数据分析师主要处理的几种工作内容：

1，临时性需求（专题分析）：比如说监控到现有的指标出现了异常情况，需要通过数据分析去找原因

2，制作日常报表：日报，周报，月报，数据仪表板，等等

3，数据挖掘：比如通过做用户分析（行为、设备、渠道、心理等等各种分析，例如：用户路径分析和转化漏斗分析），做“用户分层”，“用户分群”，在此基础上拥有较完整的“用户画像”，对用户展开有针对性的运营活动，也就是进行精细化运营

4，战略分析：公司下达了战略目标或短期目标，需要通过数据分析看如何达成

5，产品优化：公司要对现有的运营模式或者某个产品进行评估，看是否需要进行调整或者优化

对于专题分析，其工作流程基本如下：

1，明确分析目的：了解产品/运营的需求，需要解决什么问题，有哪些关键指标，并和业务方确认指标的定义（统一口径）。

所谓问题，就是现状和期望之间的差距。这里需要判断现在的状况到底是不是一个问题。比如说某商品销售额下降了，如果该商品并不是公司的主打产品，对公司的收益未产生大的影响，那么这一现象就不是问题。相反，即使某商品销售额上升了，但是公司投入的广告费非常之多，与其销售额不符，那么这个现象就是一个问题。又比如说，虽然某商品销售额下降了，但是在可控的浮动范围内，那它就不是问题。不是说数据稍微有些变动就需要进行分析，分析之前一定要确认这到底是不是一个真正需要解决的问题。

这里摘抄一段这个阶段可能遇到的情况：（摘自：https://posts.careerengine.us/p/5de7a5b1951eaf2c0475d960）

业务确认环节是分析师显示自身的专业能力的关键环节，也是分析任务成败的首要关键步骤。由于需求方背景不同，对于数据认知能力也参差不齐。这里面会存在几种可能：

业务方无法描述问题

业务方将很多问题混杂在一起

业务方清楚面临的问题，但无法和数据进行映射

业务方清楚面临的问题，提出了错误的数据需求

业务方无法预判可能的分析结果

对于 1 类需求方，专业技能不合格，会祸害上下游，fire 掉就可以了，绝对不可以手软。
对于 2 类需求方，非常普遍，因为很多人并没有经受过严格的系统化思维，分析师需要使用 MECE 原则帮助业务方梳理业务，在期间找到机会点。同时在梳理问题的同时，需要了解清楚什么是主要问题，什么是次要问题？什么是问题背后的问题？
对于第 3 类需求方，也相对普遍，一般企业是通过角色前置来缓解这个问题，通常这个前置的角色是产品经理，不过悲剧的是前置角色可能不合格，这时又需要分析师在~数据源确认~环节给出专业建议。
第 4 类业务方的问题和第 3 种很像，但需要单独提出来，想像一下，对方提了一个错误的数据需求，但作为分析师的你居然漂亮地执行完成了……然后业务方不满意，又提了一遍，可能还有第三遍……新手分析师应该没少吃过这个哑巴亏。
对于第 5 类，我们实际上对业务方提出了更高的要求，这背后的逻辑有两层：

业务方是否游刃有余的掌控业务和数据之间的所有可能关系；

如果有和预期一致的数据分析结果，那么接下来的行动方案是否值得执行。

2，假设问题出现的原因：这里分为两种情况，一种是验证型数据分析，也就是说可以事先假设问题出现的原因。还有一种是探索型数据分析，无法事先猜测问题可能出现的原因。

对于验证型验证型数据分析，我们可以通过对比各维度（时间，内外部商品/服务，用户：性别，年龄，地区，兴趣广泛度，新老客户，会员非会员，交易方式。。，渠道，路径等等）的KPI来提出假设。比如说这个月和上个月相比，公司没有进行促销活动，因此可能是这个原因导致新客户人数的降低。如果通过比较未发现可能的原因，那么就需要进行探索型数据分析。大家知道，数据可以进行分析的方面太多了，如果不设限，那么数据分析可以一直深入下去，因此并不是说分析得越细越好，这样会浪费大量的时间精力，我们应该从最可能的地方入手，并随时提出假设和进行验证。

3，准备数据：查看需要哪些数据，然后获取数据（爬虫，文件，数据库，数据仓库，市场调查，公开出版物，等等），检查所需的数据是否都有存储，清洗数据（缺失值，异常值，重复值，规范化，去除无用的信息，增加新变量，合并数据集，数据类型变换，等等），抽样，存储。

4，分析数据：拆分指标（比如：GMV=流量*转化率*客单价），比较各个影响因素，确定影响较大并且可调控的因素，用具体分析方法对关键方向进行分析，定位到问题所在。

5，对之前提出的假设进行验证，找到问题产生的原因。

6，寻找可能的解决方案，并确定优先级。这里需要考虑解决方案的开发成本，时间限制，效果等因素。

7，总结并提出建议：制作数据分析报告—报告背景，报告目的，分析思路，正文（包括数据来源，分页图表等），结论和建议。

8，持续跟踪：运营按照解决方案更新后，收集用户反馈，不断迭代 。