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更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。
那，數據分析呢？
所以…先別想這麼多了，數據分析師的試用期，先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。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(剛好是試用期結束)，更何況很多公司的數據庫又髒又亂永遠是個謎…
P.S. 文章針對數據分析師。如果工作內容是明確的ML或是資料倉庫工程師不適用
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. 瞭解產業的營運模式、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；數據驅動營銷、提高科學決策一切都是空的。
了解產業營運流程，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，把這些事與公司的業務、數據結合起來。
3. 熟悉數據表與任務流
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指標，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。
去Ｈahow學習：【入門數據分析掌握Hive SQL取數能力】