近年来，以大数据为基础的各类科技应用成为市场热点，通过将大数据应用于产品营销、客户体验改进、风险控制等方面，取得了很好的效果。在各大领域，基于大数据挖掘和人工智能而产生的创新层出不穷，成为行业创造价值的力量源泉。

从产品经理到数据产品经理，从市场营销到数字化营销，从运营到增长黑客，从人工风控到数字化自动审批，大数据、数据分析、AI等技术已逐渐改变着企业的传统经营模式、运营模式和操作流程。企业在信息化、数字化、数智化演进的过程中将衍生出大量需要与数据打交道的新职业。

目前在中国大约有6亿人在用office，excel等工具，但大多为满足日常办公的需求，很少使用到工具的数据分析模块，未来随着零代码、低代码的不断普及，数据分析技术的门槛将大幅降低，新商业时代，数据思维、数字化基础能力已成为人人皆需的职场通行技能。

加速企业数字化转型，实现业务转型、创新、增长！

在“数字中国”战略的指导下，信息化基建的快速发展，让企业走向数字化转型的道路。数字化转型是建立在数字化转换、数字化升级基础上， 进一步触及公司核心业务，以新建一种商业模式为目标的高层次转型。

数字化转型不仅需要底层信息化基建的支撑，还需要培养相关人才实施应用，越来越多的企业加入到数字化转型的进程中，也激发了数据相关职位的市场需求。以知识型业务流程化、数据场景化、算法工具、决策智能化便于企业通过渐进式的方式积累数据资产、算法资产，最终打造成具有自成长能力的数据智能型企业。

就业市场的风口正指向科技型人才，数据岗位不再以单一的数据分析师岗位形式呈现。为适应就业市场需求，以数据分析为主要工作职能的岗位孵化出数据工程师、数据科学家和人工智能专家等。以数据为工作辅助的岗位已逐渐渗透到各行各业。

数字化落地模型与工作流程！

（1）EDIT数字化模型

EDIT数字化模型是企业在实现数字化转型、数字化工作的落地模板，包含四个部分，其中外环的EDI三个阶段由企业业务岗位的人员执行，中心T部分由技术部门人员提供数据支持（如下图）：

该模型体现层次和纵深两个方面：1）层次方面，强调战略、管理、操作三个层级的业务部门人员均借助数据支持创造性的优化业务流程；2）纵深方面，以数据使用区分企业的前、中、后台，数据用户即业务人员，数据加工者即技术人员。

主要内容：

1、Exploration探索（是什么？）

指标体系——目标（O）、策略（S）、指标（M）、预报（趋势外推、预警）

2、Diagnosis诊断（为什么？）

性质分析法——内外部因素，是否可控

数量分析法——趋势维度、抽样调查、用户画像等

3、Instructiong指导（怎么办？）

知识库——产品知识库、客户标签库、场景标签库、渠道标签库

策略库——产品-客群匹配策略、客群-渠道匹配策略、客群-场景匹配策略

流程模板——执行体系、应用系统、数据系统

4、Tool工具（靠什么？）

数据模型——根据数据应用需求构建关系、维度、复杂网络等数据资产

算法模型——决策类、识别类、估计类的机器学习模型

优化模型——优化算法、流程挖掘

（2）数据科学层次和内容

数据分析在企业中分为宏观分析和微观分析两个层面。前者站在企业经营和运营的视角，为决策层和管理层提供数据支持；后者站在客户的视角，进行客户洞察，挖掘客户需求和匹配产品与服务，落地自动触发策略。

根据最佳实践，我们将数据科学在企业中的应用分为宏观分析、宏微观结合分析和微观分析三个层面：

1. 确定业务目标，能够根据问题业务指标提取数据库中相关数据，进行数据的探索、整理、清洗、处理、获取，统计制图，并通过相应数据分析方法和模型，结合相关软件完成数据的分析和报告，输出仪表盘，最后能够形成逻辑清晰的报告，传递分析结果，对实际业务提出建议和策略。

2. 针对不同分析主体，了解构建用户画像，根据宏微观根因分析，输出业务根因分析与策略优化报告，对行业进行评估，优化和决策。

能针对不同的业务提出算法模型及数据模型的解决思路，掌握算法模型基本大数据工具的使用，根据不同的数据业务需求选择合适的算法进行分析与处理，能够完整准确的输出数据分析报告，实现数据模型落地。

扫码回复“EDIT”获取相关视频讲解

阅读更多精彩内容：

CDA数据分析师