为什么这3种能力让你升职加薪？
我是饼干哥哥：
从零基础开始，现在已经做了多年和数据分析相关的工作。之前成功入职某零售行业上市公司数据分析师。现任职于其集团总部用户数据中心，负责通过数据分析赋能各子品牌业务公司，确保分析结论落地产生业务价值。
基于我零基础转行的成功经验，帮你总结了转行数据分析你必须要知道的要点。
1.你知道自己的职业规划吗？
要讨论从什么开始学起，就要先看我们的目标终点在哪，“以终为始”才能使出发时的路径最优。
在我常年泡在数据分析圈子里的经验，数据分析更多是职业路径初期的入门阶段，要想打怪升级，获得更好的待遇与前景则要在中期时跳到更广阔的平台。
入职数据分析师，积累经验后，主要有如下的发展路径：
1）数据分析师 + 业务增长
入职数据分析工作后，随着分析能力的提升，业务经验的积累，逐渐由单一的数据分析，转变为能够帮助业务成长，可以通过分析找到业务增长方向并实现价值落地的业务专家 。
同时，这也是大部分人会选择的方向，毕竟了解业务本来就是数据分析师的必经之路，在逐渐熟悉业务之后，这样的转变也是水到渠成。
另外，业务方向使分析工作更容易产生价值，从财务角度来说，就是由“成本”转为“利润中心”，收入自然也有所保障。
2）数据分析师 + 数据产品
以我为例，入职时，公司就已经在建设CDP、BI等B端数据产品，而我也负责数据分析指标体系、用户标签体系、运营监控报表设计等工作。
因为对数据敏感度，以及分析方法的掌握比产品经理有更深层次的理解与运用，所以在这过程中，随着产品相关知识的补充（如流程图、原型制作等），可以转变为更具竞争力的数据产品经理 。
3）数据分析师 + 模型算法
在大数据时代，商家之间比拼的是精细化运营能力。面对分析需求日益“刁钻”的业务，尤其是在电商、互联网等数据决策意识较强的行业，分析师入职后会接触到如如复购预测、商品推荐、销售预测等需求。
此时，可以从简单的逻辑回归算法开始，积累知识与实践经验，进而转变为人工智能时代的算法工程师。
当然，以上的分类并不是严格分割的，例如我工作都有涉及，其中我觉得对大部分人来说比较合适的就是业务增长方向。以下按此方向来讨论。
2.让你升职加薪的能力是什么？
还没入职的同学可能还没感受到来自业务无视的恐惧：苦苦做完分析报告后，业务表面上说好的我们内部讨论一下，背地里意思就是这没用的只是完成领导任务罢了。
不要问我为什么知道，说多了都是泪。话说回来，想要达到标题说的：使我们分析出来的结论有意义、且可以落地产生价值，还需要三方面的准备：硬实力、硬实力、业务经验。
也就是，硬实力是你入职的敲门砖，走多远则要靠软实力来支撑，而业务经验则是量变引起质变的关键。
1）硬实力-掌握分析工具
Excel常用且必备的分析工具
SQL常用的提数、分析工具
Power BI 加分的可视化分析工具
Python 加分的万能数据科学语言
2）软实力-数据分析思维
掌握以上的数据分析工具后找到一份数据分析工作就不难了。但是想要进大厂，或者说在入职之后迅速上手，得到业务的宠爱还需具备一定广度及深度的数据分析思维。
广度是指点线面体的思考能力。
对于数据分析而言，业务提出的某一个具体问题只是一个点：如新注册客户转化率低等。很多时候只关注这一个点是很难找到背后的原因，即使可以找到了，形成的结论也很难落地。
所以需要从线延伸出去织成一个面来分析，如横向梳理出整一个新用户注册、兑礼到店、消费转化流程。
纵向针对每一个流程节点梳理新客涉及的业务，如注册环节：哪个渠道进来、注册获得多少积分，消费转化环节：新客是否有特殊优惠等。
最后将这个网的关键节点抽象出业务模型：如新客转化的业务模型中，积分板块贯穿整个流程：注册得积分、积分兑礼到店领取、积分兑券消费; 还有产品板块：新客专享产品的选品与促销政策等。
具备如横跨产品、促销、会员、渠道等板块的相关业务经验，才能知道数据分析这支箭要射向哪里。
深度是指下钻分析能力。
很多初级小白分析出来的结果，可能是业务本来就知道的情况，可能是“头痛医头”的浅显结果，如“客单价下降，应该提升客单价...” 这样无法落地的结论分析出来也就不了了之。
所以有了发散性的思维能力后，还需要下钻分析的韧劲，才能get到令人惊喜的分析结果，才能使数据分析之箭射中靶心。
3）业务经验
数据分析工具的硬实力，与分析思维的软实力支持日常分析工作得到业务认可、结论落地执行产生价值，这个过程就是量变的过程。
量变的过程细火慢熬，还要加上业务经验的催化剂，才能加速反应，产生质变。
那什么是业务经验？
抽象来说，就是在做数据分析时，潜意识里不断指引方向、捷径的经验，例如在被告知重购率偏低时，在对这观点进行判断时，首先想到这个指标计算是否准确：以旧换新业务数据的处理、重购用户的定义等，进而迅速判断此观点是否正确。
具体来说，就是对各个岗位日常职能、业务流程、商业模式等的了解。
如何积累业务经验？
最好且最简便的方式就是与不同岗位有效的沟通，平时沟通获取经验碎片后，及时梳理，在数据分析工作中才能把它们拼接起来，为你所用。
实际上，专职的数据分析岗位实际上是介乎于业务与技术之间的存在，比业务更懂技术，比技术更懂业务。在这中间，天然就存在着不断沟通的职能。
了解业务、技术等岗位同事是怎样的思考方式、平时关注什么重点，然后应用表格思维去梳理要沟通的内容，才能在同一频道上有的放矢、高效交流。
3.如何实践开始呢？
前面说了，要做什么，现在就到了如何做的阶段。具体实践你可以分为以下几个阶段，逐渐深入。
1）第一阶段：熟悉Excel和常用分析方法
分析方法掌握对比分析、漏斗分析、假设建议、留存分析等。
2）第二阶段：掌握SQL和分析模型
对于大部分公司来说，有两种常见传统的提数方式，一种是特定的BI提数平台，提取订单，效率低。一种是让IT帮忙提数，而IT的排期会很大程度上拉低你数据分析的效率。
所以学习SQL，不仅可以解决取数问题。此外，可以与Excel互补，在数据库进行高效的数据分析。
分析模型包括RFM模型、AARRR模型、帕累托ABC分析模型。
3）第三阶段：Python和复杂业务分析
面对业务更复杂、多样、精细的分析需求用Excel 与SQL无法满足时，需要利用Python工具进行高度个性化的分析、数据挖掘。
复杂业务分析包括聚类分析、产品关联度分析、CLV 客户生命周期价值计算、商品推荐模型、销售额预测。
这3个阶段需要一边学习，一边工作逐步提升，希望这些过来人的经验可以让你看清楚前方的道路，从而根据自己目前的能力知道自己目前要做什么。
上面内容来自“猴子数据分析学院”学员分享的求职经验，来源：⠀
https://www.zhihu.com/question/431929338/answer/1646490875
