受邀来cda吧分享数据分析工作经验，原来数据分析吧的连载将转移到本吧。
入职第二年，回忆下从小白到数据分析师的体会
工作1年了，虽然疫情影响了很多行业，但幸运的是对我的工作影响不大。我的职业生涯说起来还是从贴吧开始的，就有了回到这里分享下心路历程和体会的想法。今天先写点简单的，看心情再接着往下写。
本人专业是交通规划，专业和数据分析还是有点关系的，目前的工作是交通模型岗。说有关系，其实作为大学生的我是很难理解其中的逻辑关联的，我想这应该不是我自己的问题，而是目前国内大学教育系统存在的普遍问题，幸好遇到了一个不错的老师，也是在他的指导下逐渐在学校的时候开始接触数据分析。从接触到入行，其中经理了非常多的曲折，先不展开了。
工作了一年，我才开始逐渐理解数据分析和交通规划之间的联系。交通规划做的往往是5年，10年甚至30年后的战略性布局。路网怎么布置，规划陪多少，这些重大决策都需要数据分析的支持。
这里的数据分析，其实难度是比较深的，不是作点统计分析，画个散点图就可以了，因为你的决策场景是30年的，所以就需要对未来趋势进行预测，所以建模能力就成了必不可少的技能。
也是因为这个工作的原因，我对数据分析的理解也在逐渐加深，很庆幸比其他人早一步走上了这条路，至少到现在为止，我的身边还没出现一个数据分析能力可以和我较量的。
先写到这里，后面有时间继续分享。

今天接着写。
在职期间，我做了很多项目，其中数据分析部分的工作基本是独自完成的。在期间接触了形形色色的人，根据接触频率和重要性排个序的话，大致是直管领导、单位大领导、各个部门的中层决策者以及同事。通过和他们的反复沟通，我发现几个比较重要的客观事实。
首先，大部分决策者虽然有重视度，但其实是不懂技术的，也不喜欢枯燥的理论，所以我的工作中很重要的一块内容是不断梳理自己的逻辑和表达。
其次，数据分析在决策中往往是起不到主导作用的，至于为什么，显然和我资历不深，缺乏足够的业务经验有关。虽然手握数据，但是没有足够经验的前提下，我是不可能在自己的专业上照顾到所有决策者所关心的全部问题的。要和他们形成对等，至少需要在业务语言上和他们形成对等
最后，对自己成长起决定性作用的，不是我掌握了python，不是我会xxx算法，我周围也有不乏喜欢拿技术显摆的人，但事实证明都是作死。引用我师傅的一句话，工具只是工具，工具无法带给数据分析师话语权。事实上，无法取得决策层的信任，就不会有话语权，没有话语权就只是个码农而已。话语权的获取，首先要开口说话，和人站在同一个语境下去沟通。
就写到这里吧，也算做个小结。我会继续在其他吧更新，不能在本吧更新，也是对各位说声抱歉了。

第三更。
很多人私信问我，到底数据分析师有没有很多培训机构吹得那么好。我的回答是，因人而异。理由很简单，数据分析延续至今，少说也有几百年的历史，为什么一直没出现数据分析岗位？因为门槛实在太高了。我从几个点来说明下。
1.数据分析的作用是什么？抛开形形色色的说辞，我自己总结了一个结论，数据分析的最终目的是平衡话语权。可以把平衡和话语权拆开来理解。平衡的意思估计很多人不怎么理解，我也是受到老师启发(其实就是本吧吧主，这里拍个小马屁)在工作中总结出来的，现实中，没有人可以形成绝对的话语权，所以平衡与对峙才是社会运行的主旋律，也是很多聪明人所追寻的。那些妄图追求绝对话语权的人，下场一般都好不到哪里去。话语权和数据分析之间的关系是显而易见的，引用毛主席的一句话，没有调研就没有话语权，实际的权利博弈中，没有数据做支撑的一方，肯定玩不过有数据的一方。所以，数据分析的最高形态，你可以理解为另一种形式的权利斗争。适不适合，我想部分人心里应该已经有答案了。
2.数据分析的门槛在哪里？近几年数据分析行业的发展确实如火如荼，这主要得益于工具的发展，以及数据获取成本的大幅降低。但是如果冷静下来做个客观分析，就很容易看明白其中的坑深坑浅。数据分析的坑不在工具，不在数据，而在分析，分析这事从古至今做得最好的是什么人？军师，宰相，自己算命先生。所以一心只顾工具学得精不精，是做不好数据分析的。
3.既然说到分析的门槛了，那么又引出另外一个问题，分析的门槛在哪里？我给的答案是，就目前来看，依然是经验。很多连统计分析的槛，算法的槛都过不了的就不说了。在这两个槛之上就是经验，没有之一。可以这么说，一个理论水平再高的数据分析师，在经验面前都是打酱油的，除非你能创造一个完美的结果，否则是不可能没有破绽的，只要有一丝破绽，想推翻你的人可以毫不留情地把你按在地上摩擦。
总结一下，我建议的适合从事数据分析行业的人，应当具备以下特质：工具熟练，理论过硬，情商一流，沟通随和，能屈能伸，不是技术控，不是理论控。

第四更，什么叫场景分析
所谓场景分析，可以理解为风险分析，敏感性分析等。为什么会有这玩意，还得从不确定性说起。
比起确定性，不确定性才是这个世界的主旋律。不确定性是如何产生的？我以为和信息的流通有关，随着我们的步入互联网时代，信息流通越来越便利，个体决策的相互影响被关联和放大，于是社会机器的不确定性越来越明显。举几个例子方便大家理解。我们以前认为的铁饭碗现在还是铁饭碗吗？收费站工作人员的失业是最典型的例子。这个时代的偶像还是8090年代的偶像吗？今天你红极一时，明天就有可能掉入万丈深渊。汽车还是汽油时代的汽车吗？如今电动汽车的更新就像是摩尔时代的电脑。
不确定性是好是坏呢？这个问题根本没有标准答案，就和风能助长火势，也能吹灭火苗一样，重在权衡，重在借力。扯到这里，我想大家差不多能理解不确定性了。那么就进入正题，谈谈数据分析中的场景分析。
做算法的都号称上知500年，下测500年。实际上真是这样吗？我谈谈自己的体会。我在工作中往往需要预测一些指标的发展趋势，比如机动车保有量，人口规模等。需要考虑的诸多因素中有一个关键指标，相信大家都耳熟能详，叫做GDP。GDP这个因素的诡异性，诡异在很容易获得，但是又具有很强的政治性。有个段子相信部分人肯定听过。路人甲和路人乙相遇，谁都看不惯谁，正好地上有一坨屎，路人甲随手一张毛主席，指着地上的屎，让乙吃了。乙擦了擦嘴巴，收下了100，但是隐约感觉心里不爽，于是顺手加了一张毛主席，让甲把剩下的干完，甲擦了擦嘴巴，收了200。这样就产生了300元的GDP，对！你没看错，这就是经济学里关于GDP的定义。可见，说这个段子，我想说的是GDP的可操作性很大，于是就引出了一个问题，用GDP做变量来预测其他指标的趋势真的可靠吗？
我的答案是，可靠！很多同学可能就懵逼了，不是说水分很大吗？这就是实际做预测中很值得玩味的地方。大家不妨考虑两个问题。首先，你能证明它是含水分的吗？如果有，水分是多少？其次，官方发布的数据允许被质疑吗？
能想明白，就说明你理解了我的答案。在这个基础上，我说说为什么要做场景测试。其实只要回答一个问题就明白了，你能确保你的预测是对的吗？如果你能确保，那么说明你还没理解我对GDP的态度。如果你的回答是否定的，我觉得我们站在了同一立场，因为我不能保证我的预测是觉得可靠的，所以我才需要寻找保护自己的办法，这其实才是场景分析的意义所在。为了避免GDP中天然水分带来的影响，我一般会设置高中低三个方案来预测趋势，这样就可以把责任降到最低了。

在假期的尾巴补个祝福，各位五一快乐！
第五更
很多人私信我，问我转行的事，我没回复，说实话这个问题我回答不了，也不敢回答。人生大事，我的经验还不足以指引大家，请谅解。不过我建议可以咨询下吧主大人。
今天和大家谈谈模型的事吧。我对数据分析师的理解有过很多次改变。第一次是在大学的时候，觉得数据分析就是能用代码写出大部分人都看不懂的模拟退火算法，很酷，很自我。第二次是接触了一位牛人之后，在他的影响下对数据分析有了新的认识，明白了数据分析原来也有内外功之分。第三次是工作之后，理解了数据分析和话语权之间的关系。这和模型有什么关系呢？
无论数据分析师是个杀马特也好，是个军事也罢，模型的作用其实是贯穿始终的。你可以拿模型**，你可以拿模型树威，当然你也可以拿模型作为谈判加薪的筹码。模型是实实在在的外功！可以让人看得见的外功，可以迅速拔高身姿的外功！我说模型是外功，好多人可能就不理解，模型不是数学吗，不是理论吗，不应该是内功吗？这就是角度的问题了，纯技术的会把模型算法当内功练，我是把经验和思维当内功练。在我看来，模型的大部分招数都是有定式可寻的，而经验和思维往往又决定了模型的取舍优劣。这是我的看法。
下面来探讨一个问题，模型为什么这么重要，甚至可以重要到成为你的核心竞争力？这里首先需要说一说模型的本质，就目前的技术看，其本质是对经验规律的抽象和总结，并且往往是建立在一定假设基础上的，假设的作用是什么？假设规定了模型的适用场景。基于这个认知，产生了两派意见，一派认为经验高于模型，一派认为模型青出于蓝而胜于蓝。其实在大数据时代之前，两派观点很难说孰优孰劣，小样本总会带来这样那样的问题，以至于经验往往占了上风。即便是在大数据时代，由于数据孤岛的存在，数据结构的偏斜，数据说服力不强的情况依然时有发生。于是，我们会发现一个神奇的现象，国内绝大部分企业决策层对模型而言，是纯小白，他们所依仗的便是经验。所以有趣的现象就来了，大数据来了，人工智能来了，他们看不明白，但又不想被淘汰，于是凭借多年经验积累下来的危机感，开始重视模型，开始招揽人才！即便模型和大数据的结果依然不被允许颠覆他们已有的经验认知，但是这种变革就在这种滑稽的背景下开始了。模型也被提上了核心竞争力的地位，成为企业面子的一部分。
说到这里，其实还没有回答数据分析师是如何凭借模型巩固地位的。其实也非常容易理解，每个数据分析师整出来的模型参数大概率是不同的，越是复杂的项目，比如动力学模型，越是如此。一般一个建模项目少则数月，多则几年，因此需要经验丰富，对模型参数了如指掌的模型师。所以，一旦企业模型建成，想换数据分析师，比换个模型还要难。