数据分析，从字面意思上来看主要是分成两个部分，一个是数据，一个是分析。从数据的角度来说，主要的工作内容就是偏技术性的居多。而分析的话就会涉及到更多的专业知识，比如对于指标数据（KPI）的对比，更重要的是对比之后所采用的策略。当然了，两个部分不是独立的，相互之间是有联系的。首先要有专业的知识，对指标性数据的设立和了解，才能确定我们需要知道什么样的数据。

举个很简单的例子，比如在一个大型超市里，这个月的营业额相比于上个月有很大幅度的降低。那就来分析下为什么营业额会大幅下降？一般的操作肯定是把几大类消费品这两个月的销售额找出来进行对比，看看哪项相对于上个月有较大的变化。这样决策者会要求手下的人生成一个这两个月的销售报告，而销售额是一个指标性数据，同时在销售额这个指标性数据衍生出来的我们还能想到的就是变化幅度，比如上涨了百分之多少，下降了百分之多少等等。

而从数据库中提取这两个月销售额相关的数据，处理这些数据，并且体现在报告上就是通过技术性手段来实现的；在这个过程中所涉及到的技术性的问题就是对数据库的了解。因为数据的存储一开始并不是以人们的需求的格式来存储的，人们只能根据自己的需求去数据库中去寻找相关的数据。举个简单的例子，比如你想知道水果这两个月变化的数据，那么你就要在数据库中去设定两个条件，一个是水果，一个是这两个月。水果当中也有不同的种类，比如是苹果还是葡萄，同样的种类也有不同的分类，比如葡萄中有绿葡萄和紫葡萄，且产地有来自美国的和加拿大的，为了数据更能反映出问题，需要转变数据的格式来得到自己想要的。

在提取数据并转换数据格式，这就是数据分析中的技术性部分了。在实际工作中都是通过编程的方式完成的。在大型的机构中，都是有一些日常性的程序的，因为在日常工作中每个星期，每个月或者每个季度产生结构相同格式的报告是十分常见的。当然也会有一些临时安排的任务（英文叫ad-hoc work），比如你老板突然想看下上个月来自加拿大的紫葡萄的销售额多少等等。

最后一个就是把整理好的表格如何反映到销售报告上，现在最流行的就是数据的可视化报告。比如我们经常能看到的柱状图，线状图，饼状图（实际工作上并不常用饼状图）等等。

当这份报告到了决策者手中时，决策者会看到这些指标性数据来进行比较，比如看到了来自美国的有机苹果的销售额相比上个月下降了10%，来自加拿大的紫葡萄比上个月的销售额下降了15%等等的这些类似的数据发现。那下一步可能进行对比了，比如对比于去年同一个月是否有很大的变化，因为有些商品的销售就是有季节性的。如果相比于去年同期也下降了不少，并且是造成这个月总销售额下降的主要因素，那这就是发现了主要的问题。

这个问题为什么会发生？那原因可能是多种多样的了，比如因为供应链出了问题，比如现在人们的口味变了，再比如竞争对手这个月有促销活动等等。这部分就像上面说的，需要有专业知识和背景了，然后根据不同的问题采用不同的市场策略来扭转销售的颓势。

而数据分析工作，在大型的机构当中，80%的都是做的技术相关的工作，或者说工作的80%都是这一部分。主要是根据决策者的主观经验，按照决策者的要求来产生相应的报告，把决策者想要看到的数据呈现在他们面前。当然有的数据分析岗位也会向决策者提供自己的意见和建议，但大部分还是一种被动的工作状态。在这个过程中如何通过技术性的方法把决策者想要看到的数据呈现出来，其实在现代社会分工如此细致的背景下，也是一个很大的工程。所以数据分析得比较大的工作量是编写程序，运行程序和修改程序。

这也是为什么在市面上有很多数据分析的培训，都是技术类相关的培训，比如我们经常可以看到的Python课程培训，SQL课程培训，甚至是Excel培训等等。当然，又有技术，又有一定的主观分析能力的人肯定是就业市场上的香饽饽。

当然，根据业务或部门职能的不同，技术也是不同的。比如现在比较火的人工智能，需要系统或机器自己能有对市场的判断和决策能力。比如把商业现状量化后输入到一个系统中，系统自己就能给决策者提供一个市场策略的建议和选择，或者某一市场策略的对未来市场表现进行预测。这部分就需要数据分析人员用大量的历史数据来建模（modeling），然后把建好的模型输入到系统当中去了。这个属于更高级的数据分析，也是未来的一大趋势，但在目前的就业市场中并不是大多数。

希望我上面的介绍能让大家对数据分析这个岗位有个基本的了解。

图自网络，侵删。