(2)数据分析项目前中期：这个是耗时很长很麻烦的部分。前期是基础数据的处理清洗，基础汇总聚合，然后设计监测指标，指标的设计不仅仅是数学分析，更多需要跑业务需求方那边了解，毕竟最终目的是要让别人用，提升效率，不是为了凸显模型高大上。所有需要的数据都有了之后，开始建立业务模型(数学模型)，整个建模的过程也是反复探索数据的过程，在一定数据量的情况下，初期的建模应用起来一定会这种问题那种问题balabala烦死人……以后边应用边调整优化。技能点：数据库，SQL，excel，R语言，数理统计，数据挖掘，业务知识。
(3)兼职产品经理：业务模型完了后，就有了指标结果。把数据落地到数据库中。然后接下来需要找开发帮你做可视化站点。作为数据分析师我是最了解这个项目 逻辑流程、核心算法、业务应用的。找开发帮你做可视化站点：曲线图啊 柱状图啊 饼图啊 balabala 让别人一眼就能看到指标的整体状况。技能点：逻辑思维，流程规划，数据可视化，一定的开发知识（方便和开发沟通），表达能力力和表情。
(4)模型和指标正式应用起来自后：收集业务部的反馈，不停的跟他们沟通邮件，不停地优化模型，数据表。以及给业务部一些特定需求的分析评估报告（临时性需求）。技能点：逻辑思维，表达能力
(5)个人学习：有时候会遇到等待别人工作进度的情况，比如别人的上一批数据没出来，你完全没法工作。那就上网或者看书 学习知识。数理统计和数据挖掘博大精深，如何能应用得好，产生最高性价比更是一门学问啦。多了解些总是没坏处的。
(6)大数据部分：涉及到”大数据“已经不是我个人工作内容部分了，而是整组的工作内容。具体需要有专门比较懂hadoop和spark的人负责在上面跑数据，写最终实现代码。我们组里的分工大概就是：数据分析师，数据工程师，（半个产品经理），有人身兼三种，有人只爱专精。技能点：无特定加点法则，团队加点。
数据分析有什么用?
从工作流程的角度看，至少有5类分析经常做：
工作开始前策划型分析：要分析一下哪些事情值得的做
工作开始前预测型分析：预测一下目前走势，预计效果
工作中的监控型分析：监控指标走势，发现问题
工作中的原因型分析：分析问题原因，找到对策
工作后的复盘型分析：积累经验，总结教训
请点击输入图片描述
那数据分析是什么的？
数据分析大体上分3步：
1：获取数据。通过埋点获取用户行为数据，通过数据同步，打通内部各系统数据。以及做数仓建设，存储数据。
2：计算数据。根据分析要求，提取所需要的数据，计算数据，做表。
3：解释数据。解读数据含义，推导出一些对业务有用的结论。
那么数据分析师主要做以上三点的工作吗？
并不全是，这个在不同企业，情况不一样。如果公司规模大的话，获取数据经常是数据开发组完成的，他们的职位一般是“数据开发工程师”或者“大数据工程师”。解释数据则是运营自己写ppt做解读，留给“数据分析师”的，其实就是中间的计算数据的一步。
有些公司（一般是做电商的），数据是直接从淘宝、天猫、亚马逊等平台导出的，然后基于这些数据做分析。有些公司（一般是传统企业），数据是直接用的大型的BI产品，然后所有人基于BI产品导出数据分析有些公司规模很小，就直接一个小组从数据埋点到数仓到提数全干了。
请点击输入图片描述
请点击输入图片描述
将它细分为如下的14个步骤：
数据分析师的日常工作
1、确定目标
在开始进行数据分析之前，最重要的一个步骤就是和自己的团队开会，确定本次项目的战略目标。如果你连核心的战略目标都没有，那等到自己真正开始分析的时候就会像无头苍蝇一样，不知道从哪里开始分析。
2、建立问题
光有核心目标还不够，你还要根据核心目标分析出各种有可能存在的问题。就像是我们上学时做阅读理解题目一样，先读题，再带着问题阅读。分析数据也是如此，只不过，这次的出题人是你自己。这样的做法还能让你事半功倍。
3、收集数据
所谓“数据分析”，没有数据肯定是不行的。当你确定了目标与问题，下一步就是根据所制定的目标与问题来收集相关数据。这一步骤也是所有步骤中最基础的一步。
4、设置KPI
数据收集完成后，你需要设置KPI（关键绩效指标）。主要KPI包括：跳出率、平均会话时长、目标转化率以及着陆页转换率等。无论是定性还是定量研究数据，你都要设置KPI。因为KPI可以帮助你跟踪和衡量进度。
5、清理无用的数据
员工从各个来源收集的数据，不一定都是有用的。无用的数据不仅会让数据分析师的分析过程变得繁琐，还会导致结果不准确。这时，我们就需要参考KPI，对无用的数据进行清理。任何与业务目标无关或者和KPI管理策略不符的统计、数据或指标都需要被删除。
6、进行统计分析
统计分析也非常重要，它包括聚类，同类，回归，因子和神经网络。
7、建立数据管理路线图
这一步骤并不是必须进行的。创建数据管理路线图需要花费一定的时间，但是它可以帮助数据分析师更好地处理以及存储数据。
8、整合技术
分析数据的方法有很多种，但是分析能否成功，还是要靠整合好的软件和技术。例如，通过统计方法数据分析和核心数据分析方法集成的技术，你可以避免有效信息的分散，直接获得最有价值的信息，从而节省时间和精力。
9、将数据可视化
可视化数据就是将数据通过图形和图表的形式呈现出来。人类都是视觉动物，将数据可视化可以帮助整个团队理解数据，从而提取出有助于企业发展的各种信息。
10、实施文本分析
我们每天都会创建2.5亿字节的巨大数据，其中很大一部分都是基于文本的。文本分析又称文本挖掘，它是一个获取大量文本数据并以使数据易于管理的方式进行整理的过程。通过这一过程，你能够提取真正与业务相关的数据。
为了加速文本分析过程，你可以使用现代分析工具和技术。现代分析工具和技术能够以高效、目标明确的方式，帮助你收集和整理结论。
11、深入诊断分析
诊断分析也是分析过程中必不可少的一部分，它是一种强大的数据发现形式。通过诊断分析，你能够获得某件事发生的原因以及方式，从而找到解决问题的确切方法。
13、考虑自主技术
研究表明，到2021年，将有80%的新兴技术由AI基金会开发，这意味着自主技术的能力和价值正在不断增长。当前，最流行的两种自主技术是智能警报和神经网络：
（1）智能警报：如果你正在监视供应链KPI，你可以设置一个智能警报，每当出现无效或者低质量数据时，就会自动触发你所设置的智能警报。
（2）神经网络：神经网络是机器学习的一种，它试图了解和学习人脑是如何处理数据信息并预测价值的。神经网络会从每笔数据交易中学习，这意味着随着时间的推移，它的技术会更加成熟。
14.生成报告
在前面，我们一起探讨了各种数据分析技术的应用。当我们分析完毕后，你就需要将这些元素组合在一起，生成报告。通过使用各种BI（商业智能）仪表盘工具，你可以将数据可视化，将这一可视化报告加以整理，让企业内更多的人一起发挥报告的价值。
数据分析师主要职责：
将花费大部分时间沉浸在原始数据中，试图找出如何最好地使用它来驱动伟大的业务决策。必须了解公司真正需要什么，并清楚地沟通一切。所有这些都包括:
预测业务趋势；
预测行为；
收集，分析和解释原始数据；
撰写和提交报告；
为重要的业务决策做出贡献；
根据业务目标建模系统架构；
建议并支持组织变革；
为业务问题创建可行的数据主导解决方案；
调查IT系统与管理之间的关系；
…………