給剛入行的數據分析師：想產生價值，在試用期要做的三件事
11月了，相信不少剛出社會的新鮮人也都找到了心儀的公司加入了職場。(因為我這也陸續出現了幾位新人…)
加入新公司，都想要快點產生價值，想著研究所學了這麼多技能，會用R/python，算法也難不倒我，時間序列、回歸分析、聚類分析等數學理論與代碼隨手捻來。指望著一進公司就做出超屌的事情…
然而作為數據分析師，相對其他職位往往是最難直接體現經濟效益的。
相對設計、前端、後端，一個產品的頁面設計好不好看，頁面展示有沒有正常，功有沒有bug，這都很容易衡量。一線的客服耐心的解決客人問題，銷售、管道管理、門店培訓培訓一類馬上關乎到公司獲得的鈔票。
數據分析呢？
所以…先別想這麼多了，花點時間好好把基礎掌握牢固，我認為可以從以下三點出發
- 查看部門以往文檔跟分析報
- 瞭解產業的運營模式與流程
- 熟悉常用的數據表與任務流
這三點要花多少時間呢？我也回答不出來，要看產業複雜度、你對產業的熟悉度、公司業務複雜度來決定吧。如果在一個比較複雜的業務環境，光是熟悉比較常用的表以及摸透表之間的關係，就可以玩三個月了(剛好是一個試用期)。更何況很多公司的數據庫又髒又亂永遠是個謎…
對了，這篇是針對數據分析師。如果工作內容是明確的算法工程或是數倉的，不適用喔
邀請你至Blog閱讀全文：
給剛入行的數據分析師-想產生價值，在試用期要做的三件事如果你喜歡我的文章，也邀請你訂閱『Rock Data』電子報，支持我持續創作
1. 查看文檔，尤其是以往的項目或報告
查看過往的文檔，了解部門之前做過哪些事。如果是項目，可以了解項目背景，數據量在什麼範圍，用了什麼方法，問題被解決到了多少的程度，部門內部彼此分工或是與部門外的協作方式。
如果有月報或任何分析報告，就好好閱讀，了解前輩的分析思路、分析框架。了解基本觀察指標有哪些，指標數字大概落在什麼水準？歷史趨勢的波動哪裡高？哪裡低？(代碼要來看更好)
除了對對公司整體環境有基本的了解，可以作為日後分析的交叉對比，判斷自己的數字是否合理、解析這個數據代表着什麼
2. 瞭解產業的運營模式、內部流程之間的流轉、包含規則與名詞定義
數據的價值，簡單的說，就是透過客觀的數據解決業務方的痛點，痛點可以是運營策略建議、也可以是單純要有數據來衡量效果，因此我常常強調，分析師要比業務更了解業務。
如果數據不結合具體的行業、業務知識，數據就是一堆數字，不代表任何東西。是冷冰冰，是不會產生任何價值的，數據驅動營銷、提高科學決策一切都是空的。
了解運營流程，可以幫助我們形成「面對問題的分析思路」，從更上游的環節來思考與找尋原因。運營規則，也會影響到取數數條件，或是分析結果的解讀。舉例來說，註冊規則由「一個手機號只能註冊一次」開放成「一個手機號可註冊多用戶」，那註冊用戶數變高就不是什麼稀奇的事了。
雖然行業、業務知識的是一點一滴的積累起來的，有時候是急不來的，但還是有入手的方向
- 問老闆，尤其內部規則類的，應該多少都會有整理文檔
- 向業務部門多請教，多溝通。數據分析師與業務部門沒有利益衝突，而更向是共生體，所以如果你態度好，相信業務部門的同事也很願意把他們知道的告訴你。
- Google或瀏覽行業相關的網站。看看行業都發生了什麼，主要競爭對手或者相關行業都發展什麼大事，把這些事與你公司的業務，數據結合起來。
3. 熟悉數據表與任務流
你只有把數據先取對了，才能正確的分析，否則一切都是錯誤了，甚至會導致致命的結論。連表結構跟數據字典都沒熟悉，是要分析什麼呢？
基本要求是看到某個數據，你很清楚的知道，這個數據的統計口徑是什麼？是從哪張表取出來的？
例如「新會員」是什麼。第一次在使用某產品的會員？還是在站在公司角度上說，第一次在公司發展業務接觸的會員？ 時間是通過創建時間，還是業務完成時間？完成時間是下了單就算，還是要成功支付？
一個任務流包含了資料獲取-清洗-存儲-開發-維護，每個環節上都是誰在負責，情况如何？畢竟髒數據越少，你花在數據校驗的心力就越輕鬆。
最後，分析工作的第一步都是從數據庫中提取數據，公司的數據都放在資料庫中，如果一名數據分析師不會寫SQL，那麻煩就大了。
邀請你至Blog閱讀全文：
給剛入行的數據分析師-想產生價值，在試用期要做的三件事如果你喜歡我的文章，也邀請你訂閱『Rock Data』電子報，支持我持續創作
1. Hello All：主站遷移至👉https://andyrockdata.com/ ，請改至『ROCK DATA』Blog 閱讀新文章完整內容，如果喜歡我的文章，可以訂閱我的電子報(Medium站仍將張貼新文章訊息)2.立即追蹤👉ROCK DATA臉書粉絲頁跟ROCK DATA IG(@andyrockdata)3.【入門數據分析，掌握HiveSQL取數能力】在hahow上架啦，購買連結👉 http://hahow.in/cr/andyrockhive4. 半佛系鼓掌：原來只要滑鼠一直按著不放就可以一直鼓掌了。那請你按久一點：）有任何想法或感興趣的地方歡迎留言/討論，或者私訊我！5. 往期的數據相關文章可以參考以下link
- 數據分析系列1：談談數據分析的眾多Title
- 數據分析系列2：數據分析的一週工作日程
- 數據分析系列3：身為資料分析師，你該如何展現工作中的價值？
- 數據分析系列4：如何量化職場規劃？我這次的轉職規劃與Offer選擇
- 數據分析系列5：為什麼要關心資料來源？談談埋點數據的陷阱
- 數據分析系列6：精選幾個機器學習的學習資源
- 數據分析系列7：數位化決策轉型與企業文化的一些思考
- 數據分析系列8：中山大學經濟所職涯座談(ㄧ)：”了解自己”的重要＆我怎麼成為數據分析師
- 數據分析系列9：中山大學經濟所職涯座談(二)：想從事資料分析？你需要具備這8個能力
- 數據分析系列10：中山大學經濟所職涯座談(三) ：讓資料變商機 — 資料分析在我們生活中的應用
- 數據分析系列11：面試時，資料分析師該怎麼準備作品集？
- 數據分析系列12：2018年終工作總結(數據分析師)
- 數據分析系列13：數據化運營中玩過的分析項目：一個數據分析師的經驗總結
- 數據分析系列14：如何提升運營/產品的優化效率？或許數據指標體系的搭建可以幫到忙
- 數據分析系列15：用戶畫像很重要，那你知道是怎麼畫出來的嗎？
- 數據分析系列16：給剛入行的數據分析師：想產生價值，在試用期要做的三件事
- 數據分析系列17：2019 數據分析工作總結_關鍵詞：數倉構建、BI可視化看板、用戶畫像(標籤)與精準行銷
- 數據分析系列18：入門數據分析的第一個大門檻：SQL/Hive取數-聊聊自身學習SQL的經歷以及三個自學網站分享
- 數據分析系列19：身為數據分析師，我怎麼看hahow上”R語言和商業分析”這門課
- 數據分析系列20：直接用SQL來分析數據？怎麼沒用python/R？3個面向來考量分析工具的選擇
- 數據分析系列21：數據分析的”橫向”學習之路-珍藏的網上文章重新整理放上github
- 數據分析系列22：透過埋點，讓數據說話：埋點基本知識
- 數據分析系列23：以數據為核心的CRM進化產品：帶你了解CDP(客戶數據平台)開發過程與難點
- 數據分析系列24：SQL不難啊，為什麼不容易精通？自學與實務的4個落差
- 數據分析系列25：數據分析基本-相關分析與可視化(R語言)
- 數據分析系列26：刷完了Leetcode SQL Hard Level的28道題：歡迎領取參考答案
- 數據分析系列27：數據太髒了！3個步驟做好數據質量管理
- 數據分析系列28：跨部門溝通成本太高？數據人實現高效跨部門溝通的4個方式
- 數據分析系列29：數據分析師職場發展的另類出路
- 數據分析系列30：Databrick為何收購BI產品Redash？產品視角來看Redash的功能與價值
- 數據分析系列31：數據分析師要失業了？解讀<2022 Gartner BI魔力象限> BI產品趨勢
- 數據分析系列32：Google Data Catalog如何幫忙管理數據？ 產品介紹與體驗心得
- 數據分析系列33：復盤：數據產品從0到1的建設過程，我的9點感觸
- 數據分析系列34：Shopline-數據分析中心(Shoplytics)產品體驗
- 數據分析系列35：搞數據還是做產品？淺談『數據產品經理』
