「進歩とは具体的に何を意味するのか？」というのは、知識共有コミュニティにおけるデータ作業の多くの新参者が頻繁に尋ねる質問です。 オンライン記事は至る所で「始め方」や「クイックスタート」ばかりです。しかし、実際にデータ分析を始めると、これまで学んだことはほとんど役に立たないことに気づきます。毎日数字を計算しているのに、真のアルゴリズム作業はまだまだ遠い。では、未来とは一体何なのでしょうか？ こうした懸念の核心は、ほとんどのオンライン記事が教科書に基づいているという事実にあります。教科書では通常、第1章でPyCharmとAnaconda、第2章でPandas、第3章でMatplotlib、第4章でNumPy、第5章でsklearnが扱われているからです。 したがって、著者らは当然、データ分析とは単にソフトウェアをインストールする最初のステップ、データ取得の 2 番目のステップ、視覚化の 3 番目のステップ、機械学習モデルの 4 番目のステップ、そしてビジネス側が著者らの足元にひざまずいて「データ分析は素晴らしい、来て運転してくれ...」と言う 5 番目のステップであると想定しました。 起きろ！ 実際に企業に入社してみると、データ分析業務の最大の問題は存在感のなさだと気づくでしょう。データドリブンビジネス？それは、上司がデータを使ってビジネスを推進する、といった感じでしょうか。あなた自身はというと、ほとんどの企業では単調な仕事をこなしているだけです。プロダクトマネージャー、オペレーション、営業、プランナーは皆、自分たちが分析の専門家だと思っています。ただ、数字を分析する人が必要なだけです。ですから、データアナリストであるあなたは、数字を分析することに集中すればいいのです。 さらに、特に営業職の人は、「ソーシャルメディアで読んだデータ分析記事は理解できるのに、当社のデータアナリストはビッグデータに基づいた的確な提案といった簡単なことすらできない。全部彼らのせいだ！」と言いたがります。データアナリストは単純な仕事をこなすだけでなく、スケープゴートにされやすいのです。
これら3つのポイントを実践すれば、より多くの評価を獲得し、責任を負わずに済みます。これら3つのポイントこそが、他人の評価を待つ初心者から、自立して仕事ができる熟練のデータアナリストへと真の変貌を遂げる鍵です。その方法を以下で簡単に説明します。 I. 独立したプロジェクトを確保する方法新人は学習段階で、タイタニック号、タオバオショッピング、特定の国のクレジットカードなど、いわゆるオンラインの「プロジェクト」で練習することがよくあります。実際の企業プロジェクトとこれらの流行のプロジェクトとの最大の違いは、誰も何をすべきかを指示してくれないことです。ただ座って誰かの指示を待っているだけでは、電話に出るのを待つことになります。「上司がこのデータを必要としています。今日中に提出してください。」 プロジェクトを確実に獲得するには、徹底した日常的なデータ収集が不可欠です。単調で断片的な日常業務の中にチャンスを見出すには、配布資料ではなく、綿密な分析が不可欠です（下の図を参照）。 需要統計テーブルに基づいて、次のことを事前に発見できます。
こうすることで、問題に直面した際に業務上の質問をしただけで「あなたには関係ない」と冷たくあしらわれるような気まずい状況を避けることができます。協力してくれる部署を見つけたり、価値ある共同プロジェクトを見つけたりするのは、空から降ってくるものではなく、こうした地道な積み重ねによって実現するのです。 II. 仕事の境界を明確に定義する方法仕事の境界を明確に定義するのは、責任を回避するためだけであり、他に理由はありません。 3つのクリーン原則を覚えておいてください：
データがなければ分析はできません。これは明白なことですが、まさに最も見落とされやすい点です。ビジネスの観点から見ると、常に「データは山ほどある。すべて揃っている。あとは分析してくれる人が必要なだけだ」ということになります。これは山積みのゴミであり、やはり山積みです。ビジネス側はデータの詳細を精査しようとしません。事前にしっかり調べなければ、後になって山積みの汚いデータに直面することになります。腕のいい料理人でさえ、材料がなければ料理は作れません。 基準がなければ評価のしようがありません。これは自明の理です。しかし、営業担当者はよく「売上を上げたいだけ。ユーザーアクティビティを増やしたいだけ。上司がこれをやれと言ったんだから、他に何を気にする必要はない」などと言います。彼らは目標を持っているように見えますが、実際には漠然としています。積極的に思い出させ、後から詳細を追加しようとしないと、ジレンマに陥ります。売上が良いと言えば上司の意見を繰り返すだけで意味がありません。売上が悪いと言えば批判の嵐に巻き込まれます。あなたは板挟みになってしまいます。 計画がなければ、予測は不正確になります。これもまた自明の理です。100元クーポンのコンバージョン率は10元クーポンのコンバージョン率と同じでしょうか？優れたコピーライティングのコンバージョン率は、劣ったコピーライティングのコンバージョン率と同じでしょうか？事業計画なしに予測やトレンドについて語るのは、単なる空論に過ぎません。しかし、予測に関する書籍は主にデータ処理方法に焦点を当てており、それを現実世界の状況にどのように適用するかについてはほとんど説明されていないため、このステップはしばしば忘れ去られています。 上記の3つの原則は、多くの新人が数え切れないほどの試行錯誤を経て、一言一句に苦難を込めながらまとめた重要なポイントです。しかし、これらは新人が最も忘れがちなポイントでもあります。なぜなら、自己学習段階では、具体的な問題への対処方法や効果的なコミュニケーション方法を学ぶことなく、すぐに入手できるデータセット、背景知識、書籍を使って練習するからです。これは、実際に業務を行う際に問題を引き起こしやすいのです。 III. 仕事の成果をアピールする方法データ分析の結果は、「コロンブスが卵をバランスよく持ち上げた」という話に似ています。発言する前は誰もが不可能だと思うでしょう。しかし、発言した後は誰もが「もう考えたよ！」と言うのです。実にシンプルです。したがって、単に口頭でいくつかの数値を報告したり、いくつかの提案を提示したりするだけでは、成果を証明することはできません。むしろ、ビジネスをより「スマート」にし、将来的にはより複雑で困難な分析ニーズへと繋がるのです。 したがって、データ結果には 3 つの基準があります。
具体的な詳細は以下の画像に示されています。 これら3つの基準を達成するには、PowerPointプレゼンテーションの作成や口頭での報告だけでは到底不十分です。データ製品の導入は不可欠です。しかし、断片化されたデータから完全なデータ製品へと直接アップグレードすることは現実的ではありません。企業はそれほど長く待つことはできませんし、日々の業務を停止することもできません。そのため、製品のアップグレードを常に意識し、段階的に完全な製品へと移行していく必要があります。 私たちが蓄積してきた技術力は、このような場面で活用されます。 時間とデータ品質の制限内で: 1. レポートを生成できる場合は、一時的にデータを取得する必要はありません。 2. システムに統合できるものについては、手動レポートは必要ありません。 4. モデル化できる機能の場合、ビジネス ルールは必要ありません。 5. 固定できるルールの場合は、毎回計算を実行しないようにします。 6. 標準化できる項目については、別のセクションで分析しません。 つまり、アップグレードを重ねるごとに、手動、アドホック、そして個別対応による運用が減少します。製品機能が充実し、予測精度が向上し、クエリ速度が高速化し、問題解決の手法が簡素化されるにつれて、私たちの価値は高まります。 上記は初心者から中級者への突破口となる戦略の概要です。トレーニングが成功したと感じるのはいつでしょうか？ 簡単に言えば、物事を自主的に処理できることを意味します。詳しくは以下のとおりです。
具体的には、面接や年末の業績評価の際に、「分析をたくさん行いました」と気まずく言う必要がなくなります。その代わりに、自分がどれだけの作業を行ったか、どのような成果物を提供したか、そしてどのような分析モデルを使用したかを明確に説明できます。それが成功の証です。 残念なことに、多くの新人はこれらの問題に気づきません。 彼らは、具体的な問題について深く議論するよりも、自分たちの会社は低レベルすぎる、テンセントのような大企業に入れればきっと美しく平和な場所になるだろうなどと不平不満を言う方を好みます。 彼らは、ビジネス シナリオやプロセスを詳しく調べるのではなく、「基礎となるロジック」や「コア モデル」に注目し、「国家的に権威のある認証方法」をオンラインで精力的に検索することを好みます。 彼らは問題を解決するよりも、それぞれが『21日間で機械学習をゼロからマスターする』のコピーを持ち、これを学べばテンセントのトップ企業に就職できると信じている。つまり、不満が多すぎて細部への注意が足りず、進歩が非常に困難になっているのだ。 主体的に問題に向き合い、解決できるようになれば、10名以上の部署でリーダーシップを発揮するシニアデータアナリストに求められるスキルについて議論できるようになります。成果という点では、シニアデータアナリストは問題を解決するだけでなく、「何を達成すべきか」を理解し、積極的に事業開発を導くことが求められます。 職場において、この記事ではビジネスパーソンが愚かなミスを犯した場合についてのみ論じています。別のシナリオもあります。「愚かではないが、悪い！」という場合です。上級データアナリストは意思決定に影響を与える力を持っているため、より多くの悪い人間と対峙し、彼らを出し抜き、出し抜く能力が求められます。 著者：地に足のついた教師チェン WeChat公式アカウント：地に足のついた先生、陳 |
