给数据分析师的几点建议
数据分析师如何提升数据质量与准确性
数据分析师如何提升数据质量与准确性在当今信息爆炸的时代，数据已经成为企业决策的重要依据。
然而，数据的质量与准确性往往受到挑战，这给数据分析师带来了巨大的挑战。
本文将探讨数据分析师如何提升数据质量与准确性的方法和技巧。
1. 数据收集与清洗数据分析的第一步是数据收集。
在进行数据收集时，数据分析师需要确保数据来源可靠、完整，并且不受偏见或错误的影响。
此外，数据分析师还需要对数据进行清洗，即去除重复、缺失或错误的数据，确保数据的一致性和准确性。
为了提高数据质量，数据分析师可以采用以下方法：- 核实数据来源：确保数据来源可信和权威，避免使用不可靠的数据。
- 建立数据收集流程：建立明确的数据收集流程，确保数据的完整性和一致性。
- 使用数据清洗工具：利用数据清洗工具，自动检测和清除重复、缺失或错误的数据。
2. 数据验证与验证数据验证是确保数据准确性的关键步骤。
数据分析师应该对数据进行验证，以确保数据的准确性和可靠性。
数据验证可以通过以下方法实现：- 与现实情况对比：将数据与现实情况进行对比，确保数据的准确性。
如果数据与实际情况不符，可能需要重新检查数据收集和处理的过程。
- 使用多个数据源：使用多个数据源来验证数据的一致性和准确性。
如果不同数据源之间存在差异，需要进一步调查并解决数据不一致的问题。
- 进行采样和抽样：对大规模数据进行采样和抽样，以验证数据的准确性。
如果采样和抽样的结果与整体数据一致，可以认为数据是准确的。
3. 数据分析与建模数据分析师需要运用适当的统计方法和建模技术来分析数据。
在进行数据分析和建模时，数据分析师应该注意以下几点：- 选择合适的统计方法：根据数据类型和分析目的，选择合适的统计方法和建模技术。
不同的数据类型和分析目的需要不同的统计方法和建模技术。
- 考虑数据偏差：在进行数据分析和建模时，需要考虑数据的偏差和错误。
数据分析师应该使用适当的方法来纠正数据偏差，以提高数据分析和建模的准确性。
数据分析师的职业生涯规划
数据分析师的职业生涯规划在当今信息化社会中，大量的数据被生成和存储，数据分析师作为一项重要的职业走向备受瞩目。
数据分析师负责通过统计和分析数据，为企业或组织提供正确的决策支持。
本文将探讨数据分析师的职业生涯规划，并提供一些建议和建议。
一、行业认知与技术学习作为一名数据分析师，首先需要对行业有一定的认知。
了解行业的特点、发展趋势和需求，能够更好地理解数据的价值和意义。
此外，数据分析师还需要不断学习和掌握最新的技术和工具，以保持在行业中的竞争力。
例如，熟练掌握数据处理软件如Python和R，以及数据可视化工具如Tableau，将使得分析师能够更好地处理和展示数据。
二、培养数据分析能力数据分析能力是数据分析师所必备的核心能力。
这包括数据清洗、数据统计分析、建立数据模型和预测等。
要提升自己的数据分析能力，可以通过参与一些数据分析项目，或者自己找一些数据进行实践操作。
此外，还可以参与一些在线学习平台或培训课程，深入学习数据分析的基本理论和方法。
三、沟通与表达能力作为数据分析师，不仅要对数据进行分析，还要将结果通过适当的方式进行沟通和表达，使得决策者能够理解和应用。
因此，沟通和表达能力也是数据分析师必备的能力之一。
这包括书面报告、演示文稿和口头陈述等。
可以通过参加一些演讲或者写作培训班，提升自己的沟通和表达能力。
四、行业实践和经验积累在职业生涯规划中，获取实际工作经验是非常重要的。
可以通过实习、兼职或志愿者等方式进入数据分析相关岗位，亲身体验工作的环节和需求。
同时，积累行业相关的经验，不断完善自己的专业技能和知识。
通过实际工作中的学习和锻炼，逐步成为行业中的专家。
五、与人协作与团队合作数据分析师在工作中需要与不同部门和团队进行协作，共同解决问题和完成任务。
因此，与人协作和团队合作能力也是必不可少的能力之一。
这包括有效的沟通、灵活的人际关系处理以及适应团队合作的能力。
可以通过参加一些团队建设培训和活动，提升与人协作和团队合作的能力。
大数据分析师的工作中常见问题及解决方法
大数据分析师的工作中常见问题及解决方法随着大数据时代的来临，大数据分析师的职业需求不断增加。
然而，大数据分析师在工作中常会面临一些问题。
本文将探讨大数据分析师在工作中常见的问题，并提供相应的解决方法。
一、数据质量问题在大数据分析的过程中，数据质量是一个非常重要的问题。
数据质量的不准确或不完整会对分析结果产生负面影响。
为了解决数据质量问题，大数据分析师可以采取以下措施：1. 数据清洗：通过使用各种数据清洗技术，如数据过滤、去重、填充缺失值等，来提高数据质量。
2. 数据验证：使用数据验证技术来确保数据的准确性和完整性。
例如，通过验证数据的来源、数据的格式以及数据的一致性来保证数据的质量。
3. 数据监控：建立定期的数据监控机制，实时监测数据的质量，及时发现和解决数据质量问题。
二、数据安全性问题在大数据分析过程中，数据的安全性是一个不容忽视的问题。
尤其是涉及用户隐私和机密信息的数据，其安全性尤为重要。
以下是解决数据安全性问题的一些方法：1. 数据加密：对敏感数据进行加密是一种有效的保护数据安全的方法。
使用各种加密算法，如对称加密和非对称加密，来保护数据的机密性。
2. 权限控制：通过合理设置用户权限，限制用户对数据的访问和操作权限，从而确保数据的安全性。
3. 安全审计：建立安全审计机制，定期审计和监测数据的访问、分享和使用情况，及时检测和预防潜在的安全威胁。
三、数据处理效率问题大数据分析需要处理庞大的数据量，因此，数据处理效率是一个常见的问题。
以下是提高数据处理效率的一些方法：1. 并行计算：使用并行计算技术，将数据分成多个部分并同时处理，从而提高数据处理的效率。
2. 分布式存储：采用分布式存储技术，将数据分布在多个节点上存储，实现数据的并行访问和处理。
3. 数据压缩：对于大量的冗余数据，可以使用数据压缩技术来减小数据的存储和传输开销，提高数据处理的效率。
四、数据可视化问题数据可视化是大数据分析中非常重要的环节，可以帮助分析师更好地理解和传达分析结果。
数据分析师的职责和数据处理能力要求
数据分析师的职责和数据处理能力要求数据分析师作为一种新兴的职业，承担着对大量数据进行深度挖掘和解读的重要任务。
他们需要具备一系列的技能和能力，包括对数据的处理、分析和可视化的能力。
本文将详细探讨数据分析师的职责，以及他们在日常工作中所需要具备的数据处理能力。
一、数据分析师的职责作为数据分析师，他们的主要职责是分析和解释大量或复杂数据，为企业或个人提供决策支持和业务发展方向。
下面是一个数据分析师在职责层面上常常需要承担的任务：1. 数据收集与清洗：数据分析师需要从各种不同的来源中收集和整理数据。
在进行分析之前，首先要对数据进行清洗和预处理，确保数据的准确性和完整性。
2. 数据分析与建模：数据分析师需要根据业务需求，运用统计学和预测模型等工具对数据进行深入分析。
通过构建数据模型和算法，他们可以识别出隐藏在数据背后的有价值的信息和趋势。
3. 数据可视化与呈现：数据分析师需要将复杂的数据转化为易于理解和传达的可视化形式，如图表、报表和仪表盘等。
这样可以帮助他们向非专业人士清晰而直观地展示分析结果。
4. 业务洞察与建议：数据分析师需要从数据中提取有关业务和市场的洞察，并基于这些洞察提出相关的建议和策略。
他们应该具备对数据分析结果进行解释和沟通的能力，以便与决策者进行有效的合作。
二、数据处理能力要求为了胜任数据分析师的工作，以下是一些数据处理能力要求，他们需要具备：1. 数据管理能力：数据分析师需要熟练掌握数据管理工具和技术，能够有效地处理和组织大规模数据集。
他们应该熟悉数据库查询语言（如SQL）和数据清洗工具（如Python和R）。
2. 统计和数学能力：数据分析师需要具备扎实的统计和数学知识，以便能够理解和应用各种统计分析方法和模型。
熟练运用假设检验、回归分析、时间序列分析等方法，可以更准确地解读数据。
3. 编程和数据工具：数据分析师应该具备一定的编程技能，例如Python或者R语言，以便能够进行数据操作、分析和可视化。
精算师的数据分析技巧
精算师的数据分析技巧精算师是一项复杂而重要的职业，他们通过对风险和不确定性的研究与分析，为保险公司和金融机构提供决策的支持。
数据分析是精算师工作的核心，下面将介绍一些精算师在数据分析方面的技巧和方法。
一、数据收集和整理精算师在进行数据分析之前，首先需要收集与研究对象相关的数据。
他们可以从公司内部的数据库中获取数据，也可以通过外部渠道获取相关数据。
收集到的数据通常是原始数据，需要进行整理和清洗，以便更好地进行后续的分析工作。
在整理数据时，精算师需要注意以下几点：1. 剔除异常值：异常值可能会对分析结果产生影响，需要将其剔除或进行合理处理。
2. 填补缺失值：对于缺失的数据，精算师可以通过插值或其他方法进行填补，以保证数据的完整性。
3. 数据标准化：对于不同种类和单位的数据，需要进行标准化，以便于后续的分析。
二、数据可视化数据可视化是精算师进行数据分析的重要手段之一。
通过绘制图表和图形，可以更直观地展示数据的特征和趋势，帮助精算师更好地理解和分析数据。
在数据可视化方面，以下是一些常用的技巧和方法：1. 条形图和饼图：适用于展示分类数据，比如不同产品的市场份额。
2. 折线图：适用于展示时间序列数据，比如保费收入的变化趋势。
3. 散点图：用于展示两个变量之间的相关性，比如投资收益率与风险之间的关系。
三、数据建模精算师在进行数据分析时，通常需要使用统计模型来对数据进行建模和预测。
常用的统计模型包括线性回归模型、时间序列模型、分类模型等。
在选择和应用模型时，以下是一些建议：1. 根据数据类型选择合适的模型：不同类型的数据适用于不同的模型，根据数据的特点选择合适的模型进行分析。
2. 验证模型的拟合度：通过计算模型的拟合度指标（如R方值），评估模型对数据的拟合程度，选择最合适的模型。
3. 模型预测和诊断：使用模型对未来进行预测时，需要对模型进行诊断，评估预测结果的准确性和可靠性。
四、数据敏感性分析在数据分析过程中，精算师需要对数据的敏感性进行分析，评估不确定性对结果的影响。
大数据分析师的技能要求和培训建议
大数据分析师的技能要求和培训建议随着信息技术的飞速发展和互联网的普及，大数据分析师的需求也越来越大。
大数据分析师作为一种新兴职业，需要具备一定的专业知识和技能。
本文将重点讨论大数据分析师的技能要求以及培训建议。
一、大数据分析师的技能要求1. 数据分析能力：作为一名大数据分析师，必须具备较强的数据分析能力。
这包括对大规模数据的收集、存储、清洗和分析能力，能够从大量的数据中挖掘出有价值的信息和洞察。
2. 统计学知识：统计学是大数据分析的基础，分析师需要具备一定的统计学知识，包括统计分布、假设检验、回归分析等内容。
只有在掌握了这些知识之后，才能更好地进行数据分析和解读。
3. 数据可视化能力：大数据分析师需要将复杂的数据结果转化为可视化的图表或图形，以便于他人理解和利用。
因此，熟练使用数据可视化工具和技巧是大数据分析师必备的技能之一。
4. 编程能力：编程是大数据分析师的基本功之一。
熟练使用编程语言如Python、R等进行数据处理和分析是必备技能。
同时，掌握SQL 等数据库查询语言也是非常重要的。
5. 领域知识：不同行业有不同的数据特征和需求，因此熟悉和了解所在领域的专业知识是大数据分析师的一项基本要求。
只有深入理解所在行业的数据和需求，才能更好地进行分析和解读。
二、大数据分析师的培训建议1. 学术培训：对于想要成为大数据分析师的人来说，获取一定的学术培训是必不可少的。
可以选择报读相关的大数据分析、统计学、计算机科学等专业的学位课程或研究生项目，通过系统的学习来掌握所需的专业知识和技能。
2. 在线学习：除了学术培训之外，还可以通过参加在线学习平台的课程来进行专业的大数据分析师培训。
这些平台提供了丰富的学习资源和实践机会，可以帮助学员掌握数据分析的基本技能。
3. 实践经验：实践是成为一名优秀的大数据分析师的关键。
在学习的过程中，可以通过参与项目、实习或者组织数据分析比赛等方式积累实践经验，提升自己的技能水平。
如何写好数据分析报告和提出建议
如何写好数据分析报告和提出建议引言数据分析报告和提出建议是数据分析师工作中非常重要的一部分。
通过撰写有效的报告和提出明晰的建议，数据分析师可以向决策者传达数据分析结果和洞察，并为组织提供实用的指导。
本文将介绍如何写好数据分析报告和提出建议，以帮助数据分析师提高沟通效果和职业表现。
1. 确定报告目标在撰写数据分析报告之前，第一步是明确报告的目标。
明确目标将有助于指导报告的内容和结构，确保报告能够有效地传达分析结果和提出建议。
报告的目标可以是解决特定的业务问题，比如提高销售额或优化市场活动。
确保目标明确并与利益相关者达成共识是撰写报告的关键第一步。
2. 了解受众在撰写数据分析报告时，了解受众是非常重要的。
不同的受众可能对数据的理解和需求有所不同，因此报告的内容和语言应根据受众而定。
例如，对于高层管理人员，报告可能需要更加简明扼要，强调高层指标和关键洞察；而对于技术人员，报告可能需要更多的技术细节和数据方法。
了解受众并根据其需求进行调整，可以提高报告的可读性和实用性。
3. 结构化报告一个良好的数据分析报告应该具有清晰的结构，以便读者能够快速理解报告的内容和重点。
以下是一个常见的结构：3.1 概述在报告的开始部分，对报告的目的和结论进行概述。
简要介绍报告背景，并强调需要解决的问题和提出的建议。
这有助于读者快速了解报告的重点。
3.2 数据搜集和处理方法在这一部分，介绍数据的来源和搜集方法。
描述数据的处理过程，包括数据清洗、整理、转换等步骤。
这有助于读者了解数据的可靠性和分析的可信度。
3.3 数据分析结果在这一部分，陈述数据分析的结果和洞察。
可以使用图表、表格或文字描述等形式，将分析的关键结果呈现给读者。
确保结果的陈述简明扼要，重点突出。
3.4 建议和行动计划在这一部分，提出基于数据分析结果的建议和行动计划。
明确指出如何解决问题或改进业务绩效，并提供具体的步骤和时间表。
建议应该具有可操作性，并与报告目标一致。
金融行业数据分析实践经验总结
金融行业数据分析实践经验总结数据分析，在如今这个数据时代越发重要。
随着金融行业不断发展，数据分析更是应用得越来越广泛。
通过数据分析能够更加准确地识别出潜在风险和机会，为企业提供决策支持，优化内部流程，增加营收，降低成本，提升客户满意度等多种方面做出贡献。
在金融行业数据分析方面进行的实践中，我们积累了很多经验和启示，以下列出几点：一、数据质量是关键作为分析师，认真对待处理数据的质量是非常重要的。
数据中包含的信息选择、缺失、异常以及数据源的可靠性，都可能导致分析结果的误差。
针对数据质量问题，我们需要做好数据清洗工作，确保数据的准确、完整和一致性。
二、选择合适的统计分析方法在数据分析的过程中，要将数据转化为有意义的决策支持信息需要用到各式各样的数据模型和统计分析方法。
例如，回归模型、聚类模型和关联规则模型等。
我们需要根据数据的特点、目的和限制，选择最合适的模型和方法，提高分析的精度和效率。
三、形式化在模型中的变量建模指标选择是模型解释性、预测性和稳定性的保证。
为了建立更好的模型，要在指标选择上下功夫。
在指标筛选中，不能仅根据主观经验或单变量筛选，而应从业务目标、数据特性出发，借助多变量分析，事先预测与变量红旗的关系及起点，降低过多因素对分析造成的影响，从而选择最合适的变量。
四、数据可视化分析数据分析离不开的工具便是数据可视化分析。
因为数据分析的结果让很多人难以理解和利用。
而数据可视化分析可以帮助我们在数据分析的过程中加强沟通交流，更好地探索出数据中的故事，发掘出数据背后的价值。
五、不断提升技术水平数据分析技术一直在不断发展，研究新技能和最佳实践将有助于我们掌握最新的技能，并确保在日常工作中不断改进。
我们应该不断学习前沿的数据分析技术以及掌握相应的工具，例如Python和R语言。
总之，雄厚的金融数据分析实践积累，是金融行业获得成功并实现长期增长的核心竞争力。
掌握好对数据分析的基础和核心技术，不断优化数据分析过程和结果，始终坚持以客户和市场为中心，为企业提供更优质的服务，助力企业发展。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
几点想法，分享给刚入门的数据分析师，也跟经验丰富的数据分析师做下探讨。
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该如何判断活动效果好坏？
第一步结果总算出来了。
那么假设结果是好的（先不管对比的是什么时间），那确实是好的吗？我们知道做活动效果肯定会好啊。
尤其在中国，只要价格低，无论多么差的用户体验，无论网站UI多么垃圾，无论送货多么慢，订单转化率一定会起来。
这就意味着，无论你的营销、运营做的怎样（只要不是特别特别差），各个渠道、各个节点转化率都会上来。
这时候，你会怎样分析？其中有多少是归于渠道或运营本身的优化因素，而有多少是归于活动影响？
假设我们能找出其中归于活动本身或渠道、运营本身的影响因素，结果出来后可能是——刨去活动影响，渠道、运营做的转化率其实变化不大（事实上通常是这样的，但我们不能否认他们的功劳，毕竟没有流量、没有运营，网站无法正常运行），工作效果不明显啊？你会怎样？直接告诉你的同事他们的工作没效果？可能你不会那样做，那此时你该如何取舍？尽职尽责做好一个数据的本职工作还是考虑下其他因素？怎么做才能既让数据价值最大化又能不打击同事的工作积极性？
2.数据质量永远是数据分析立项后首先要考虑的
做过大型数据分析的同学刚开始或多或少有这样的经历，拿到数据后经过分析发现了一个异常分析点，做了N多预处理、N多牛叉的模型，N多分析和多维钻取，最后把报告呈现出来，跟业务沟通的时候，业务只说了一句话“哦，那个异常数据啊，那是我们的测试数据”，然后我们会不会疯掉？
为什么会出现这种问题，因为拿到数据后没有进行一步必要的步骤——数据质量验证。
什么是数据质量验证？我理解的是首先要理解数据来源、数据统计和收集逻辑、数据入库处理逻辑；其次是理解数据在数据仓库中是如何存放的，字段类型、小数点位数、取值范围，规则约束如何定义的；第三是明确数据的取数逻辑，尤其是从数据仓库中如何用SQL取数的，其中特别是对数据有没有经过转换和重新定义；第四是拿到数据后必须要有数据审查的过程，包括数据有效性验证、取值范围、空值和异常值处理等。
当这些工作都做充足之后才是数据分析。
但可惜的是大多数数据分析师都不关注数据质量问题，甚至对数据的理解仅限于表现定义。
当然做足了底层的工作，你会发现做起数据来事半功倍，并且你的结论和推到是经得起验证和考究的。
3.缺乏落地的数据没价值，除非是市场分析
数据的价格在于对业务的驱动，不管你的业务对象是你的BOSS还是同事。
很多情况下，我们的数据分析师是这样工作的：一天到晚闷头做事，出数据写报告。
结果出来的数据结论和建议会有这么几种情况：
1.分析过程明显不符合业务操作实际；
2.结论明显是错的；
3.建议方向性很对，但是空洞，具体执行缺乏落地点；
4.建议方向性很明确，也有具体执行建议，但是业务不能执行；
上面的问题中，第一二条会偶尔发生，第三四条会经常发生。
为什么？从数据的角度来讲没问题，但是落实到业务实际上有问题。
问题出现哪？主要是这几方面：
•数据分析师根本不懂业务操作流程，凭自己的理解去猜测业务流程；
•数据分析师根本不知道现在业务的困难点在哪，哪些是目前最紧急的，凭自己的感觉认为“我觉得这些对他们最最有用”；
•数据分析师根本不知道业务能控制哪些，不能控制哪些，即使能控制又是否业务有必要去做，导致建议不是该业务部门能执行的。
4.数据解读能力和业务应用能力永远大于工具应用能力，不要迷信算法
和模型
受至于数据的普遍理论影响，很多数据分析师会认为会多少个模型，多少种算法是一件多么牛叉的事情，诚然，数据尤其在面对海量数据时，普通的数据分析方法常常感觉无能为力，但这并不意味着工具和方法就决定了数据分析师的层次。
举例来说，通常我们用的数据挖掘模型，业务都很难理解，假如你花很长时间作出一个关联模型，如果你这样告诉你的业务受众：A商品和B商品关联程度较高，从支持度，置信度和提升度来讲效果显著。
那我们可以预想到这个挖掘的结果很难落地，并且意义不大。
从业务受众实际应用层面来讲，两个商品关联度高意味着什么，意味着用户通常会一起购买这两件商品（也有可能是复购，具体看数据选取规则），那一起购买又怎样？我们是否可以把这两件商品做打包促销？是否可以做关联推荐？是否可以做个性化营销？是否可以引导用户消费倾向？甚至在活动页面设计上，是否可以将相关度高的品类，品牌摆放在一起来促进销售？又或者这是否可以做流失挽回的参照指标，重新审视之前每次的广告＂通发＂？这才是数据价值，无法跟业务结合的数据模型毫无价值。
5.业务需求是数据分析的起点，但之前你需要培养业务的数据意识
很多时候我们希望等待我们的业务自己上门提需求，并且以需求为数据分析的起点，似乎很多教材也是这么说的，基于业务需求的数据分析目的更明确，分析结论和效果落地也会阻力更小，但实际情况是业务通常是数据不敏感的，主要表现在：
•业务没有数据决策的意识。
大多数业务的第一行动引导因素还是业务经验，无论是基于事实的经验还是拍脑袋决策，数据绝对不是行动前必须参考的因素；
•业务不知道数据在哪些方面能帮到他。
业务很多时候只是有个想法，想让数据证明点什么，但说不清楚。
通常业务的措辞是“我们想知道这次活动的效果怎么样”、“我们想了解广告效果为什么不好”。
至于具体效果指的是什么业务自己也说不清楚，甚至是业务自己也不知道到底想要什么。
•业务不相信数据。
如果数据结果出来时和业务设想的不同，那业务的第一反应是怀疑数据，无论是数据的出处、分析过程还是结论，业务总想找到能证明自己观点对的东西。
所以我们会感觉，业务用数据的目的只是为了证明自己当初设想的正确性。
作为数据分析师，我们不能要求业务必须要懂数据、理解数据，但是我们需要把数据能解决什么问题，怎么解决的，解决之后会给业务带来哪些改进以及效果上的优化，如果能预测出一个具体数值或最起码有一个范围，业务会更加相信数据的真实性、准确性。
如果培养业务的数据意识？
•数据意识是一个不断积累的过程，需要每周至少2~3次专项沟通，每次沟通至少持续半个小时，大概半年之后业务会形成一定的数据意识，最起码意识到在某些时候，数据会解决一些问题；
•每次沟通时，明确告诉业务数据能给他们带来哪些好处，能实现什么，在哪些主要业务点上能发挥作用，这样业务会认为数据会是一个能帮到自己的东西；
•数据不只是在业务执行之后才会发生作用的，在业务执行前的预测与计划，在业务执行过程中及时预警与恶意数据监控都是数据能发挥作用的场合，并且这些都能在“坏数据”、“坏结果”出来之前通过数据区去改善，这些将比结果出来后再去分析要更有意义。
•作为数据分析师，需要不断提高自身能力。
能力包括业务理解能力和数据分析能力，既能把业务“粗糙的要求”转换成数据需求，又能将数据结果转化成业务可理解、可执行、有时间限制、能验证结果的数据输出。
我相信数据是一门艺术，良好的数据能力可以处处在业务中展现能力，并且确实可以提高业务价值，这是数据存在根本，也是数据分析师立足的根本。
限于篇幅，暂时只能抛砖引玉，待与大家讨论。
期待大家的沟通。