如果自己不支愣起来，任何人都无法帮你，记住，是任何人。——数据说·梦想季
小飞象
乐于分享，自我提升，赋能他人
【第一期】整理了群里关于入门数据分析的一些要领、以及对初学者可能会有帮助的关于数据分析的书籍的问题。
【第二期】梳理了群里每一位数据分析者都会关注的几个问题：如何优雅的进行成果展示与汇报？什么样的行业最适合数据分析工作者的发展？等的问题。
【第三期】探讨了关于APP运营相关的分析问题，以及数据思维相关的问题？等，那么，本期我们来继续整理一下群里关于商业分析、数据分析、数据分析项目等相关问题探讨，具体如下：
●什么是商业分析，与数据分析的区别是什么？
●如何在简历上体现数据分析项目？
●如何发现业务增长机会点？
······
还是那句话，“我有一个苹果，你有一个苹果，我和你交换之后，咱们各有一个苹果；我有一个想法，你有一个想法，我和你交换以后，可能收获两个想法，甚至更多。”当然，一些见解不是绝对的，如果在数据领域中新的交流和思考中碰撞出了不同的火花，欢迎加入我们或者留言讨论以及群里多多参与讨论哦！
下面，我们一起来揭开这些问题的答案吧！
精选问题
第四期
﹀
﹀
﹀
问题主题一
什么是商业分析，与数据分析的区别是什么
问题及内容贡献者：@天生轮回眼、@红星、@坤、@萝卜英老师等
小飞象
来回答总结一下
所谓的“数据分析”，在工作岗位中简称DA，入门比较简单，适合刚接触数据分析的同学，主要职责是需要知道如何利用“数据分析”帮助公司做决策。
在实际工作中的职责通常包括：
▶深入理解业务需求，结合数据方法和工具进行数据提取、整合、分析，为产品及决策提供数据分析支持；
▶完成对业务关键指标的数据监控及异常波动等分析工作，并不断主动思考、反馈数据发现的各类业务问题，推进解决优化 。
▶与业务方充分沟通，结合业务，生产、建设基础数据和工具，积极配合推进数据项目，并应用解决业务问题。
······
数据分析的核心是「寻找问题和解决问题」，需要熟练掌握Python和R，A/B Test、Model、SQL，Tableau等分析工具，入门级别的先要掌握SQL+Excel+可视化工具等。
DA比较适合数学、统计学功底好的同学，对统计，R，Python，SQL， A/B Test的要求比BA高，整体偏理科需要懂得统计学相关知识，寻找大数据中隐藏的用户行为现律，掌握基本统计模型及统计学知识，回归分析、聚类分析、时间序列、多元统计、贝叶斯等，如果在互联网研究产品基本要求精理R，Python等请高；熟悉机器学习，数据库和数据挖掘等
数据分析师是一个基础岗位，如果专精于业务，更适合往管理端发展，单纯的工具和技巧很难拉开差距。数据分析的管理岗，比较常见的有数据运营经理/总监，数据分析经理等，相对应的能力是能建立指标体系，并且解决日常的各类「为什么」问题。
而商业分析，在工作岗位中简称BA，是以商业知识为基础，数学和编程为技术依托，从数据分析的角度出发，来为不同商业决策和发展提供数据分析的基础。将数据分析和商业知识相结合。主要能力需要对某一行业有着非常敏锐的洞察力。了解这一行业的市场格局、竞争状况、未来的市场演化等等。
在实际工作中的职责通常包括：
▶从效率、成本等指标来评估业务流程，
▶与业务团队和利益相关人员进行沟通，
▶为流程调整和性能改进等步骤提供战略性的建议。
·······
BA需要会有很多的「跨部门沟通的工作」，对技术对背景要求低一些，适合性格外向些，沟通技能强的同学，整体偏商科。需要懂得各类的策略模型与方法论，如SCP、REM、波士顿矩阵、金字塔原理、5W2H、MECE分析、SWOT分析等等 。
商业分析是数据分析岗位的另外一个方向，更多见于传统行业、投行、咨询公司，外企战略部。其汇报对象主要是行业里的最高决策领导，其注重用户的行为数据分析，包括聚类、分类分析、解析用户的行为习惯等。以及各类交易数据和竞对数据，而这些数据大多数是宏观的大指标，往往靠搜索和调研完成，这是和数据分析最大的差异。
因此，其主要区别在于：
▶商业分析师站的高度会比数据分析师高，因为处于战略模块，放眼的是全行业、上下游。而数据分析师更偏向落地能力，帮助业务某个产品得到增长。
▶商业分析师除了需要对数据进行分析 ，还需要做信息类的分析，如市场研究、国家政策、行业形式等；而数据分析师更偏向针对某一产品的分析，业务落地性比较强。
▶企业中对战略部门的商业分析师的学历背景要求会比较高，需要有一定的咨询行业经验或MBA背景或强大的逻辑思维与业务拆解能力。
总的来说，对于新人，比较普适的发展路线是先成为一位数据分析师。积累相关的经验，在一两年后，决定往后的发展，是数据挖掘，商业分析，还是专精数据分析成为管理岗。但若往其他相关数据岗分支发展，比如数据挖掘工程师等，则要继续学习并掌握Python和机器学习等。
问题主题二
如何在简历上体现数据分析项目？
问题及内容贡献者：@苏格底拉、@红星、@Eeven、@唐小强，@小七
小飞象
来回答总结一下
在梳理这个问题之前，我们先来了解一下关于“项目”的概念，所谓项目就是在特定时间内，集合特定资源，为达成特定目标所做的工作。要明白所谓的项目不是临时性工作，是特事特办。只要符合特事特办的都是项目，不管你是参与、负责或者独立负责都是项目，而达到目标的项目，就是好项目。
了解了项目的概念，对于总是发在发愁没有任何项目工作经验的伙伴是不是可以多出了很多可以写的项目经历了。而出色的项目经历能使我们在简历筛选阶段脱颖而出。
因此，要讲清楚一个项目，主要突出项目名称、时间、本人角色、工具方法、结果等要素，这里就可以采用star法则进行项目经历的描述，从背景、目标、行动、结果入手，将项目需求、实现过程（数据+技术）、结果描述（迭代分析）等对应的填入各个部分。因为我们要体现数据分析项目，要侧重体现到数据分析相关工具以及方法论等，最后的结果更是需要体现数据。
STAR法则也适用于其他任何项目经验或问题的介绍。具体含义：
Situation（情况）：当时的背景情况是什么？
Task（任务）：当时的目标任务是什么？
Action（行动）：针对当时的情况，你采用了什么方法？
Result（结果）：结果怎样，你学习到了什么
但不同类数据项目，在描述时有所侧重。
▶分析相关项目侧重分析的问题场景（用户？商品？销售？……）；
▶算法相关项目侧重模型与效果（使用某某模型提升了多少）；
▶数据产品相关项目侧重数据量/更新速度/使用率。
问题主题三
如何发现业务增长机会点
并且能够给出可执行方案和ROI？
问题及内容贡献者：@宙刚、@六月、@y
小飞象
来回答总结一下
想要发现业务增长机会点，我们首先要搞清楚以下几个问题：
①要分析的是哪个部门，哪些业务线
②业务线的核心指标是什么？如销售额/新注册用户数/活跃数……
③该核心指标过往表现，是否有连续性趋势等
④连续性趋势，对应的内外部环境是？发展阶段是？（排除生命周期早期的自然增长）
⑤单点爆发性动作，对应的业务场景是？可复现程度是？（排除一次性好运气）
⑥无趋势/无单点前提下，是否有细分领域的成功案例可以套（细分客群/小众产品/细分渠道）
·····
通过上述问题，我们就会锁定了关键指标，明确了目标，就容易找到业务增长机会点，总之，做好数据分析，要先熟悉业务，用数据思维来洞察业务的本质，并积极沟通，主动发现并解决问题，发现业务机会点。
问题主题三
人力分析主要分析哪些方面？
问题及内容贡献者：@宙刚、@六月、@y
小飞象
来回答总结一下
所谓的人力分析，即通过数据分析思维以及方法论，根据分析结果，配合企业业务开展，进行人力资源相关工作的调整。比如，招聘渠道的优化，薪酬策略的调整，招聘及培训方向的调整、绩效优化等。 人力分析一般分为：人力资源分析，人力资本分析，人才发展分析等。
一般而言，人力所需的数据渠道分为内部数据和外部数据。
①内部数据
内部数据是指从组织的人力资源部门获得的数据，通常包含：
· 员工任期
· 出勤率
· 当月招聘相关信息：各渠道提供简历数量，初选数量，面试数量，录用数量
· 员工薪酬
· 员工培训记录
· 绩效考核数据
· 高价值、高潜力员工的详细信息
·····
在数据收集方面最大的挑战之一，是收集正确且有质量的数据。这里的挑战是，有时这些数据是不连续的，因此不能作为一个可靠的度量。
② 外部数据
外部数据是通过与组织内其他部门建立工作关系获得的。来自组织外部的数据也是至关重要的，因为它提供了一个全局视角。
（1）财务数据：组织范围内的财务数据是人力资源管理分析中的关键，例如，计算每个员工的收入或雇用成本。
（2）特定组织的数据：根据组织的类型和核心产品（产品或服务），人力资源需要补充分析的数据类型会有所不同。比如，全球零售商的人力资源主管应该用商店收入、成本和顾客体验数据来为他们的分析引擎提供动力，而建筑公司的人力资源可能追求健康和安全的运营数据和与劳动力成本相关的数据。
（3）历史数据：一些全球性的经济、政治或环境事件决定了员工行为的模式。这样的数据可以提供内部数据所不能提供的洞察力。
人力分析不是上述这些内容能说清楚的，这里就不扩展了，只是给大家对人力分析一个大体认知，人效、各个岗位单位产出、人力成本、牛人占比、培训有效性等分析，这些都是对于人力分析比较有意义的维度。总之，进行数据分析的最终目的还是要回归于人力资源决策。
end
致谢
最后，非常感谢提出问题和踊跃回答的小伙伴！感谢@天生轮回眼、@红星、@坤、@萝卜英老师@宙刚、@六月、@yl等小伙伴！数据之路，与你同行！若大家有好的想法，欢迎留言交流，精选留言者，添加木兮，领取数据分析礼包以及运营地图！
下期精选问题汇总预告
AB测试应用？
······
敬请期待下一期
点个在看，证明你想看
超过60的话
会更快更新哦！
图片来源于网络
若好的建议和想法，欢迎在下方留言
我们将尽其所能打造数据分析交流的理想之地
分享，点赞，在看，安排一下？
