1。新要求
数据分析工作流的第一个状态是忠实地记录新的需求，纯粹从需求方的角度收集原始需求，不做任何判断。
这种状态借鉴了ORID焦点讨论法的第一步，即真实记录客观事实。
关于ORID焦点讨论法，我从网上查了一些相关资料，看到下面这个例子，觉得比较合适。假设我昨晚下班路上遇到了一只狗。当时我很害怕(R觉得)想我该怎么办(我想)。为了避免被狗咬，我最终决定绕道而行。
2。需求确认
需求确认是分析一项任务成败的关键，要根据不同的情况采取不同的对策。
情况一:需求方无法清晰描述问题。
刘思哲老师说，这种需求者专业技能不合格，会对上下游造成伤害。放下“火”就好，绝不手软。
英文单词“fire”的意思是“开除”，但我理解刘思哲先生在这里表达的应该是“拒绝”。
对于一般的数据分析师来说，需求方可能是自己的老板，恐怕也没有勇气去“火”。在这种情况下，我个人建议加强沟通，主动多问一些具体的信息，搞清楚需求者的真实意图。
第二种情况:需求方混淆了很多问题。
这种情况很常见，数据分析师需要应用MECE原理，帮助需求者梳理业务，把它变成一个独立的、完全穷尽的问题，了解主要矛盾和次要矛盾。
第三种情况:需求方无法用数据映射。
这种情况也比较常见。企业一般通过“角色前置”来缓解这个问题，比如设置“产品经理”这个岗位角色。但有时前台角色可能会不合格，这就需要在“数据验证”环节得到数据分析师的专业建议。
案例四:需求方提出错误的数据需求。
试想一下，数据需求本身就不对。作为数据分析师，你执行得很好...结果需求方不满意，又提了。以后可能还有第三次...需求方最后可能会很不满意，数据分析师吃了亏。
当这种情况发生时，建议数据分析师进行合理的沟通，并在实施之前指出数据需求的不当之处。
场景五:需求方无法预测可能的分析结果。
这种情况很正常，毕竟很难满足完美的需求方。我觉得这个时候数据分析师应该多一些宽容和理解，站在对方的角度看问题，先学会自己预测，再帮对方学会预测，为对方解决问题。
如果需求方既掌握了业务和数据的关系，又知道如何利用数据分析的结果来指导下一步的行动，那么数据分析师就要好好珍惜。
3。数据确认
需求确认清楚之后，接下来就是确认数据来源，可能会出现三个问题。
问题1:没有存储预期的数据。
作为数据分析师，如果你能帮助改善这个问题，让企业的数据更加完整，那么你的影响力就会增强。
问题二:数据分散在不同的地方。
在传统企业中，这个问题非常普遍，数据仓库可能还没有建立起来。对于互联网企业来说，这个问题反映了数据仓库设计的不完全性。
如果不是常规问题，可以暂时解决。如果是经常出现的问题，建议数据分析师主动了解底层数据逻辑，编写自动化代码，如果可能的话交付给数据仓库团队。
问题三:数据来源错误。
这个问题很致命。如果数据来源有误，后期的分析结果可能会产生误导，使得需求方做出错误的决策，后果不堪设想。
因此，数据分析师提高数据敏感度也很重要。在做数据分析之前，我们必须确保数据来源是正确的。
4。在实现中
在需求实现的过程中，数据分析师应该管理自己的分析代码。
以Python为例，尽量使用相对成熟的包，如Numpy、Pandas、Matplotlib等。，并用Git做好代码版本控制，特别注意代码注释和提交信息的可读性和完整性，让数据处理的每一步都清晰易懂。
此外，使用Jupyter Lab等工具可以大大提高数据分析的效率。
一方面要把好的经验和方法沉淀到固定的流程步骤中，实现工作的流动。比如一份数据报告，用什么格式和规范，读者可以轻松掌握最有价值的信息？
另一方面，我们必须将流程作为工具来实现。因为有人会偷懒，有人会逾越流程，有人会偷偷绕过流程。因此，我们应该适应使用工具来辅助流程的执行。
流程工具不适合用怎么办？
华为早些年引入了集成产品开发(简称IPD)的流程，大家一开始并不适应。
任说过一句话:先僵化，再优化，再固化。
5。交付
突出主要分析结论，这是数据分析交付的重要内容。
如果分析没有结论，就不能称之为交割。
交付的内容，包括文字、表格、图形和其他元素。文字要清晰，表格要规范，数据可视化的图形要合理选择。
6。简历
大量的数据分析工作最终停留在“交付”的状态。数据分析师交付结果后，往往不跟进后续结果，不判断分析的价值，不做评审总结。
送完之后，想想。我们通过数据分析帮助需求方做出了哪些正确的决策？它给企业带来了什么价值？和当初的预期目标有什么区别？关键因素是什么？如果再做一次，怎么做得更好？
在重新总结的过程中，你可以训练数据分析师对业务的理解和价值的预测能力。
7。等待
当你发现自己目前不具备分析的条件时，可以选择等待。
比如需求还没有确认清楚的时候，要等需求方有空，明确确认需求沟通。当缺乏必要的数据来源时，聪明的女人很难做到无米之炊，所以也需要耐心等待。
当然，在等待的同时，可以先思考一下大致的分析方向，这样可以让后期的实施过程更快。
8。拒绝
当需求无法实现时，要明确拒绝，不能给出模棱两可的答案。这时候就要避免需求方抱有很大的期望，结果因为无法实现而失望。
摘要
本文总结了数据分析工作流的八种状态，
为了避免被贴上被动、低价值、重复的标签，数据分析师应该积极改进工作流程，优化工作状态。
最后，我用流程图把数据分析的八种状态连接起来。
以上，希望能对你有所启发。
本文来自再可爱一点好了投稿，不代表舒华文档立场，如若转载，请注明出处：https://www.chinashuhua.cn/24/555283.html
微信扫一扫 
