【学习分享】破除数据分析学习的误区

第六天

【课程】《七天入门数据分析》实战营

【讲师】孙圈圈

【学习分享】破除数据分析学习的误区

关于数据分析的三大常见误区：

误区1：不是所有人都需要以及用得上数据分析；

误区2：学习数据分析，就是学习使用专业软件

误区3：数据分析门槛高，一般人很难学会。

成人学习者具有一个突出的特征：随着个体的不断成熟，人的自我概念将从依赖性向独立性转化。

成年人在成长过程中，逐渐形成了一些固有的观念，而其中一些固有观念其实是错误的，可能是刻板印象，也可能是偏见。

成年人的这些错误的固有观念，很容易阻碍一个人去认识、学习、理解新的事物。

所以，在学习数据分析之前，先清空脑海里的固有观念，在树立了正确的观念之后，再来学习，会事半功倍。

001

举个例子，比方说行政这个岗位，一般我们会觉得不太用得上数据分析。

假设你是一个行政人员，老板问你：刚过完春节小长假，大家的工作态度和工作热情怎么样啊？

大部分的行政人员会这样回答：我觉得还不错啊，大家都挺认真的。

但如果你懂得数据分析，你的做法可以不一样。举个最简单的例子，行政人员一般掌握了公司所有员工的考勤数据，那你可以做一些分析，每天不同时间段到公司的员工的占比，每天不同工作时长的人员占比，不同部门的出勤率对比，一周内不同天数的数据对比，等等。

从这些数据中，你可能会发现很多别人发现不了的现象。比如通过一周内不同天的考勤数据对比，你发现周四周五大家都到得晚、走得早，那是不是大家这两天容易疲惫，行政部门是不是可以有些活动？比如通过一些早餐活动，下午茶活动等等，来激励大家。

再上升一个维度，你还能对比工作时长与业绩之间的相关关系，看看加班到底是不是有利于业绩提升，那么行政部可以推出相关的政策，鼓励或不鼓励大家加班。你还可以对比每天工作时长与年龄、婚育情况的关系，看看是不是如大家所说的“已婚已育人士要照顾家庭，心思不在工作上”。这对公司的招聘也很有指导意义。

这样，你所做的，就超过了老板对一个普通行政的工作预期，你当然也更容易脱颖而出了。当然，我只是拿考勤数据打个比方，行政工作还会有其他数据，你都可以拿来分析。

总而言之，万物皆可数据。所以呢，并不是只有专业从事数据分析工作的人，才需要学习数据分析。反而是普通员工，如果你有数据思维，就能获得更多洞见、解决更多问题、更充分地展示自我，自然就更加具备职场的核心竞争力。

002

很多人听到数据分析，会马上跟Python、SQL这些工具联系在一起。

工具终究是由人驾驭的，是为了解决问题的，工具当然重要，但使用工具的底层思维逻辑更重要。如果没有相应的思维方法，即使你的工具掌握得很专业，也解决不了工作当中的问题，那就更无法创造价值了。对老板来说，“价值”的重要性，远远大于“专业”。

 好了，既然数据分析不是工具，那数据分析究竟是什么呢？什么才算是数据分析呢？

 在商业分析领域特别有名的咨询公司 —— 高德纳（Gartner），率先将数据分析能力分为四个层次，当我们在说数据分析的时候，其实就是在说用数据解决这四类不同层次的问题。我先说一下这四个层次，再给你举例说明，它们在工作中有什么用。

1.描述性分析(Descriptive

Analysis)，就是指对业务数据进行客观描述。

2.诊断性分析(Diagnostic

Analysis)，就是指对过去的业务结果进行分析，寻找达成或者未达成目标的原因。

3.预测性分析(Predictive

Analysis)，就是指对未来的业务结果进行预测，分析未来可能会怎样。

4.规范性分析(Prescriptive

Analysis)，就是结合业务提出可行方案，利用数据进行验证，看看我们做哪些事情可以给业务带来增长。

概念比较抽象，我们来举个例子。假设你是一位销售主管，对应这四类不同层次的数据分析，可以是什么场景呢？有什么用呢？

先看第一个场景：在年终总结的时候，因为你今年刚刚晋升到销售主管，要跟老板汇报工作，展示自己当上主管后的成绩，你会怎么说？

你可以这么说：今年我的销售额是500万，比去年增长了30%；我们团队排在全公司前10%；而我带领的5名销售，排名也都在前30%。

那么这个，就是数据分析的第一层：描述性分析。掌握数据分析的第一个层次，能够帮你通过数据，来更好地说服他人。

第二层是用数据来进行诊断。你作为销售主管，可能会这么用：今年销售业绩做得比较好，原因有三个。一是潜在客户数量比平均数多20%，跟多拜访了一些客户有关；二是销售转化率提升了5%，跟团队的销售技巧提升有关；三是老客户贡献的营收比去年多10%，跟增加了老客户的回访频率有关。

那么，这个就是诊断性分析，运用一些对比分析、漏斗分析，来诊断自己为何达成目标，从而让老板更加看重你。

我们说完了销售的例子，你还可以举一反三，思考一下如果你是HR，在这几个数据分析层次，会进行哪些分析呢？在哪些场景可以用呢？提醒一下，HR可以有简历量、简历通过率、面试通过率、入职率、招聘渠道贡献占比、人员流动率等等数据，你可以在社群里和班主任、同学们一起讨论一下，加深学习的印象。

 003

很多人会认为：数据分析门槛很高，一般人很难学会。

我们之所以有这个误区，是因为我们看到一些关于数据分析的报道也好，文章也好，讲的常常是一些很高大上的概念，比如数据挖掘、数据建模、算法等等。但其实，在数据分析领域，一部分人是在从事基础的数据科学研究，把目光放在一些巨量、庞大的数据上，聚焦前沿的数据科学发展。

但是，大部分人学数据分析，只是为了有用，能解决问题。就好像，我们去学习英语，大部分只需要熟练听说读写就可以了，会用就行，你不需要去研究语法语义、研究语言背后的历史、研究英语教学。数据分析也一样，发展了这么多年，早就有很多可应用的工具和框架，只需要套用就好。所以，你不需要懂得数据科学，你只需要懂得怎么解读数据。

那么，数据分析有哪些分析框架呢？一些常见的分析方法有：对比分析，相关分析，漏斗分析，拆解分析、象限分析、维度分析……

管理者最终选择的，往往不是那些最优秀的，而是最有特点的，比如他有一个非常特别的爱好，比如他做了一件常人不会去做的事情，比如他问了我一个别人不敢问的问题，等等。

 我们在职场上也是一样，想要让你的老板、同事、面试官记住，“有一项别人没有的能力”就非常重要，希望通过数据分析的学习，能够让你在职场上有更多不一样的洞见，成为那个“有特点、受欢迎”的稀缺人才。