共计 5277 个字符，预计需要花费 14 分钟才能阅读完成。
依靠数据分析，买房可以少花 40 万。
刘红阁在北京的第二次买房，是 2016 年的 8 月份。她入手后仅一周，北京房价进入了下一次全民疯狂的上涨通道。据国家统计局数据显示，2016 年 9 月份，北京新建商品住宅销售价格曾创下单月同比上涨 30.4% 的历史记录。
怎样抓住稍纵即逝的买房时机？
其实很简单。先把历年北京的房价走势数据拉出来看看。2012 年房价疯涨后，13 年进入横盘期，14 年全年趋势下行，15 年中开始上涨。房价在 2 - 3 年的横盘或者下行后（主要受政策调控影响），会进入下一个上涨通道。观察半年后，刘红阁和一个同是数据分析师的闺蜜朋友计划 2016 年春节后买房。
朋友出手的时间是 2016 年 4 月，而她当时做了一个不太明智的决定，先置换开了近 10 年的汽车，暑期再入手房子。这一犹豫不要紧，仅仅 4 个月的时间，房价涨了 40 万。
她没有再纠结就下手了。虽然错过了很好的时点，但她已经闻到市场上弥漫的不理性味道，预料到接下来可能会有一场血雨腥风的暴涨，并伴随一系列的强管控。
果然，2017 年 3 月 17 日，北京出台了「认房又认贷」、提高二套房首付的「3·17 新政」，被称为北京楼市最严厉调控措施。此后，北京陆续出台大小 30 条以上的楼市调控措施，假结婚、假离婚、平房、法拍房、信用贷……一个又一个可能利用的「漏洞」都被调控政策堵上了。而她已经轻巧地避过了这场大风。
不仅如此，数据分析还可以发挥保险的最大价值。 怎么操作呢？
王淑娟首先会对比各个保险（重疾险、分红险、基础保障险等）涵盖的疾病类型、风险情况、分红时间等信息。其次，查询一下各类疾病在不同人群中（男性、女性、年龄段等）出现的概率。然后，综合考虑每个家庭成员的情况，决定购买哪家公司的哪款产品。
「比如我家小孩两岁，身体素质很好，生病概率很低，加上我们重护理的理念，决定了在疾病上不会花费太多，所以主要给他购买分红类的保险。」
找工作，数据分析也可以帮忙。
温融冰会敏锐关注财经新闻中指标的增长率。「如果某个细分行业年增长率高达 15-20%，它一定在高速发展，毕业生可以考虑加入。对比于发达国家，宏观经济或行业领域变化大于 5% 的指标都值得关注，如果变化大于 20%，往往不是机会就是陷阱。」
读到这里，对他们的职业好奇吗？本期图灵访谈就带大家了解三位数据分析专家的故事。
刘红阁博士，百度商业分析规划部负责人，原埃森哲咨询经理，专注于数据挖掘、机器学习、数据可视化领域。
王淑娟，阿里巴巴数据分析专家，原埃森哲咨询经理，专注于企业运营咨询、数据分析、数据可视化等领域。
温融冰，菜鸟网络数据分析专家，原埃森哲咨询经理，专注于企业战略管理、财务与绩效管理、数据分析等领域。
数据分析师的职业进化论
随着大数据时代的到来，企业如何挖掘和运用数据的价值推动了数据分析行业的崛起。
三位专家见证了这个过程，他们的职业生涯经历了从传统行业的咨询业务，到结合数据分析的咨询项目，再到专门化的数据分析部门的一路转变。
刘红阁博士目前是百度商业分析规划部的负责人，她转入数据分析领域的过程非常具有戏剧性。
当时她是埃森哲的咨询顾问，独立承担了广东电网公司的物资需求预测项目。项目的难度非常高，取得了很多成果，发了一篇论文，申请到了一个专利。该项目的成功经验被她也带到了国家电网公司总部，并在多个省公司进行应用推广。
在该项目进行的过程中，一个数据挖掘的负责人离职了，当时她的客户面试了公司提交的多个候选人都不合适，最后竟然决定，让之前从没有接触过数据分析的她来试试看。
这个奇妙的机会是她人生的转折点。「为什么说人生转折点，回头望一望，才发现从事数据分析之前的几年工作，都不是自己真正喜欢的，只是为了工作而工作。走上数据分析这条路后，我像打开了人生的一道门，愿意付出非常多的时间去钻研，也忍受得了数据探索的煎熬和繁重的数据清洗工作。可能非常享受发现数据洞见那一刻的美好吧，所有的付出都感觉是值得的。」
不过，在传统行业，数据驱动业务的实践还有很多的局限性，为此她加入了百度。在百度的 4 年多里，她遇到的很多管理者都非常有数据思维，坚持用数据说话。在数据的驱动下，团队的科学决策水平也在大幅地提升。
相比起来，王淑娟和温融冰踏入数据分析领域的过程，则是行业数字化发展的水到渠成。
王淑娟的第一份工作选择了能源领域的管理咨询。随着能源领域的信息化，数据积累越来越多，承接的数据分析相关项目也越来越多，她就此契机转行到了数据分析领域。
后来，她对互联网公司的快速发展比较好奇，就加入了阿里。「阿里对数据的准确性和实时性都要求很高，所有的业务决策都要有数据分析的支撑，同时每个部门都有专门的数据保障团队，来确保数据的可用和统一。」
温融冰的大学专业是工商管理，起初一直在管理咨询行业。2011 年，他负责了第一个完整的数据分析项目，某保险集团公司的客户分群项目。
当时大数据的理念还远没有今天这么广为人知，那个项目让他第一次学习到，如何充分利用企业内部明细粒度的数据，系统性地指导市场、销售、和运营决策。此后，受咨询行业「数字化变革」的影响，客户的咨询项目都跟数据分析有关。
后来，缘于对物联网数据的兴趣，加上身处杭州，他加入了阿里体系中和物联网相关性最高的 BU，菜鸟网络。接触到了更丰富的数据应用场景、更便利的数据基础设施（包括数据仓库与分析工具）。
从数据破解谜题
「做数据分析像登山，到山顶的路有很多条，但是最短路径往往只有一两条，经验丰富的人，更容易找到它们。」
他们通常的工作场景是，与业务团队紧密配合，通过数据分析的手段（产出业务分析报告）洞察和诊断业务风险，为决策及运营提供数据支持。
听起来是不是很神秘？像福尔摩斯一样，轻巧地破译藏在数据中的线索。
的确如此，破案的第一步，就是将摆在面前的事实仔细梳理，找到要解答的问题是什么，也就是作案动机。然后才能从正确的方向，定位凶手是谁。
理解业务就是理解动机。
温融冰说：「一般的困难总是源于是否充分理解了商业问题。新人容易马上动手开干。我建议，还是尽可能地理解对方想通过数据分析解答的商业问题是什么，这样会事半功倍。不要担心面子问题，追问下对方的真实诉求。」
既然找到了问题所在，是时候展现真正的实力了！
哎，先等一下……破案之前，一个问题迫在眉睫：如何拥有和福尔摩斯一样构造精密的大脑？
答案，似乎不能。
But！即便不能仿造他的记忆宫殿，我们只要学会控制自己的大脑，构建思维框架，就能使分析更精准，更有效率。避免毫无头绪地思考浪费大量时间和精力。
在这方面，温融冰回忆：「我在 Capgemini 的项目经理 Lion 对我影响最深，是他真正地训练和传授我：结构化思考、深入浅出的表达。」
然后，就可以利用沉淀的业务分析方法论，结合最新业务情景，大胆假设分析思路（复杂分析任务需要设计分析框架），开展分析，进而产生结论。
最后，将结论与业务方沟通确认（有时需修正分析思路，重新开展分析），并就可行性解决举措进行商讨，最终汇报结论。
其中，对数据进行可视化分析时，图表等工具只是一种表达方式。
王淑娟提醒：「不要为了好看而做报表，不要追求复杂的图，传递的结论、分析的逻辑更重要。」
这就是通常的数据分析流程。刘红阁总结：「同样的一个数据分析需求，新人可能会因为缺乏对业务的深刻理解、有效的分析思路或者完备的分析框架，无头苍蝇一样乱试，花费了很多时间，但无法在有限时间内产生有意义的数据洞见。
「有经验的数据分析师，往往先不会着手取数、分析数据，而是花比较多的时间了解背景、梳理和设计思路。做数据分析像登山，到山顶的路有很多条，但是最短路径往往只有一两条，经验丰富的人，更容易找到它们。」
打磨数据原石
罗素：「一切伟大的著作含有乏味的部分，一切伟大的生活含有沉闷的努力。」
和数据打交道，枯燥是无法避免的。在产生数据洞见之前，他们经常被海量无意义的数字淹没。数据分析就是静下心来，沉潜到深海，寻找他们要的那串珍珠项链。
这个过程中，严谨至关重要。刘红阁说：「多年的数据分析工作从业经验，训练了我敏锐的数据洞察力和严谨的逻辑思维能力。工作时非常‘强迫症’，这可能和我的角色有关系，我出口的数据 insights 是高层做实实在在的决策用的，决策的结果与百度收入密切挂钩，正确与否非常易于检验。」
既然一切结论都是建立在数据之上，基础就要打牢。温融冰说，自己为了快速了解某块业务，甚至会用最笨的办法——抄写或重复数据，来增加熟悉程度。
王淑娟说，最常遇到的问题是数据口径不清晰、来源不清楚，导致分析结论不敢用。比较好但也比较费时间的方法是层层追溯，一直到系统层面，查看数据是如何被记录、被沉淀的，了解数据的加工链路，确保分析结论的可靠。
前几年，他们用 Excel 处理分析需求，每天都要搞表格搞到半夜，还因为数据量大总是电脑崩溃。
2014 年，他们广泛接触、比较试用各种敏捷 BI 工具，最后选中了 Tableau。为便于项目组的新老成员快速掌握，写了一份手册。因缘际会之下，这份文档变成书籍得以出版，也就是现在的《人人都是数据分析师》这本书。
Tableau 的确是一个非常有魅力且值得推荐使用的分析工具，可以节省处理数据的大量时间。
王淑娟说：「对于初学者，最实用和最通用的功能当然是快速成图和图表联动功能，能够帮助我们在繁复琐碎的数据中，快速发现规律、特征；自助分析功能也能帮助初学者去挖掘数据的分布等。
「进阶用户可以尝试 Python 和 R 的集成功能，以及 Tableau 的表计算、各种函数。Tableau 内嵌的丰富的函数，其实可以帮助我们快速实现很多复杂的操作，值得深入学习和挖掘。」
刘红阁也分享了自己的心得：
- 使用表计算时，需要重点关注计算依据和相对级别，否则易出错
- 一个工作表中，最好不要同时使用超过 3 个「集」，否则可读性差，也易出错
- 进行可视化分析之前，先对数据概况进行全貌的了解，包括数据分布、缺失值和异常点
温融冰提醒，使用 Tableau 必须时刻牢记：input 读入数据的粒度，即最小的观测值是什么。
用户在 Tableau 中简单拖放即可分析、探索数据，其背后的原理是将动作还原为 SQL 来汇总计算数据。与程序语言的区别在于：它不展示处理过程。因此，如果因粒度搞错而结果出错，用户自己往往不容易查出。
数据无终，卓越无止
工作占据了我们一生的大部分，因此要选择适合自己的职业，找到自己乐于投入的领域。
如果想要成为一名优秀的数据分析师，刘红阁说：「 首先，要真心喜欢这个职业。 兴趣是最好的老师，对数据分析师这个职业来讲，尤其重要。为什么？因为数据分析师干的是苦活累活体力活，要花费百分之七八十的精力来获取和清洗数据，真正做分析和写报告的时间是比较短的。如果没有真正的兴趣，是很难熬的一份职业，我会劝大家不要走这条路。
「 其次，要有很强的逻辑思考能力。 业务的复杂程度很高，数据分析师要解决的，不是产出一个数据报表这么简单的事情——否则 PM 或者 RD 自己都做了，就不需要这门职业了——而是非常复杂的业务问题，所以需要有超强的逻辑思考能力，抽丝剥茧，进行业务的分析与诊断。
「最后，要有悟性。 很多同学具备如上两个特质，但缺少悟性，那么数据分析这条路对他们来说，天花板就很低，在百度升到 P6 可以，再往上就非常难。悟性这个词听起来有点抽象，其实就是说对数据有很高的敏锐度。见到数据，会关联到具体的业务场景，主动思考和探究业务的本质或本源问题，提出想法，利用数据的手段，去改造、去解决、去提升业务。」
在此基础上，王淑娟说：「要分析、定位自己的兴趣所在，是在技术领域还是业务分析领域。如果是技术领域，可以多研究数据架构、存储方式等，往数据仓库方向发展；如果对业务结果更感兴趣，建议多尝试业务领域，培养对业务、数据的敏感度，往业务分析、商业分析领域发展。」
对于刚接触数据分析的新人，他们也分享了一些工具学习方面的建议。
刘红阁说：「新人的话，我建议工具选择 Python（如果已经很熟悉 R，那就用 R 也可以）、MySQL、Tableau。
- Python 是开源工具，Pandas 是操作数据的库，NumPy 和 SciPy 是高效进行数字和矩阵计算和转换的库，Scikit-learn 是机器学习的库，这几个库都非常常用，要熟练掌握。
- MySQL 的学习我就不用多说了，这是必备的数据获取语言。
- Tableau 是高效敏捷的数据可视化分析和探索性分析工具，精通它，可以让你的分析效率大大提升。」
温融冰说：「工具学习就是要多使用、多练习。 所有实践性的知识只有通过练习才能真正地掌握。」
此外，要培养阅读的习惯。他平时喜欢阅读政治哲学，及人文艺术等领域的内容，追求通识教育或知识结构的平衡。
不仅如此，刘红阁说：「数据分析需要多个领域的行业知识（经济、金融、互联网、统计、AI，等等），多读书有助于打开视野，也能将本职工作做得更好。」
插图来源：Pixabay
题图来源：Unsplash
扫一扫，京东购
《人人都是数据分析师：Tableau 应用实战》第 2 版
作者：刘红阁、王淑娟、温融冰
简单易用，拖放成图，无须统计、计算机背景，即可进行可视化分析，分秒间读取，快速引擎处理，帮你看见并读懂大数据。
