我是一个数据从业者，很早以前就想把自己在工作和学习中的心得做个总结。一方面是对自己过往经历的一个总结和回顾；一方面最近几年大数据是越来越火了，也希望自己的经验能帮到那些对数据有热情、希望从事数据行业的新人们；还有一方面，也非常重要，是希望借助知乎这个平台跟广大同行们做一个交流，互相帮助，共同成长。
前面的一系列文章，笔者顺着数据全链路的方向，介绍了从埋点到数仓建设到指标相关的基础知识，还有常用的波动分析 和 AB-Test等工作内容
如果说业务分析师要基于数据回答问题，那么在当今时代选择一个重要的工具，这个工具应该是什么？
昨天，有朋友在群里抛出了一个话题【业务团队的数据分析和独立团队的数据，哪个更好？】。居士万万没想到这个话题能引起如此大量的讨论，以至于几个数据分析的交流群里面都讨论炸锅了。居士关于该话题的朋友圈，下面也有几十条评论，此话题的威力，恐怖如斯！
我是一个数据从业者，很早以前就想把自己在工作和学习中的心得做个总结，一方面是对自己过往经历的一个总结和回顾；
BI工具一直被誉为数据应用的“最后一公里”，其原因在于BI工具可以通过简洁的方式完成数据分析，将数据结果直观的展现给使用者，达到释放数据价值的目的。
在BI界广泛流传着一个观点，不懂商业别做数据分析，可见商业理解对于数据分析的重要性。然后现实中，数据分析切合业务往往四处碰钉子，那么如何解决这个业界难题呢?数据分析人往往是用经典案例套业务的需求，或者
数据分析不只是数据的罗列，而是数据和分析的结合。数据层面包括数据获取、整合、可视化等操作；分析侧面则是结合业务目的和数据表现给出相应的数据结论。只要掌握数据工具就能获取、整合数据，而分析问题并给出有效结论和建议就有一定的难度。根据分析结果给出合理的意见和建议是数据思维培养过程中重要的环节之一。本节会立足于如何根据数据表现提出合理建议，通过几个示例说明数据分析师在给出建议时常常出现的误区。 1 数据分析师提出合理建议需要经历的三个阶段 并不是每个数据分析师从刚入行开始就能够通过数据分析为业务方提出合理解决方案
数据分析不只是数据的罗列，而是数据和分析的结合。 数据层面包括数据获取、整合、可视化等操作；分析层面则是结合业务目的和数据表现给出相应的数据结论。只要掌握数据工具就能获取、整合数据，而分析问题并给出有效结论和建议就有一定的难度。根据分析结果给出合理的意见和建议是数据思维培养过程中重要的环节之一。 本文会立足于如何根据数据表现提出合理建议，通过几个示例说明数据分析师在给出建议时常常出现的误区。 1 数据分析师提出合理建议需要经历的三个阶段 并不是每个数据分析师从刚入行开始就能够通过数据分析为业务方提出合理解决
第一阶段：工作时间被取数的工作安排得满满当当，根本没有时间做有价值的“分析”的工作；
本文摘自《大数据实践之路：数据中台+数据分析+产品应用》一书！ 作者介绍 @阿北 一名数据分析师，长期主义者，专注于个人成长； 期望花时间做一些有意思、有价值的事情； 《大数据实践之路：数据中台+数据分析+产品应用》作者； “数据人创作组联盟”成员。 做好业务分析的重点在于数据分析师要有良好的专业素养：一方面要有过硬的专业技能、了解业务；另一方面要能够通过合作和协调，让分析策略可以落地并正向影响业务。 这些内容在《大数据实践之路：数据中台+数据分析+产品应用》一书中都会有介绍，本篇文章主要先带大家了解业
👆点击“博文视点Broadview”，获取更多书讯 业务分析方法是遇到特定业务问题时使用的分析定式，是在业务分析工作中被固定下来的、行之有效的分析“套路”。 当遇到 A 问题时可以使用 A’方法解决、 当遇到 B 问题时可以使用 B’方法解决…… 掌握了业务分析方法，可以帮助我们找准分析线索、组织分析方案。 这里将为大家介绍帕累托分析方法、A/B 测试分析方法、同期群分析方法及因果分析方法 4 类实际工作中常用到的业务分析方法。 01 帕累托分析方法 帕累托分析方法又称为二八分析方法，是一种依据帕累托法则
1.数据是有立场的，立场决定解读 数据对于业务来讲，是KPI的衡量标杆，也是行动指南。但一旦涉及到立场和方向性的东西，必然有利益触发点的问题。比如同样的一次活动的网站转化率是1.2%，是好还是坏？这是做数据分析第一步要进行的定位，也就是我们所说的下结论。好坏的区分在于比较，如何比较呢？我们知道比较分析方法有环比、占比、定基比、横向比、纵向比等，其中如环比可以比较昨日、上周今日、上月今日等，不同的时间对比出的结果一定有差异，甚至是迥然不同的结果。那面对这种情况，除了分析师的经验以外，在都符合统计学规律的前提下
今天准备谈下IT规划咨询的核心方法论和思考逻辑。在这篇文章我不会详细的去谈当前主流的企业架构方法论理论框架和内容。而是根据多年IT咨询实践，将一些关键逻辑点和你分析。
对于软件开发团队而言，软件开发的全过程是：做什么 -> 怎么做 -> 做 -> 成果检验 -> 交付部署；其中，“做什么”对应的是需求分析过程，“怎么做”对应于软件架构设计过程，“做”对应于开发过程，“成果检验”对应于测试，部署由运维团队执行后，如果达到用户的要求，则软件上线后进入软件的运行生命周期。
进入9月后，各种大促销在即，数据分析师们又到了一年最辛苦，最悲催的时间段。然而，有多少无意义的加班，是因为业务部门不会提需求导致的。需求提得不合理，业务部门看了不解决问题，就会反反复复地再提需求。导致数据分析师们辛苦加班还不落好，背上一个：“分析没深度啊！”的坏名声。
随着各行业赛道迭代的加速，行业客户日益重视IT系统和数字化方案的业务价值和整体效果。这意味着，各企业不再满意每次单独实施一个孤立产品这种形式，转而去拥抱那些能够规划全局和长期护航的供应商。这就是现在“解决方案架构师非常抢手”现象背后的原因。
在数字化时代，数据分析已经成为企业和组织获取洞见、优化决策和提高竞争力的关键工具。随着大数据、AI技术的发展和普及，数据分析的方法和工具也在不断进化。
作为HRBP 人力资源紧密结合业务，从人力资源的角度推动业务的发展，提升业务人员的岗位核心能力，这个是我们HRBP 最为核心的岗位工作。但是很多HRBP在实际的工作中比较迷茫，不知道人力资源如何的结合业务进行业务的分析和推动，日常的BP工作往往做的是普通的HR的工作。
1、如何做好数据分析？ 分析师成长是通过“干”、"思"、“熬”出来的。干：多做。哪些是临时需求。你要做各种各样的分析；思：你在边干的过程中，要边思考，边总结，只有这种你才能沉淀。熬：通过时间的积累，你
业务架构面向企业战略和企业整体。它的一般实现包括设计和落地两个过程，并且设计与落地（升级）这两个过程是不断交替上升的。
近年来，数字化转型的重要性已经被越来越多的公司所认识。在十四五规划中数据已经成为和土地、劳动力、资本、技术所并列的六大要素。如何充分挖掘数据资产价值，运用各类大数据分析工具来驱动业务发展，已成为企业管理者所关注的最重要的问题之一。国际著名咨询公司麦肯锡认为，构建大数据及高级分析能力是撬动企业业务新增长最重要的杠杆之一。加大数据分析能力的建设，从企业业务的各环节入手，有助于企业整体运行效率提升。
👆点击“博文视点Broadview”，获取更多书讯 数字经济时代，数据成为新时代的生产要素！数据已成为企业的重要生产力！ “生产力”是企业创造财富的能力，掌握数据分析能力的企业将具备创造更多财富的能力。 很多小伙伴已经看到了数据分析对企业经营的重要性，也看到掌握数据分析技能的员工自然能成为企业的中坚力量，是各企业争相抢夺的宝贵人力资源。 所以，越来越多的人想要学习数据分析这一技能，来增强自己的职场竞争力，或为自己未来转岗、加薪铺路。 而CDA数字化人才身份认证是数据分析领域得到业界广泛认可的凭证，不少想要
导读：数据分析里面最主要的不是EXCEL技巧、SPSS和R语言、SQL技术等数据处理技术以及分析的方法论，而是“分析思维”。技能可以学习，方法论是千篇一律，思维却是独特的，这才是最重要的。
作为信息化的先驱，银行业的信息化程度在各行业中稳居前列。从诞生之时，银行就天生与数字打交道。对银行来讲，如何通过数字化转型提升业务效率，是迫切的需求。这里涉及两个点：一个是银行业务，一个是数字化转型。
最近非常高兴地看到关于企业架构、业务架构的文章越来越多，大家的重视程度、活跃程度都上升了，笔者以前常说自己是个烧冷炕的，企架和业架，做的企业少，做得深的更少，所以文章不算多，又常浮于表面，理论有余、实务不足，现在有所改观，但总体上还是基于过去不完整实践的理解多，深入实践的少，尝试总结升华、不断探索的更少，如同本文的标题，这其实也反映了对基础知识的共识依然不足。笔者也愿意继续循着这个系列写下去，也欢迎大家提供问题线索。
有同学问：陈老师，每次被面试都被问“你使用过哪些数据分析的方法”。结果都感觉答不上来。到底数据分析有什么方法？为啥我在做数据分析，却感觉没什么方法？今天系统解答一下。
1. 懂业务 从事数据分析工作的前提就是需要懂业务，即熟悉行业、公司业务及流程，甚至有自己独到见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的实用价值。 例如公司2011年的运营收入是1000万元，那么不熟业务的数据分析师看到的只是1000万这个数字，而熟悉业务的数据分析师，则看到的不仅是1000万这个数字，他还看到数字背后隐藏的信息，如1000万元是有哪几个业务收入构成，哪个业务收入占主要部分，哪个业务收入是最小占比，最高业务收入的地区又是哪个地区等信息。 这就是懂业务与不懂业
自“十四五”以来，我国诸多政策开始推动信创产业的深入，实现关键数字技术自主研发和自主可控。我国信创产业竞争力不断突破，国产化进程稳步推进。2022年开始政策重点提及“数字经济”、“数字政府”和国家信息化。在此背景下，BI产品作为数字经济的重要一环，也迎来了重大机遇。
随着电力行业信息化建设的快速发展，尤其是随着云原生和分布式技术在电力信息化建设中的大范围推广和应用，电力行业云上业务系统变得更加复杂，业务系统内部节点和互相之间的健康关联影响也越来越动态多变，给资源管理、系统监控、运行维护工作带来了极大挑战。
很多同学抱怨：“做数据分析时没思路！” 实际上，有很多原因都会导致这个结果。今天系统盘点一下。
对于异常数据的分析，相信每位数据分析师都不陌生，对于业务部门来说同样很希望了解数据分析的思路。去年同期也写过类似的一篇异常数据分析文章，过了一年后有了更进一步的思路和想法，因此再次分享一下，对于数据分析师常见的“异常数据分析”。
这句话在职场中已经被说了很多遍，包括一些数据科学家也经常在公开场合说要做到高于业务视角，因为管理层确实都是通过公司的数据来进行决策判断的。
数据治理是逐步实现数据价值的过程，具体来说，数据治理是指将零散的用户数据通过采集、传输、储存等一系列标准化的流程变成格式规范、结构统一的数据，并有严格和规范的综合数据管控；对这些标准化的数据进行进一步加工分析成为具有指导意义的业务监控报表、业务监控模型以帮助业务进行辅助决策。
零跑汽车自成立以来，始终坚持核心技术的自主研发，成功自研智能动力、智能网联、智能驾驶三大核心技术，是拥有智能电动汽车完整自主研发能力以及掌握核心技术的整车厂家。
数据工作者最长也是有效的一种工作方式是带项目，无论是数据分析还是专项挖掘，项目制能使数据尽量贴近业务并且有效理解业务和数据的各个维度。那么如何建立面向业务落地的数据分析（挖掘）流程？ 在做本篇介绍之前，有以下几个方向需要做一个界定，这些界定是做本篇的前提： 该项目流程是面向业务层的，直接通过模型做代码优化或者以BI技术为方向的不同； 该项目的领导者是具有一定能力的数据分析师，需要具备业务常识、数据理解能力和专项分析挖掘能力，说白了，能接受问题并且能解决问题； 该项目是以
一千个读者，就有一千个哈姆雷特。同样，数据中台对于企业内部不同角色的价值也不同，下面分别从董事长、CEO、 CTO/CIO、IT 架构师、数据分析师这 5 个角色的视角详细解读数据中台。
曾经有一位北大的高材生，入职华为没多久，就针对公司的经营战略问题，写了一封「万言书」给任正非，原以为能得到肯定和赞扬，没想到任正非批复：
本文转载自：AI前线 记者 | 冉叶兰 嘉宾 | 邓启斌 Hermes 是腾讯数据平台部自研的实时分析平台，在公司内服务于上百个业务，集群规模 5000 个节点，每日数据接入量 4 万亿，查询量千万级别。作为一个公共的平台，面对的业务场景非常复杂，包括在线高并发分析、即席交互分析、海量日志分析、实时接入数据和近实时增量更新。这样一个万亿级的实时计算开发引擎到底是怎么实现的？研发过程中遇到哪些难点？作为开发者，我该怎么借鉴和避免；作为用户，又有哪些新的思考？ 在2021年4月22-24日举办的 QCo
相信做数据分析的同行在职场中经常会遇到这种情况：被别人说业务思考高度不够，只会简单的工具和常规数据统计，缺乏创新性。我是做数据分析出身的，对此我特别有感触。抱着去市场试错的想法，2018年我在网易云课堂打造了一门课《数据分析思维案例实战》，市场反馈非常好。在我看来，这门课最大的优势就是内容的创新性。 2019年的时候，我想写一本数据分析领域的创新性书籍，于是联合行业内两位资深的数据分析从业者黄怡媛、马炯雄，把我们10余年的数据分析工作经历、能快速应用到工作中的方法总结成书，这本书就是《数据分析原理》。 历
读书交流│7期 数据分析原理 6步解决业务分析难题 data analysis ●●●● 分享人：夏宇 大家好，这里是小飞象·数据领地·读书会第7期完结直播总结分享，本次直播的目的有两个，一是我们第7期读书会的总结，给大家梳理一下《数据分析原理》这本书的精华内容，二是为我们，参加这次读书会，并完成全部任务打卡的小伙伴们，进行结业颁奖。分享时间大概在一小时左右，大家要坚持听到最后哦。（可以在公众号留言交流，读书会往期回顾） （夏宇个人公众号） 做一个对世界充满好奇的人！我们在工作中或多或少都会遇到很多的业务难题，有些人在解决问题时会根据过往经验解决，但往往这种凭借经验拍脑袋处理得到的方案并不一定会对业务有增长效果，甚至根本无法真正地解决问题，但是如果你可以具备数据分析技能和思维，找到关键影响的数据源，通过对业务模块的判断，确定分析方法的适用场景，最终推演、验证、分析出结论，并选择最优的分析结果展现方式，让数据分析全过程形成闭环，有助于业务增长和问题解决的。 但是，我们学会了很多数据分析工具和技能，依然做不好数据分析。遇到业务问题时，常常觉得无从下手。如： ▶如何理清业务分析思路？如何成为业务的专家？ ▶如何获取行业的数据？基于不同场景的如何选择合适的方法？ ▶如何写出优秀的数据分析报告等~~ ······· 所以本期，小飞象·数据领地·读书会的直播总结，就来跟大家一起来品读《数据分析原理》：6步解决业务分析难题，系统地介绍了数据如何始于业务、取于业务、用于业务。既有扎实的理论铺设，又有具体的案例支撑，通俗易懂地回答了数据“怎么来”和“怎么用”的问题。同时，本书总结出了解决业务分析难题的六大步骤。 在这过程中，建议全程认真听，带着思考来听（去看），有任何问题都可以随时交流哦！ —▼—
数据中台是中国本土诞生的一个名词，很多企业在“什么是数据中台”和“我要上XX中台”徘徊。其炒作程度跟当年的“大数据” 一词有的一拼，如果用Gartner的炒作周期图来看，数据中台目前已经逼近炒作的顶峰。
引言 我们知道，Watson Analytics 能够提供自动数据获取、数据探索、讲故事及向导式的预测分析功能，它能帮助无 IT 经验的业务用户不论何时何地，都可以从自己的数据集中找到业务问题的答案。 Watson Analytics 绝对是大数据分析领域的一次革命： ● 它所有操作完全无需IT人员协助就可完成，让业务人员专注于业务问题的解决。 ● 它融合了数据可视化、商业智能、数据挖掘、自然语言交互、数据抽取转换加载等各项先进技术。 ● 它基于云平台为业务用户提供了一站式的、统一的数据分析体验。 获取
业务指标分析是企业运营中不可或缺的一环，通过对各项关键指标的深入剖析，我们能够更好地了解企业的运营状况，发现潜在问题，进而制定相应的策略来优化业务流程、提升经营效率。
👆点击“博文视点Broadview”，获取更多书讯 什么是数据分析师最重要的技能？应该是比任何人都懂业务。 这句话在职场中已经被说了很多遍，包括一些数据科学家也经常在公开场合说要做到高于业务视角，因为管理层确实都是通过公司的数据来进行决策判断的。 数据分析师日常提供的月报是公司管理层决策的重要依据，提供什么数据、从什么角度来阐述都非常关键，要根据客观事实进行专业性指导。 业务方不能做数据分析工作，因为业务方在分析数据的时候可以从某个对自己有利的视角进行阐述，可能会有失偏颇。 关于什么叫高于业务视角，有人认
续上一篇《数据分析对企业有啥用》之后，我们继续来讨论一个深层次的话题：数据分析师的工作绩效到底该怎么定。这个又是一个很蛋疼的话题，甚至很多从业很久的老鸟都没想明白，也很容易中坑。
如果你正好是一名BI数据分析师或者在准备当BI数据分析师的路上，当你看到这个标题时可能就会开始各种不满，淡定！先稍安勿躁，咱先聊聊为什么我会这么说，如果你有其他异议，欢迎在评论区提出！
经常有客户问：从业务角度说，大数据究竟离我们有多远？大数据的最终目标是什么？企业使用大数据作为业务催化器，与其他手段的区别和联系是什么？大数据如何助力于业务价值创造？ 为了回答这类问题，有人提出了“大数据成熟度模型”。[与前次的《大数据故事地图》一样，它的来源是EMC(就是去IOE的那个E)。] 企业采用大数据及先进分析技术来创造竞争优势时，采用了各不相同的节奏。有的企业比较小心翼翼，因为它们不清楚方向、启动方法及大数据旅程中哪些技术创新是合适的。有的企业则更加激进，勇于把大数据分析技术集成到现有的业务
看到这里，很多新人会表示：“这个我早知道了呀，那么我已经达到最高境界了？”答：读出这个八个汉字，容易。能结合实际工作做到这八个字，非常难。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储
