CDA人工智能学院：数据科学、人工智能从业者的在线学院。

数据科学（Python/R/Julia）数据分析、机器学习、深度学习

作者 | 小尧
来源 | Datawhale

前言

我毕业于上海立信会计学院毕业的税务专业，刚刚毕业的时候还是一枚小财务，后来工作中，身为财务，需要和业务各种斗（si）智（bi）斗（da）勇（zhan），于是在各种机（sheng）缘（zhi）巧（jia）合（xin）下，转行了数据分析。

我的转行经历Part1之税务师事务所

我自己是税务专业毕业，毕业后去了一家小的税务师事务所（合计员工3人），主要做的是各种税务合规、帮企业查缺补漏这样的事情。

大部分分析主要是利用企业外部数据，以及公开数据，模拟税务局分析思路，为企业提供税务局可能分析的角度问题，以此发现企业税法的潜在漏洞，帮助企业及早查缺补漏避免税务稽查。

工作过程中，我发现，对接企业的财务人员时，企业财务人员基本对业务不了解，最多也只是个大体了解，本身没办法发现业务风险点和潜在问题。同时财务人员和业务人员沟通很少，业务财务脱节，极易造成各类问题。

我的转行经历Part2之某东财务税务

后来，我去了某东，负责税务的同时，也帮分析组同事分析具体业务。有一个非常明显的感觉，就是【财务报表不能完全准确地反映企业财务状况】。

1. 财务指标所反映的情况具有相对性，例如预算达成率，超预算未必是坏事，正好达成预算也未必是好事。

2. 财务指标体系不严密，很多业务数据，到达财务时，有大量的缺失和遗漏，导致很多东西财务自己分析不出来。

3. 财务指标的评价标准不统一，很多时候，某个比率或者某个指标，多少是好，多少是差，没有定论。举例说明，某东存货周转天是负数、现金周期也是负数（先收到客户的付款，然后经过30~90天的账期，才结算给商家），问题是这个负数，多大是正常的？这个业内都没有可比数据（阿里有，不给我们），这个数据怎么看？

4. 财务的基础数据不反应实际情况。这个是财务的锅，但是我去业务部门以后，发现不全是这样的。举个简单的例子，车辆作为固定资产，财务账面只有初始成本和折旧这2个数据，而且折旧还是按时间加速折旧的，不能反应实际车辆使用情况。

另外一个感觉就是，财务很多时候，很依赖业务，却又不懂业务。容易被业务耍得团团转。就拿预算工作来说，预算数字是业务报的，执行是业务执行的，超预算或者不足预算是业务那边负责解释的。分析本身也只能很浅的分析，没办法知道业务实质到底和业务同事说的是不是一致的。当然，预算工作中也有各类有意思的事情。比如我们的预算基本只有三种状态：恰好达成、完全不使用预算、远远超出预算。

转行分析

因为之前做财务的时候，有做各类分析工作，后来物流业务那边就把我挖过去了（其实我也想被挖过去，毕竟财务还是挺枯燥的）。到业务这边，发现自己之前财务分析，其实真的很浅。

举几个简单的例子吧，物流体系的货车都是公司自己的，前期财务和物流同事发现车辆损耗严重，车辆折旧年限设定为2年，到期报废。到这里一切都很正常。

后期业务方为了减少报废同时增加员工福利，提出员工购车计划，员工拿低工资，干满2年后，车辆免费（后期改为低价格）转让给员工。神奇的一幕出现了，转让计划的车辆，员工开2年，基本没有什么损耗，但是财务账面折旧计提干净了。换句话说，财务账面认为价值为0的固定资产，实际上和新车差不多。这个时候分析的局限就出现了，购车计划的这些车，司机平时开的都特别小心，生怕车坏了。而平时司机开普通货车，基本上就是横冲直撞，开到极限。车辆使用情况完全不同，财务账面一模一样的东西，到实地一看，价值差距几倍。

这个时候，我就深刻感觉到了财务分析的局限性。财务只是根据账面数据，和极少信息进行分析；而业务中，很多非财务信息、各种难以量化的指标、非结构化的指标，在传递到财务的时候，都丢失了。导致整个财务分析犹如水中望月雾里看花。

再分享一个例子吧，不知道大家有没有开过高速。上高速基本上要交通行费，物流货车基本上走高速，这一点大家都没问题吧。物流分析有个工作就是跟车，就是和货车司机一起跑线路。接下来就是骚操作了。我看到高速入口在前面，司机就是不上高速，全程还超速行驶，接近交警测速仪的时候又降到正常速度。一路上开车开得我一个坐副驾驶的人，心惊胆战的。最神奇的是，某东有时效限制，每次这些司机都能按时到达目的地仓库。某东是报销高速通行费的，我就问司机，“通行费你不报销了啊？”司机说，他们有微信群，要什么时间什么路线的通行费发票都有，都是真发票，还都是别人不要的。到时候按额度报销就可以了。

其实这些问题，从财务角度，都可以解决。如果**能事先知道**不同计划的车辆，损耗程度不同，那么，财务完全有理由按不同的折旧年限进行折旧。如果**能事先知道**很多司机不走高速，拿其他人的车票报销通行费，那么完全可以审核的时候，核对车牌号，就完全可以避免这些问题。

然而，如果真的财务都把这些问题解决掉，业务会变好吗？之前我也和我前领导聊过，一致感觉是，绝对不会，反而会变差。其实原因很简单，如果员工购车计划，按一开始设想的，车辆用到基本报废，再送给员工，那么就不会有员工参加这个计划了；换句话说，其实很多人，是考虑自己爱护车辆，过户的时候还是个新车，才愿意接受低工资的。通行费的问题，之前做过市场调研，因为某东是五险一金全额缴纳的，很多司机不需要，正好高速路费报销有漏洞，司机实际到手的RMB和同行业差不多，所以司机才愿意干活。

数据分析师的工作内容

我理解的数据分析是一个业务支撑性质的工作。数据分析本身是通过分析数据，最终解决商业问题。主要是数据收集（埋点），分析数据之间关系（搭建指标体系），日常分析各个数据，反馈到各个业务条线上，来指导业务工作。个别时候还有专项分析某个场景和数据，为业务提供决策支持。

其实日常工作中，找数据、找逻辑，占了大部分。另外一部分工作是“老板要你分析什么，你就分析什么”，其实工作中，很多时候没有太大主动权，不过别纠结，没办法。

简单的说一下分析过程吧。比如B站用户，看直播过程中，右下角会有一个倒计时小宝箱，点击送银瓜子（按F进入坦克）。这个活动要怎么分析呢？比如一个分析角度，有多少人点击宝箱，那我该怎么分析呢？首先，我要埋点。埋点就是，每个点击的时候，记录谁在什么时候点击（action）了这个动作，有这些数据，后期才能分析。

接下来，我就要看看每天每个时段有多少人点击这个小宝箱，这个就是最简单的数据指标体系的构建。比如，我看到今天投喂辣条的人比较多，我就要看看原因，比如我今天辣条多的原因是，我做了个直播（PS:我想要邮轮~火箭~豪宅~~要打赏~~~拉到最底下可打赏私聊勾搭作者）。

然后呢，我要通过分析结果，反过来促进我的直播。比如大家打赏非常热烈，那么我每天就会非常开心的上B站直播，形成正循环。至于数据报表的配置搭建这部分，基本学了BI和SQL之后，问题都不大，放心吧。

数据分析师的能力要求

1.技能要求

首先要说明一点，技能、工具是为目的服务的，重要的是工具好用，工具不是目的。我们从数据获取，数据预处理，数据分析，结果呈现等几个方面分别来说明。

数据获取：

SQL技能和埋点（埋点主要是互联网行业）,还有excel。大多是情况下，数据来源都是数据库或者数据仓库，个别时候需要爬虫（适合收集学习类工作）。内部数据使用SQL(广义概念，含Hive SQL)是一种最简单有效的获取数据的方式。SQL本身入门门槛低，上手快，专业性不是很强。

数据预处理：

以python为例，大部分会用到pandas和sklearn工具包。

数据清洗的环节目标是提高数据质量，为后续的分析工作奠定基础，是高质量数据的最后一道屏障。

数据分析：

这一阶段是数据分析工作的核心，首先需要从业务场景的理解出发，基于数据，从趋势、分布中总结规律，分析业务现状，提出业务的改进建议。

结果呈现和结果落地：

这部分包括各种人际交往、沟通能力、各种软技能。这里就不好讲解了。

2.思维要求

这里直接推荐几本书：《谁说菜鸟不会数据分析》《增长黑客》《精益数据分析》《运营之光》

感悟与分享

关于硬技能

这2年python非常火，尤其很多BI工程师和报表工程师，通过学python，再加上数据分析课程，也转行成了偏技术类的数据分析。因此很多人可能会想，学个python。我个人也是自学python的，学下来的感觉是，python只是一个技能，真正有价值的，是**大脑里面的商业模型和分析思路

真的不要把Python和数据分析画上等号。对分析师来说，熟知业务的重要性远比你会一两个工具重要，而论重要性，SQL的重要性比Python重要的多

关于怎么转行

我自己的感受是，重视业务，了解公司怎么赚钱，而不是复制粘贴之前的凭证，只想我把凭证做好，报表做平，就好了。

当然，说起来简单，实际上很多人，应该大部分是工作1~2年的人或者在校生吧，工作以后应该会感觉，很多工作都是重复操作，但是有没办法，重复性工作占用了大量工作时间。所以，我自己一直就觉得，对大家来说，第一点最有可操作性的建议就是***花时间学excel***，如果有时间再加上**VBA**。工作效率提高以后，时间就是自己的了。到时候要学习业务，或者做一些自己的事情，都是OK的。

其次，我之前做审计的经验是，很多公司**系统都不好用**，之前某东的财务系统也不好用，所以当时和IT一起优化了一部分系统功能。后来IT开始上财务机器人，我也协助参与了一些。参与这类项目，基本就全盘了解整个业务每个流程每个节点，再结合一部分审计思维，很容易可以发现问题。关键是，当你有了整体思维， 你看问题的角度就完全不同了。

第三个就是数据分析实践。这些工作中也会遇到。比如，领导有时候会问，为什么收入上升/下降了。这个时候，如果只是业务方随便解释一个原因，然后看一下同比、环比，就解释给领导，一般不够。每个原因都有前因后果，都有内因外因，深入挖问题才可以。（当然一般业务方不一定有时间陪你回答）

最后，有时候选择比努力更重要。命运是抓在自己手里的，想过得好一点，就要刻苦一点。如果你现在感到迷茫，或许你可以静下心来学一样技能，不一定是数据分析，也可以是英语，也可以是PPT，甚至可以是写作等等。多学习多沉淀，你未来的职场生涯的路会相对宽一点，你也能有选择多条路的自信。

关注“AIU人工智能实验室”，回复“录播”获取更多人工智能精选直播视频！

完 谢谢观看