越來越對數據重視的時代，數據分析的價值也在迅速提升。在大部分部門，尤其是前端營銷部門中，數據分析工作的好壞可能會直接影響一線的業績。所以如何做好數據分析，是每一個數據分析師需要思考的問題。筆者在10年的數據分析工作生涯中，經歷了好幾個階段，也有一些思考和總結，供大家參考。
階段一：初入職場的菜鳥分析師
在這個階段中，你只是初入職場的菜鳥，不會特別的技巧也不懂公司的業務，甚至公司IT部開發的前臺系統（比如IDAP、QV、自助報表等）中也有很多功能不甚瞭解。只能根據前人的經驗或者公司的培訓，知道該從哪裏取數。當清單下載下來後，能夠使用的工具也只有Excel，而且只會最簡單的數據處理，稍微複雜一點的vlookup、數據透視表、數據有效性等只能靠百度、培訓等慢慢提升。
階段二：部門同事眼中的表哥/表姐
經過階段一的磕磕絆絆後，你對業務已經有一定的理解，知道數據背後的業務邏輯，能夠在某一個數字變高或者變低時，通過熟練的Excel操作將產生問題的原因找出來。處於這個階段的你，在部門內很多員工的眼中，就是一名錶哥/表姐，數據需求一提出來，你就能熟練地給出一份完善的報表；有什麼Excel的問題，問你比問百度更快獲得答案。另外在數據處理的經驗上，你也已經有了一定的儲備，比如數據字典、數據口徑等，出來一項新的業務口徑你不看都能猜得八九不離十。近一半的數據分析師可能將一直停留在這個階段，因爲大部分部門的數據量並不大（少於100萬），使用Excel加上業務邏輯已經能滿足80%的日常工作需求了。
階段三：開始使用數據庫和自動化
隨着數據量的越來越大，傳統的Excel已經無法滿足你的工作需求，而DBA（數據庫管理員）因爲不懂業務邏輯也常常給不出你想要的數據，所以你只能開始自學SQL知識。所幸的是SQL並不難，對於一名數據分析師並不需要像DBA一樣對各個表格進行維護，只需要根據業務邏輯，在不同的表中找到需要的字段，通過select、join、count、sum等函數進行組合即可。除了數據庫外，也有人可能會想要使用BI工具，比如Power BI、Tableau、Finebi等，使用方法和Excel類似，但是功能強大了不是一點點，本來需要一定開發能力才能完成的自動化報表工作，通過與Excel一樣的鼠標拖曳操作即可輕鬆完成，工作效率上獲得了質的提升。在這個階段的你，可以從繁重的日報、週報中略微透一口氣，思考如何通過數據提升業務發展。
階段四：不是隻有平均數
平均數是數據分析中用的最多的一個計量尺度，但是姚明和郭敬明的梗用了這麼多年，大家也應該理解平均數的問題所在。實際上有很多的計量尺度：中位數、方差、離散程度、偏度、峯度都在不同的場景中可以有很多的運用，而數據分析方法也有方差分析、迴歸分析、相關係數等等，而這一切的知識集中起來就是一門學科：統計學。可以說只有將業務知識、統計學知識和工具使用知識三者合一的人，纔是一名真正合格的數據分析師。
階段五：向數據科學家進階
數據挖掘是數據分析的進階，它還有一個更爲人所知的名字：機器學習，人工智能只是機器學習裏的一個分支。在這個階段，你不僅需要從業務的角度去理解數據，還要通過算法來挖掘數據背後隱藏的關係。機器學習的算法非常非常多，平常人終其一生都可能無法學透。好在開源社區的存在將很多算法都封裝成庫，我們只需要通過程序調用即可享受算法帶來的好處。但是即使如此，建議還是要學習一下算法的原理，只有這樣才能更好地選擇、運用算法。基礎階段，需要了解、學習的機器學習算法包括：邏輯迴歸、線性迴歸、KNN、K-means、決策樹、貝葉斯、SVM等等。更關鍵的是，在這個階段務必需要掌握一門編程語言，比如Python就是一個很好的選擇。
總結
上述的五個階段除了階段一外，剩下的四個階段並不完全是順序關係，僅僅是針對我自己而言，有統計學、編程基礎的同學只要經過一段時間的業務理解就能直接邁入階段五。但是還是要重申一點：所有的數據分析都要建立在業務本身，脫離業務的數據分析只是一種數據猜測，風險極大，慎重！