炒股界有个不成文的规律：当卖菜的大妈都在讨论股票时，熊市就要来了。其他新鲜事物亦同。当我妈都开口问我：大数据、互联网是什么，听说好挣钱的样子。我就知道大数据有多火了。
大数据虽然火，但大数据价值还远远未发挥，大数据的使用效率还非常低。作为大数据的前身——小数据，能发挥多大的价值？做小数据分析的数据分析师每天都在做些什么？一直在从事小数据分析的我，今天来帮大家揭秘。
互联网普及也才十来年时间，所以基于互联网的数据分析并没有多少历史可言。拥有多维度数据和数据分析能力的公司比例并不高，大多数公司决策主要靠经验和拍脑袋。
要做数据分析，公司首先要有“获取数据”的能力，线上数据获取需要研发团队介入以及合作公司配合，线下数据需要对用户做引导和标识，不再赘述。
拥有数据后，数据分析师主要工作有四类：
1.从0到1搭建数据分析体系
2.数据分析工具化，产品化
3.支撑领导、部门决策的专题分析及业务方向探索
4.数据规范制定及提升数据质量等基础工作
一、从0到1搭建数据分析体系
大部分公司还处于此阶段，可能是全新搭建，可能是新业务线搭建。
1.搭建数据监控体系
搭建数据分析体系第一步是搭建数据监控体系，定期查看业务发展情况，让业务发展结果可量化，可衡量。
通过这套监控体系，业务侧可以得到实时或者准实时的效果反馈，根据业务效果指导业务决策；领导层可以了解业务发展情况，做到心中有数。
那这套数据监控体系到底包含哪些内容？——没有标准答案，主要看业务目标。从实现思路上，可以做业务拆解：整个公司或者整个部门要实现的结果目标是什么？结果目标可以拆分为几个小目标？在小目标实现上，需要实现哪些过程指标？要想实现过程指标，需要多少预算，什么资源？
业务拆解后，要监控哪些过程指标和结果指标，就一目了然。
2.根据业务监控体系，洞察业务问题
数据监控体系能让领导及业务相关同事了解业务结果。对于规模或比例变动较大的指标，数据分析师就需要了解业务原委：是行业变动导致？公司战略方向调整？还是市场格局发生变化？亦或是新技术巨变？公司产品迭代漏洞？对于行业、业务深度理解，将有助于快速定位问题关键点。
3.提出业务优化方案
根据对数据、业务理解及与业务部门沟通，提出可能的潜在影响因素的业务假设。对于明显影响效果的因素，优化之，如产品迭代中的漏洞等；对于不明朗、不确定因素，进行AB测试，根据数据反馈验证业务假设。
二、数据分析工具化，产品化
从0到1搭建数据分析体系是解决“有数据可用”的问题；让数据分析产品化是解决“让数据易用”问题，是提升数据使用效率和发挥数据更大价值的手段。
常见的数据产品就是商业智能系统（Business Intelligence），数据产品部门会根据数据使用情况，优先上线使用人数众多、对业务决策有关键影响的数据报表。
对于使用频繁，涉及人数较多的数据，数据分析师需要提出数据报表需求，供业务、产品、市场、财务等部门使用。
三、支撑领导、部门决策的专题分析及业务方向探索
如果说前两部分属于常规分析，第三部分就是专项分析。专项分析大多是一次性分析，使用频率低。专项分析的提出可能是部门要进行业务方向的新探索，可能是领导想要验证自己的新想法，可能是已有数据中反应出来的新问题。
要做专项分析，数据分析师需要自己获取数据，清洗加工数据，分析数据，得出数据结论。现有数据在时间维度、指标口径、新字段关联上都无法满足分析需求，而数据提取可能就要耗上几天时间。可谓“台上一分钟，台下十天功”！如果你有个“有想法”的领导，天天标新立异提需求，而你又不精通业务，无法马上判断是否具有分析意义和分析价值，那可真要披星戴月搞数据了。
四、数据规范制定及提升数据质量等基础工作
为了完成以上三部分工作，像制定数据规范、提升数据质量这些基础工作就必不可少。
数据规范性是个系统性工程，在数据系统搭建之初，就需要考虑好。数据分析师日常工作中，接触更多的是提升数据质量：数据是否准确，数据是否有效，可用数据比例是否足够用于分析。
当然，现在大多数公司还无法做到打通所有数据系统，统一数据源。在使用任何数据时，数据分析师都需要校验，确保数据准确无误，这是所有分析工作的基础。
这就是我的工作日常：搭建数据分析体系、数据分析产品化、专项分析及基础保证数据质量等工作。听完后，你还想入坑吗？
#蔷薇记#： 记录生活之美和智慧之妙。
这是蔷薇石原创的第91篇文章。
