京公网安备 11010802034615号
经营许可证编号:京B2-20210330
这个七月着实忙碌了好久,也是工作的小事情不断,回头想想自己忙什么了,感觉好像真的没什么忙的,不过却又忙碌了这些天。这也是导致这么多天啥也没写的原因。确实现在有点感受到了一个好朋友说的,东西很散,有时候太忙了,没办法写出来。体味了一下这样的感觉,确实很忙,不过每天还是可以拿出那么一点时间来谢谢东西。
这几天和一个圈里的好友聊天,问我怎么来看待现在的工作状态。她也是一个做网游数据分析的分析师,她说一天的工作除了固定的发完每天要做的那部分,似乎剩下的时间就没了什么事可做,最感觉有点后怕的是,作为一个leader,下面一群人还需要指点和安排。这种空洞让她有些不能心安。
事实上,我有很长的一段时间也是这种状态,最后练就的本事时每天的必须工作只需要半小时就搞定了,剩下7个多小时就闲着了,闲的心里面有点害怕,因为怕这种闲。而造成这种感觉其实有时候感觉自己是在浪费自己的青春和时间,想努力抓住一些东西,但是又无法抓住。网游数据分析师说来这个词曝光率都不是很高,上有数据挖掘工程师的大帽子,之后又是业务分析师,运营团队的人,又是研发策划的人压着,其实有时候感觉挺苦逼的,挺悲催的地位,外加上环境和目前的分为并没有看重这个行业进步和发展,也就这样了。
现在几乎每天看到big data,数据分析这些热词,说实话我对于hadoop,mapreduce 这些不是很关心,因为我不是一个要去做技术的人,我对于经济学,心理学,营销学也不是很关心,因为我也不是一个要去做管理的,纯粹的运营的人,我有自己一个独立的称号网游数据分析师。
也许这个职位的价值不被数据挖掘工程师认可,因为你的技术没他们好,连个算法都搞不懂;
也许这个职位的价值不被运营人员所认可,因为你的分析和知识他们就能做到,连业务都没吃透;
也许这个职位的价值不被研发的人所认可,因为你根本就不懂研发,狗屁不是。
但是为什么还要坚持呢?因为存在价值。
因此就不必怀疑自己自己的价值,如果你热爱这份职业。
一个网游数据分析师不该停留在那些指标上,侃侃而谈就ok了,我们要去吃透那些指标,我们要去理解业务,驾驭上层的数据。同时,我们却又要不断的去探究为什么,因为数据挖掘工程师不会告诉你为什么,他们只能告诉你what,而你作为一个数据分析师,在业务者与挖掘者之间,就要解决,最终服务于运营业务的how。
所以我们可以不懂得高深的算法,但我们要懂得如何将算法应用,如何驾驭那些软件。我们不懂得市场,但是我们要懂得一点长尾,懂得一点怪诞心理,懂得一点社会性。我们不懂得设计,但是我们懂得一点用户体验,购买决策。
其实思考了很久,我觉得作为一个数据分析师,最终就是在构建个非常完整和健康的CRM。基本上层和底层的数据构建和服务对象都是CRM,只是这个东西从未完整和很好的应用过。在这点上,前几天我听过有人说我们做出来的游戏是要我们自己完全能够掌握和把控的产品,不然就会很危险,这点我不怀疑,但是最终的问题是你的产品是要给玩家来玩的,你懂得你的玩家吗?作为业务者只给你一堆指标就能够看出玩家的变化和行为的了吗?作为挖掘者,得出特征,就能直接指导设计改进了吗?我想都不太现实,这都是需要协作和融合的。
无论是细分数据和还是宏观的数据指标控制,都是相互依赖和分析并存的,因此作为数据分析师不只是懂得业务,也会去尽量懂得挖掘数据,这只是一个基本的要求,此外还要有如下的要求:
数据挖掘工程师不见得关心长尾理论,但是你要去关心;
运营人员和团队不见得关心神经网络,但是你要去关心;
最后我想举一个例子,前段时间看过一篇介绍分析永恒之塔流失的文章,作者在最后说尽管他们成功预测了流失概率,但是仍旧找不到流失的原因何在,也不知道该去如何控制改进。这个问题上挖掘者已经做到了,但是业务层包括研发层还是不能找到问题,你觉得这个问题该谁去解决?
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14