最不适合做数据分析的6种性格，看看你占了几个？

我接触很多人3年甚至多年的时间都仅仅停留在入门，但他们自我感觉是资深，仔细想一想以下六类人可能不适合做数据分析。

1、不善于思考的
其实数据分析的精髓在于思考，无论是出报表、还是做报告，其实都是希望通过这些看似杂乱无章的数据给我们带来一些价值，而这个价值的衡量的出发点其实就是思考，简而言之，就是你要用数据干什么？等有一天你想清楚了这个问题，你的思维也会变得更有逻辑。

比如领导让你出一份经营分析报告，那你就要思考，由下往上思考，整体会涉及哪些指标，这些指标背后的含义是什么？这些指标能不能分类？分类的标准是什么？比如分类的标准是整体收入、发展趋势、用户表现、品类管理、库存状况等，然后再思考，例如整体收入这块，我要用这个分类的那些指标做对比、哪些做预测、那些做结构，分别要告诉决策者什么问题，目前好不好的问题？未来好不好的问题？现在现在的状态问题？这一来二去雏形不就有了吗？这种方式相对而言，难度较大，要会归纳总结，还要会给一级、二级、三级框架造词，说人话那种。

还有一种是由上而下，这类思考取决于分析师的项目经验，做过的话，很容易提炼出诱人的大纲，再根据大纲敲定每个部分的分析框架，然后去思考选取那些指标，什么样式的分析方法更能传达你要表达的信息，这类企业很喜欢，来了有是成熟的模版，直接干活。

2、太相信假数据的
很多时候你会发现，当你看一份报告的时候，你被别的的ppt水平、可视化技能、文字的巧妙所吸引，而很少会思考，数据采集的方式是什么？是否能够代表整个行业？指标提炼的逻辑是什么？与我想要的有什么区别，可信度是多少？

对于超出自己范围的数据要多渠道去验证，不能盲目的信从，比如媒体报道中的数据，什么离婚率、就业率、薪资等，要多来源验证、追问、质疑，有人会说，研究这些和我做的业务没关系呀，其实不是，这是一种对待数据的态度和习惯。

比如当你计算一个kpi完成率时，你会发现很多指标年年都好，但最终的财务指标基本没有任何变化，为什么？你质疑过吗？

考核的指标一般都是层层下压，为了完成kpi，基层也是绞尽脑汁。正所谓上有政策下有对策，执行中必然会被扭曲。

尼尔·波兹曼说过：过去人们是为了解决生活中的问题而搜寻信息，现在是为了让无用的信息派上用场而制造问题。

3、不善于沟通的
数据分析师常常在程序员、决策者之间进行徘徊，上游是决策者，下游是程序员，要是没有有效的沟通，你很理解决策者到底想要什么？要是没有沟通你很难得到自己想要的数据形式？有数据和给你什么样式的数据差异很大的

我见过很多人分析的框架和决策者想要的结合很完美，但找程序员要数据时，傻眼了，自己挖了个大坑，想分析没数据。

也见过很多人未能和it准确有效的沟通，提出来一张自己用现有能力无法玩转的一张表

更见过很多元数据理解的很清楚，但输出分析框架时，受现有数据资源影响过大，打不开思维，导致输出与决策者完全不符的分析结果。

这是一个博弈的过程，一定要沟通，决策者的问题是没有边界的，但你、决策者、it之间的沟通是可以让其有边境的。

4、动手能力差的
有2个方面，一方面是自学路上动手能力差，比如工具类的问题，经常问来问去，其实有时候自己动手搜索一下，你会发现世界真美好，这是搜索的强项，人脑记忆肯定干不过电脑。

另一个方面是自己缺乏练习，很多人学课程，看书，从来不自己操作，老想寻找一些面试题、某企业级数据集拿来分析一下，看看自己的水平，要对胃口的数据集其实很少的，即使有，也是美化版的，很多综合性的演练你还是学不到的，还不如随便爬一些数据，越乱越好（对练习工具操作有巨大好处），然后在现有数据的基础上看看可以分析出什么？希望告诉别人什么？需不需要再补充一些数据，让结论更有说服力，更细致一些。

要是仅仅是看，那你确实不适合做数据分析

5、连excel都用不好的
有人会说，你胡扯吧，我们都用python，我只能告诉你，你还是没有清楚认识到数据分析，没有python前，大家都不做数据分析吗？请好好思考一下

如果你仔细观察，你会发现5年以上的数据分析师，90%都用的excel，10%的工作环境可能是python、sql、spark、kettle等。

不是所有人，所有分析师都要面对所谓的海量数据，目前的趋势已经是数据统计智能化了，部分做专题分析会复杂一些，但一般大的专题是要一个团队一起完成的，比如简单的决策者+业务+it+分析师，所以很多时候it是可以帮你搞定的，会有人问，自己要是会的话，不是更香？那就要看你喜欢工具带来的快感，还是升职加薪带来的成就感了。

6、从来不复盘的
数据分析是一个很难成长的职业，有的人入行很多年还用的是入行时的那套分析逻辑，为何？

一直没找到自己不对的地方，今天看点文章觉得思路好，下次加进报告，明天又看一个课程说的这块不错，下次再改进一下，但你有没有想过，你的这些举动其实是在消除焦虑，怕自己跟不上时代。

好的分析经验一定是复盘出来的，分析最终都是要看疗效的，那其实做业务分析的可以很直观看到自己输出对关键指标的影响。

这时候可能会有一部分人说，我是做运营分析的，我如何复盘？做运营分析的目的是什么？发现问题，那发现问题的目的就是尽量让这个问题按照我们的线路走，变的可控，变的可确定，那是不是需要一套跟进的流程和监督方式呢？另外发现问题与发现好问题，这也是一个值得复盘的方向。

这里面我始终没有说学历、专业、性别，在我看来这些都不是关键，分析思维是人类天生都有的，就看能不能激发出来。

你去买菜会考虑走那条路吧？路径分配分析

你去买菜会做价格对比吧？参照物分析

你去买菜会考虑买什么吧？需求分析

你去买菜会看别人买什么吧？用户分析

你去买菜会考虑去那个市场吧？综合评估分析

源：数师兄我接触很多人3年甚至多年的时间都仅仅停留在入门，但他们自我感觉是资深，仔细想一想以下六类人可能不适合做数据分析。

1、不善于思考的
其实数据分析的精髓在于思考，无论是出报表、还是做报告，其实都是希望通过这些看似杂乱无章的数据给我们带来一些价值，而这个价值的衡量的出发点其实就是思考，简而言之，就是你要用数据干什么？等有一天你想清楚了这个问题，你的思维也会变得更有逻辑。

比如领导让你出一份经营分析报告，那你就要思考，由下往上思考，整体会涉及哪些指标，这些指标背后的含义是什么？这些指标能不能分类？分类的标准是什么？比如分类的标准是整体收入、发展趋势、用户表现、品类管理、库存状况等，然后再思考，例如整体收入这块，我要用这个分类的那些指标做对比、哪些做预测、那些做结构，分别要告诉决策者什么问题，目前好不好的问题？未来好不好的问题？现在现在的状态问题？这一来二去雏形不就有了吗？这种方式相对而言，难度较大，要会归纳总结，还要会给一级、二级、三级框架造词，说人话那种。

还有一种是由上而下，这类思考取决于分析师的项目经验，做过的话，很容易提炼出诱人的大纲，再根据大纲敲定每个部分的分析框架，然后去思考选取那些指标，什么样式的分析方法更能传达你要表达的信息，这类企业很喜欢，来了有是成熟的模版，直接干活。

2、太相信假数据的
很多时候你会发现，当你看一份报告的时候，你被别的的ppt水平、可视化技能、文字的巧妙所吸引，而很少会思考，数据采集的方式是什么？是否能够代表整个行业？指标提炼的逻辑是什么？与我想要的有什么区别，可信度是多少？

对于超出自己范围的数据要多渠道去验证，不能盲目的信从，比如媒体报道中的数据，什么离婚率、就业率、薪资等，要多来源验证、追问、质疑，有人会说，研究这些和我做的业务没关系呀，其实不是，这是一种对待数据的态度和习惯。

比如当你计算一个kpi完成率时，你会发现很多指标年年都好，但最终的财务指标基本没有任何变化，为什么？你质疑过吗？

考核的指标一般都是层层下压，为了完成kpi，基层也是绞尽脑汁。正所谓上有政策下有对策，执行中必然会被扭曲。

尼尔·波兹曼说过：过去人们是为了解决生活中的问题而搜寻信息，现在是为了让无用的信息派上用场而制造问题。

3、不善于沟通的
数据分析师常常在程序员、决策者之间进行徘徊，上游是决策者，下游是程序员，要是没有有效的沟通，你很理解决策者到底想要什么？要是没有沟通你很难得到自己想要的数据形式？有数据和给你什么样式的数据差异很大的

我见过很多人分析的框架和决策者想要的结合很完美，但找程序员要数据时，傻眼了，自己挖了个大坑，想分析没数据。

也见过很多人未能和it准确有效的沟通，提出来一张自己用现有能力无法玩转的一张表

更见过很多元数据理解的很清楚，但输出分析框架时，受现有数据资源影响过大，打不开思维，导致输出与决策者完全不符的分析结果。

这是一个博弈的过程，一定要沟通，决策者的问题是没有边界的，但你、决策者、it之间的沟通是可以让其有边境的。

4、动手能力差的
有2个方面，一方面是自学路上动手能力差，比如工具类的问题，经常问来问去，其实有时候自己动手搜索一下，你会发现世界真美好，这是搜索的强项，人脑记忆肯定干不过电脑。

另一个方面是自己缺乏练习，很多人学课程，看书，从来不自己操作，老想寻找一些面试题、某企业级数据集拿来分析一下，看看自己的水平，要对胃口的数据集其实很少的，即使有，也是美化版的，很多综合性的演练你还是学不到的，还不如随便爬一些数据，越乱越好（对练习工具操作有巨大好处），然后在现有数据的基础上看看可以分析出什么？希望告诉别人什么？需不需要再补充一些数据，让结论更有说服力，更细致一些。

要是仅仅是看，那你确实不适合做数据分析

5、连excel都用不好的
有人会说，你胡扯吧，我们都用python，我只能告诉你，你还是没有清楚认识到数据分析，没有python前，大家都不做数据分析吗？请好好思考一下

如果你仔细观察，你会发现5年以上的数据分析师，90%都用的excel，10%的工作环境可能是python、sql、spark、kettle等。

不是所有人，所有分析师都要面对所谓的海量数据，目前的趋势已经是数据统计智能化了，部分做专题分析会复杂一些，但一般大的专题是要一个团队一起完成的，比如简单的决策者+业务+it+分析师，所以很多时候it是可以帮你搞定的，会有人问，自己要是会的话，不是更香？那就要看你喜欢工具带来的快感，还是升职加薪带来的成就感了。

6、从来不复盘的
数据分析是一个很难成长的职业，有的人入行很多年还用的是入行时的那套分析逻辑，为何？

一直没找到自己不对的地方，今天看点文章觉得思路好，下次加进报告，明天又看一个课程说的这块不错，下次再改进一下，但你有没有想过，你的这些举动其实是在消除焦虑，怕自己跟不上时代。

好的分析经验一定是复盘出来的，分析最终都是要看疗效的，那其实做业务分析的可以很直观看到自己输出对关键指标的影响。

这时候可能会有一部分人说，我是做运营分析的，我如何复盘？做运营分析的目的是什么？发现问题，那发现问题的目的就是尽量让这个问题按照我们的线路走，变的可控，变的可确定，那是不是需要一套跟进的流程和监督方式呢？另外发现问题与发现好问题，这也是一个值得复盘的方向。

这里面我始终没有说学历、专业、性别，在我看来这些都不是关键，分析思维是人类天生都有的，就看能不能激发出来。

你去买菜会考虑走那条路吧？路径分配分析

你去买菜会做价格对比吧？参照物分析

你去买菜会考虑买什么吧？需求分析

你去买菜会看别人买什么吧？用户分析

你去买菜会考虑去那个市场吧？综合评估分析

源：数师兄

专注企业数据分析应用和数字化转型。关注公众号“商业智能研究”，回复“资料”，整理了6G的数仓、数据中台、数据治理、企业数据化管理案例，供免费领！