前言
数据分析，也被称为营销分析、经营分析等，就是通过一定的工具、算法，结合业务逻辑将数据背后的真正原因找出来，为企业的发展方向提供数据支撑。在这个越来越对数据重视的时代，数据分析的价值也在迅速提升。在大部分部门，尤其是前端营销部门中，数据分析工作的好坏可能会直接影响一线的业绩。所以如何做好数据分析，是每一个数据分析师需要思考的问题。笔者在10年的数据分析工作生涯中，经历了好几个阶段，也有一些思考和总结，供大家参考。
阶段一：初入职场的菜鸟分析师
在这个阶段中，你只是初入职场的菜鸟，不会特别的技巧也不懂公司的业务，甚至公司IT部开发的前台系统（比如IDAP、QV、自助报表等）中也有很多功能不甚了解。只能根据前人的经验或者公司的培训，知道该从哪里取数。当清单下载下来后，能够使用的工具也只有Excel，而且只会最简单的数据处理，稍微复杂一点的vlookup、数据透视表、数据有效性等只能靠百度、培训等慢慢提升。
阶段二：部门同事眼中的表哥/表姐
经过阶段一的磕磕绊绊后，你对业务已经有一定的理解，知道数据背后的业务逻辑，能够在某一个数字变高或者变低时，通过熟练的Excel操作将产生问题的原因找出来。处于这个阶段的你，在部门内很多员工的眼中，就是一名表哥/表姐，数据需求一提出来，你就能熟练地给出一份完善的报表；有什么Excel的问题，问你比问百度更快获得答案。另外在数据处理的经验上，你也已经有了一定的储备，比如数据字典、数据口径等，出来一项新的业务口径你不看都能猜得八九不离十。近一半的数据分析师可能将一直停留在这个阶段，因为大部分部门的数据量并不大（少于100万），使用Excel加上业务逻辑已经能满足80%的日常工作需求了。
阶段三：开始使用数据库和自动化
随着数据量的越来越大，传统的Excel已经无法满足你的工作需求，而DBA（数据库管理员）因为不懂业务逻辑也常常给不出你想要的数据，所以你只能开始自学SQL知识。所幸的是SQL并不难，对于一名数据分析师并不需要像DBA一样对各个表格进行维护，只需要根据业务逻辑，在不同的表中找到需要的字段，通过select、join、count、sum等函数进行组合即可。除了数据库外，也有人可能会想要使用BI工具，比如Power BI、Tableau、Finebi等，使用方法和Excel类似，但是功能强大了不是一点点，本来需要一定开发能力才能完成的自动化报表工作，通过与Excel一样的鼠标拖曳操作即可轻松完成，工作效率上获得了质的提升。在这个阶段的你，可以从繁重的日报、周报中略微透一口气，思考如何通过数据提升业务发展。
阶段四：不是只有平均数
平均数是数据分析中用的最多的一个计量尺度，但是姚明和郭敬明的梗用了这么多年，大家也应该理解平均数的问题所在。实际上有很多的计量尺度：中位数、方差、离散程度、偏度、峰度都在不同的场景中可以有很多的运用，而数据分析方法也有方差分析、回归分析、相关系数等等，而这一切的知识集中起来就是一门学科：统计学。可以说只有将业务知识、统计学知识和工具使用知识三者合一的人，才是一名真正合格的数据分析师。
阶段五：向数据科学家进阶
数据挖掘是数据分析的进阶，它还有一个更为人所知的名字：机器学习，人工智能只是机器学习里的一个分支。在这个阶段，你不仅需要从业务的角度去理解数据，还要通过算法来挖掘数据背后隐藏的关系。机器学习的算法非常非常多，平常人终其一生都可能无法学透。好在开源社区的存在将很多算法都封装成库，我们只需要通过程序调用即可享受算法带来的好处。但是即使如此，建议还是要学习一下算法的原理，只有这样才能更好地选择、运用算法。基础阶段，需要了解、学习的机器学习算法包括：逻辑回归、线性回归、KNN、K-means、决策树、贝叶斯、SVM等等。更关键的是，在这个阶段务必需要掌握一门编程语言，比如Python就是一个很好的选择。
总结
上述的五个阶段除了阶段一外，剩下的四个阶段并不完全是顺序关系，仅仅是针对我自己而言，有统计学、编程基础的同学只要经过一段时间的业务理解就能直接迈入阶段五。但是还是要重申一点：所有的数据分析都要建立在业务本身，脱离业务的数据分析只是一种数据猜测，风险极大，慎重！