人在江湖，身不由己，人在职场，又何尝不是如此。就拿数据分析师来说，面对漫天的分析需求和紧迫的时间要求，焦头烂额成了常态。有什么办法能让分析工作更轻松么。我的经验是，当你搞定了以下两方面的事，未来就会游刃有余。
搞定哪两方面的事呢？
一是要搞定数，二是要搞定人
当分析师把这两件事搞定后，困难和问题都会迎刃而解。并且这两者之间相互交叉，难以割舍。处理好的时候，两者相互促进，相辅相成；处理不好的时候，两者互为掣肘，寸步难行。那么今天咱们就聊聊，怎么搞定数和怎么搞定人，以及两者之间有什么关系。
搞定数分为以下几个方面
1、搞定数的来源
巧妇难为无米之炊，没数的话拿什么分析。所以要有稳定的数据来源，这就涉及到你的数据提供方和提供方式的问题。
一般来说，数据分析组的数据大多来自于数据工程组。那么作为数据分析师的你，怎么和数据工程组建立高效的关系就十分重要。如果你连来源渠道都理不顺的话，后面就没法玩了。
我的经验是，首先分析组最好有自己独立的数仓，如果有能力的话，最好利用工程组的底层数据自建数仓（所以说分析师最好是半个数据工程师）。如果不行的话，就需要工程组来支持。需要强调的是，这个数仓需要不断的优化。
这里的优化并不是说数据越多越好，杂乱无章的数据无限制的堆积，最后反而把有价值的数据污染了。优化指的是完善数据架构，哪些数据应该聚合在一起，哪些应该分散，用什么样的维度聚合，用什么样的方式分散，这些方法也并不是一成不变（当然要根据能力和实际情况，在基础能力不足的情况下，保持稳定是很重要的），哪些数据冷存储，哪些数据热备份。搞定数据来源，才会让数据的使用更高效更便捷。
2、知道数据取舍
有稳定的数据来源，不代表数据充足。但是否充足，是一个相对的概念。无论什么样的企业也不可能无限制的获得和存储数据（这里涉及到数据成本的问题）。
所以分析师要对数据有概念，哪些数据是必须的，哪些是方便获取的，哪些是质量比较高的，这些数据建议先放在自己的数仓中。
对于当下不是必须的，或者获取成本非常大，抑或有质量问题的数据，建议可以循序渐进，分步获取。
但当业务分析遇到缺少数据的时候怎么办？这个时候更要深入业务，看看是不是可以换个角度需要回答问题。同时要能解释清楚，当前没有数据的原因，以及要补充这些数据的时间和成本。
这里考察的是一个数据分析师对于数据和业务不匹配的时候的处理能力。如果数据都是现成的，都是充足的，都是干净的，那么要数据分析师还有啥用？如果真的有这种情况出现，那这个数据分析师的薪水一定不高。只是简单的取数据而已，被替代性极强。
3、 保证数据清洁
接着上面的来说保证数据清洁的重要性。如果数据在毫无意义的堆积，而没有科学的处理，那么除了浪费资源，并无他用。并且当有用的数据被污染的时候，更是得不偿失。
所以要保证数据的清洁。哪些是测试数据，哪些数据格式有问题，哪些数据的定义比较含糊，这个过程是需要不断迭代和完善的。这里我说迭代和完善的意思就是说，没有绝对清洁的数据，也不可能通过一次处理就把数据搞的没有丝毫错误。而是说需要有机制保证清洁，有机制做重构和完善
4、 熟练使用分析工具
不同的分析师经常用的分析工具也是多种多样。比如SQL，Python，R，SPSS，BI甚至Excel。我个人认为，不一定需要全部掌握，但要根据自己所处的公司，所处的业务情况，有2、3个非常上手的工具，其他的也略知一二。
什么叫做非常上手呢？就是指能用这个工具解决绝大多数的问题。所以，对一个初级工程师来说，找一个适合的环境，迅速的提升自己在这方面的技能是很重要的。这也就是我们常说的刻意练习。对于工具类的掌握，刻意练习是一个非常有效的方式。就好比为什么很多运动员的训练分成不同的类型。例如一个打篮球的运动员，他需要把自己的身体打造成最适合这个运动的模式。那么力量、柔韧性、敏捷度都需要有不同的练习方式。
分析师的基础是搞定数，这个可以说是一个专业技能，他决定的是分析师的下限。所以对于很多刚入门的分析师来说，或者刚毕业的同学，抑或刚转行的同学，提高自己搞定数的能力，让自己的下限越高越好。
如果搞定数决定分析师的下限，那么搞定人就决定分析师的上限了。那么我们就接着聊聊如何搞定人
搞定人分为以下几个方面：
1 、搞定对应业务线的leader
最重要的放在最前面。
为什么业务线的leader是最重要的，因为在大多数公司，数据分析部是为业务部分服务的，或者说业务部门是分析部门的直接客户，并且也是最重要的客户。
你可以想象一种局面，所有业务部门的leader都说数据分析部没什么作用，做的东西没有什么价值，那么这个部门估计不久就没有了。和业务部门的leader配合愉快，事半功倍。
业务线leader的视角代表这条业务线的方向，他的问题代表这条业务线遇到的瓶颈或者难题，他关心的事情一定是这条业务的重点项目。所以要想让自己的分析产生最大的价值，或者让客户认可，一定要搞定业务线的leader。多交流，呈现专业性，站在对方的角度考虑。敢于把自己的视野往上抬，屁股要大，要往上坐，坐的高才能望的远。
2 、搞定业务线的关键员工
一般一个业务线除了leader，这个部门还会有2、3个关键员工（看部门的规模）。leader负责的是这个部门的方向，部门资源的协调，但正真熟悉业务的，了解业务细节的是这几个关键员工。要和这些员工混熟，这里的混不是一个贬义词。而是通过熟悉，深度交流，帮助你对业务有更深入的理解，更多视角的思考。
并且业务线leader是否信任你，跟你对他们部门核心员工的支持力度也是有关系的。当然，业务部门的员工是否信任你，支持你，也和你跟他们的leader认可你有关。这里是一个相辅相成的关系。不熟悉业务，就会事倍功半，甚至闹出一些常识性的错误。技术基础再好，在业务分析上犯了常识性的错误，相信没有人会认可你的专业性
3、 搞定数据工程师
数据工程师是基础数据的来源。但数据工程师和数据分析师天生就是矛盾的两个方面。
数据工程师认为分析师经常瞎折腾，朝令夕改，方案天天变，催自己跟催命似的。结果最后做出来的功能和产品都没有广泛应用或者不受认可，挫败感和沮丧情绪油然而生。分析师会认为工程师不给力，做的逻辑不是自己想要的，也不对数据做验证，让重构跟求大爷似的。
为什么双方会有这些分歧呢？我觉得这里是数据分析师没有很好的让工程师体会到自己的价值。请工程师做了一个又一个表，有的工程师一周要做2、3个表，但却丝毫看不到价值。当数据工程师的价值没有被体现出来的时候，怎么能很好的支持你呢。
也可以站在数据工程组leader的角度考虑，怎么让他们团队的价值得以体现。要不就会出现两种情况，第一种是工程组越来越专注于做产品，因为数据产品能更好的体现价值，毕竟有实际的东西在那里放着；要不就是抢分析师的活，和业务走的更近，慢慢把分析师抛掉。相信无论哪种，都是分析师不想看到的结果吧
4、 搞定自己的老板
这个本来应该放在第一位说的，因为职场上对自己发展起最重要作用的就是自己的老板。无论升职、加薪，或者你为了提高能力，想去做更大的项目，这些都需要得到你老板的支持。
但分析师团队的老板和成员的关系和普通部门不一样。区别就在于，分析师经常是自己负责一条业务线，如果你处理好的话，就会做着很轻松。怎么轻松呢，就是把我上面说的搞定数和搞定人的事情做到位。
还有一点需要提醒，我的经验是，不要完全跟着老板的节奏走。如果只是跟着老板的节奏，你会越走越累。因为在业务变化非常快的节奏中，你的老板的思路和方法也在不断的变化。你需要的是走在他的前面。
那么你是跟着谁变呢？你要跟着客户变，要比老板更懂你的客户。你的客户就是我前面提到的业务线的leader和业务人员。同时你比你的老板更懂工具和资源。当把这些事情做好以后，你自己能独当一面。在你所负责的领域中，你比老板更专业。那么你就可以按照自己的节奏走，相信也能更好的满足老板的需求
总之，搞定人，搞定事会让你的工作更轻松，你的方向更正确，成长更快，把控力更强
转载自网络 不用于商业宣传 版权归原作者所有，侵权删。
41019702002033