在过去几年的工作经历中，我接触和交流了很多人。考虑到以下六类人可能不是特别适合数据分析行业。
1.不善于思考。实际数据分析的本质是思考。无论是报告还是材料，都要不断开动脑筋。其实我们都希望这些看似混乱的数据能给我们提供一些必要的价值，然后我们就可以衡量这个价值的有用性。其实说到底就是大脑思维。简单来说，你如何处理数据？如何让自己思路清晰，如何让自己的思路更有逻辑性。
比如领导让你做经营分析报告，你要从头到脚考虑整个指标。这背后有什么意义？测量值可以分类吗？评分标准是什么？比如总收入、发展趋势、用户表现、品类管理、库存状况等等。再想想，比如总收入。我想比较一下这个分类的指标。天气预报是什么。现在，设计师应该告诉决策者什么问题？未来有多糟糕？是什么状态？是这一切来来去去的雏形吗？这个方法比较难，需要总结，一、二、三级结构也需要造词。就更难了。这个结果取决于分析师的经验和能力。在此基础上，很容易提取出一个吸引人的轮廓，然后根据轮廓确定各部分的分析框架，再考虑哪种测量分析方法更能传达你想要表达的信息。有哪些受大家欢迎的业务？
2.如果过于相信假数据，会发现看报告的时候会被其他的ppt、视觉技巧、巧妙的文字所吸引，很少考虑数据收集的方式？能代表整个行业吗？指标提取的逻辑是什么？有什么区别？可信度在哪里？
你要多渠道核实自己范围之外的数据，不能盲目相信，比如媒体报道的数据，离婚率，就业率，工资等等。需要进一步验证。有人会说，学这个和我的事没关系。其实没有。
而是一种对待数据的态度和习惯。
比如在计算kpi完成率的时候，你会发现很多指标每年都不错，但是最后的财务指标基本没有变化。为什么？
你质疑过吗？
一般指标都是层层压下来的，基层也绞尽脑汁完成kpi。正所谓上有政策，下有对策，执行难免失真。
NilPolzmann说：过去人们搜索信息是为了解决生活问题，但现在有了问题，无用的信息就派上了用场。
3.沟通能力差。数据分析师经常在程序员和决策者之间徘徊。政策制定者，下游程序员。没有有效的沟通，你能理解决策者想要什么。没有通信，很难获得所需的数据格式？你拥有的数据和提供给你的数据有很大的区别。
我见过很多分析框架与决策者想要的完美结合，但是当我向程序员要数据时，我会愚蠢地挖一个大洞，试图分析那些没有数据的地方。
同时也看到很多人没有和它进行准确有效的沟通，提出了一个在现有能力下无法运行的方案。
很多元数据都是明白的，但是在产出分析的框架下，受现有数据资源影响太大，无法开始思考，导致与决策者的产出完全不一致。
是一个博弈过程，必须沟通，决策者的问题没有边界。
它之间的交流使它有界。
4.实际行动差有两个方面。一方面是自学的道路很难入门，比如经常被问到工具的问题。其实有时候，你自己去搜索，会发现这个世界真的很美好，这就是搜索的力量。当然，人脑记忆做不到计算机。
其次，他们缺乏实践经验。很多人学习课程和书本，从来不用自己动手。他们总想找一些面试问题。企业级数据集用于分析和查看自己的级别。事实上，需要胃口的数据集很少。甚至有的是美化版。可以学很多综合练习吗？还是随机收集一些数据，越乱越好(这对运营工具有很大好处)，然后看基于现有数据能分析出什么？你有什么计划？有必要补充一些信息，使结论更加可信和详细。
只是看看，你真的不适合做数据分析。
5.exce用不好。你胡说八道。我们都用python。我只能告诉你，你对数据分析还不够清楚。python之前我们不是做数据分析的吗？仔细想想。
如果你仔细研究，你会发现90%的分析师用的是Excel，10%的工作环境是python.sql.spark.ketle等等。
不是所有人，所有分析师都要面对所谓的海量数据。现在的趋势是智能化的数据统计，一些特殊的分析比较复杂，但通常最大的问题是团队完成，比如决策者和业务it分析师，所以很多时候它可以帮到你。有人会问，如果可以不是更好吗？看你喜欢工具的快感，或者升职后的成就感。
6.永远不要回来。数据分析师是一个很难发展的职业。进入这个行业后，很多人仍然在继续使用分析逻辑。为
什么呢？我从未发现在哪里出错。今日读了几篇文章，觉得不错。下一次做报告，明天再看一个课程，这还不错。下一次要提高，可你是否认为自己的行为实际上是在消解焦虑，害怕跟上时代的步伐？
好的分析经验必须重复，分析最终取决于效果，实际上，商业分析能够直观地看到结果对于关键指标的影响。
这段时间可能有人说我是做业务分析的，怎么复盘？什么是运营分析呢？若发现问题，其目标就是尽可能地按照我们的方法去控制和确定。有必要建立一套跟踪程序和监督方法吗？另外，发现问题，发现问题，发现问题，是一个值得反思的方向。
