为什么数据分析师需要既懂业务又懂技术？
学习数据分析的“里程碑”是什么？
学习数据分析的“里程碑”是什么？数据分析是一项综合技术。
它既包含hardcore的编程技术，也包含诸多分析逻辑的软知识。
[email protected]曾写过一个爆款回答( 靳伟：怎样才算精通Excel? )，里面大致罗列了Excel从入门到精通的“五层心法”，包括快捷键、函数公式、图表、数据透视表和VBA等。
我更喜欢把它叫做“里程碑”，因为一方面，这些里程碑是每一个攀爬Excel技能天梯的朋友早晚要面对的;另一方面，跨过这道里程碑，Excel 技术可以说就获得了极大的提升。
对于数据科学家而言，Excel只是自己技能图表里很小的一部分。
虽然数据科学家流派众多，成长路径也各异，很难用短短一篇文章概括成长过程中碰到的所有“里程碑”。
但是，依旧有一些东西是共通的。
这篇文章就尝试归纳一些我心目中的数据科学“里程碑”。
什么是里程碑?① “里程碑”是一套知识体系中的重要环节，无论用哪个教程、如何展开学习，它总会是你必须面对的一关。
有可能它并不难，但是如果想要在能力上更进一步，这个里程碑是绕不开的。
② 跨越“里程碑”，技术就能获得质的飞跃，比如学会vlookup这项不算太难的技能，Excel工作效率就能大幅提升。
而如果掌握VBA，就能用Excel做很多原先不可能的事情。
里程碑1：理解是什么造就了大数据时代想必每一位系统学习过数据科学的同学，都会对“大数据”这个词嗤之以鼻。
不只是因为这个词被用滥了，更是因为它言之无物。
大数据究竟是什么?至今仍然没有一个明确的定义。
但是，大数据时代却是真实存在的。
与数据相关的科技创新和产业如今已经开展的如火如荼，虽然它们形式各不相同，但放在“大数据时代”的框架下，并没有什么毛病。
这就牵扯到一个很宏观的问题——大数据时代的核心是什么?为什么数据相关的产业能够突然爆发，蓬勃发展?对于这个问题的回答可能会直接影响到数据科学家的职业规划和世界观。
我个人的理解是：大数据时代，是海量数据+算法+运算能力的共同爆发。
数据分析师是一种什么样的职业？
数据分析师是一种什么样的职业？数据分析师分布在不同行业中，专门从事行业数据的搜集、整理、分析，并依据数据做出行业研究、评估和预测。
数据分析师需要敏锐的数字洞察力，因此，统计、会计、保险、工程经济、金融、数学、计算机等专业的同学对这个行业有明显优势，但其他行业的同学如果对这个职业感兴趣，通过日常学习，掌握一些统计必备技能，亦可以从事此类工作.主要工作领域：1、从事投资项目审核审批和招商引资、项目评估、投资决策等工作的政府机构、企业的相关领导以及从业人员。
2、在银行或非银行金融机构、投资管理公司、投资管理顾问公司从事风险投资、产业投资、信贷和投资管理等方面工作的专业从业人员。
3、会计师事务所、资产评估事务所及税务师事务所、律师相关专业人员。
4、学习财务、统计、投资、金融和企业管理等相关专业的在校应届学生。
5、在企事业单位从事市场调查与宣传工作的人士以及具有策划与决策工作职能要求的人士。
6、在不同领域尝试创业以及在投资、金融、资本运营、房地产和企业管理领域发展的各界人士。
数据分析师的工作内容分为四个层面：1、处理临时需求：解决业务一次性，临时性的数据需求。
2、报表开发：根据业务需要，与开发工程师讨论进行相关报表开发。
3、数据分析与挖掘：与业务同事一起沟通，分析业务问题，提供建议;根据业务需要建立各类挖掘模型。
4、数据产品化：通过数据产品化方式解决结构化业务问题。
数据分析师的基本要求：1、懂得建立目标数据分析是为了解决问题而去分析，不是单纯为分析而分析。
数据分析是有目的性的。
比如：一季度ABC产品的销售情况，是按月份为横坐标建立各部门的图表;各产品线ABC在一季度的销售情况，是按部门为横坐标建立对应的图表。
2、针对不同人群提供不同的结论报告数据分析要有结论报告，不同的人群报告的侧重点不同。
比如管理层，看的是趋势和异常点;营销人员看的是ROI((Return On Investment)产出比率和高用户质量的导入情况;业务人员看的是产品对用户的活跃度等。
企业数据资产管理的策略与挑战
企业数据资产管理的策略与挑战在当今数字化时代，数据已成为企业最宝贵的资产之一。
企业数据资产管理的重要性日益凸显，它不仅能够帮助企业提升运营效率、优化决策制定，还能为企业创造新的商业机会和竞争优势。
然而，要实现有效的数据资产管理并非易事，企业面临着诸多策略选择和挑战。
一、企业数据资产管理的策略（一）明确数据战略企业首先需要制定清晰的数据战略，明确数据在企业发展中的定位和作用。
这包括确定哪些数据是核心资产，如何收集、存储和使用这些数据，以及如何通过数据驱动业务增长。
数据战略应该与企业的整体战略相契合，为企业的长期发展提供支持。
（二）建立数据治理框架数据治理是确保数据质量、安全性和合规性的关键。
企业需要建立完善的数据治理框架，包括制定数据政策、流程和标准，明确数据所有者、管理者和使用者的职责，建立数据质量评估和监控机制等。
通过有效的数据治理，可以提高数据的可信度和可用性，降低数据风险。
（三）数据整合与集成企业内部通常存在多个数据源和系统，数据格式和标准也不尽相同。
为了实现数据的价值最大化，需要进行数据整合与集成，将分散的数据集中起来，建立统一的数据仓库或数据平台。
这有助于打破数据孤岛，实现数据的共享和流通，为数据分析和决策提供全面、准确的数据支持。
（四）数据质量管理数据质量是数据资产管理的核心。
企业需要建立数据质量评估指标体系，对数据的准确性、完整性、一致性、时效性等进行监测和评估。
对于发现的数据质量问题，要及时采取措施进行纠正和改进。
同时，通过数据清洗、数据验证和数据审核等手段，提高数据的质量和可靠性。
（五）数据安全与隐私保护随着数据价值的不断提升，数据安全和隐私保护成为了企业面临的重要挑战。
企业需要加强数据安全管理，采取加密、访问控制、备份与恢复等措施，确保数据的保密性、完整性和可用性。
同时，要遵守相关的法律法规和行业规范，保护用户的隐私和数据权益。
（六）数据分析与应用数据只有通过分析和应用才能产生价值。
数据分析基本要求
1、懂业务。
从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。
2、懂管理。
一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导，如果不熟悉管理理论，就很难搭建数据分析的框架，后续的数据分析也很难进行。
另一方面的作用是针对数据分析结论提出有指导意义的分析建议。
3、懂分析。
指掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效的开展数据分析。
基本的分析方法有：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。
高级的分析方法有：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。
4、懂工具。
指掌握数据分析相关的常用工具。
数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作。
5、懂设计。
懂设计是指运用图表有效表达数据分析师的分析观点，使分析结果一目了然。
图表的设计是门大学问，如图形的选择、版式的设计、颜色的搭配等等，都需要掌握一定的设计原则。
销售会议临时通知：1、所有办事处经理以上人员（含办事处经理）全部参加（3号下午到郑州开会，4号5号两天）。
2、参会人员统一着白色衬衣、黑色裤子、黑色皮鞋。
3、参会人员暂时不要定返程票。
（到时候需要组织拓展培训）。
工信部大数据白皮书
工信部大数据白皮书在当今数字化的时代，数据已经成为了一种极其重要的资源，就如同工业时代的石油一样。
而大数据技术的发展和应用，更是为各个领域带来了深刻的变革和创新。
工信部发布的大数据白皮书，无疑是对我国大数据发展的一次全面梳理和展望，具有重要的指导意义。
大数据是什么？简单来说，大数据就是规模极其庞大、复杂多样的数据集合，这些数据通过传统的数据处理方式很难进行有效的管理和分析。
但借助先进的技术手段，我们能够从这些海量的数据中挖掘出有价值的信息和知识。
工信部大数据白皮书首先对我国大数据产业的发展现状进行了详细的阐述。
在过去的几年里，我国大数据产业规模持续增长。
越来越多的企业开始意识到数据的价值，纷纷投入到大数据的应用和开发中。
无论是互联网企业，还是传统行业的企业，都在积极探索如何利用大数据来提升自身的竞争力。
在技术创新方面，我国也取得了显著的成果。
大数据的存储、处理和分析技术不断进步，云计算、人工智能等新兴技术与大数据的融合更加紧密，为大数据的发展提供了更强大的支撑。
例如，分布式存储技术使得大规模数据的存储变得更加高效可靠；大数据处理框架的不断优化，提高了数据处理的速度和效率；而基于人工智能的数据分析算法，则能够更精准地挖掘出数据中的潜在价值。
然而，大数据的发展也并非一帆风顺，面临着诸多挑战。
数据安全和隐私保护就是其中最为突出的问题之一。
随着数据量的不断增加和数据价值的不断提升，数据泄露、滥用等风险也日益加大。
因此，加强数据安全管理，完善相关法律法规，保障公民的合法权益，成为了亟待解决的问题。
另外，大数据人才的短缺也是制约产业发展的一个重要因素。
大数据领域需要既懂技术又懂业务的复合型人才，而目前这样的人才供不应求。
因此，加强人才培养，建立完善的人才培养体系，成为了推动大数据产业发展的关键。
工信部大数据白皮书还对未来大数据产业的发展趋势进行了展望。
随着 5G 网络的普及和物联网技术的发展，数据的产生速度将进一步加快，数据规模将呈爆炸式增长。
数据分析需要哪些能力
作为一名合格的数据分析师，你需要懂哪些？一、掌握基础、更新知识。
基本技术怎么强调都不过分。
这里的术更多是（计算机、统计知识），多年做数据分析、数据挖掘的经历来看、以及业界朋友的交流来看，这点大家深有感触的。
数据库查询—SQL数据分析师在计算机的层面的技能要求较低，主要是会SQL，因为这里解决一个数据提取的问题。
有机会可以去逛逛一些专业的数据论坛，学习一些SQL技巧、新的函数，对你工作效率的提高是很有帮助的。
统计知识与数据挖掘你要掌握基础的、成熟的数据建模方法、数据挖掘方法。
例如：多元统计：回归分析、因子分析、离散等，数据挖掘中的：决策树、聚类、关联规则、神经网络等。
但是还是应该关注一些博客、论坛中大家对于最新方法的介绍，或者是对老方法的新运用，不断更新自己知识，才能跟上时代，也许你工作中根本不会用到，但是未来呢？行业知识如果数据不结合具体的行业、业务知识，数据就是一堆数字，不代表任何东西。
是冷冰冰，是不会产生任何价值的，数据驱动营销、提高科学决策一切都是空的。
一名数据分析师，一定要对所在行业知识、业务知识有深入的了解。
例如：看到某个数据，你首先必须要知道，这个数据的统计口径是什么？是如何取出来的？这个数据在这个行业，在相应的业务是在哪个环节是产生的？数值的代表业务发生了什么（背景是什么）？对于A部门来说，本月新会员有10万，10万好还是不好呢？先问问上面的这个问题：对于A部门，1、新会员的统计口径是什么。
第一次在使用A部门的产品的会员？还是在站在公司角度上说，第一次在公司发展业务接触的会员？2、是如何统计出来的。
A：时间；是通过创建时间，还是业务完成时间。
B：业务场景。
是只要与业务发接触，例如下了单，还是要业务完成后，到成功支付。
3、这个数据是在哪个环节统计出来。
在注册环节，在下单环节，在成功支付环节。
4、这个数据代表着什么。
10万高吗？与历史相同比较？是否做了营销活动？这个行业处理行业生命同期哪个阶段？在前面二点，更多要求你能按业务逻辑，来进行数据的提取（更多是写SQL 代码从数据库取出数据）。
数据分析师职位要求
数据分析师职位要求一、职位概述数据分析师是负责收集、整理和分析数据，为企业决策提供支持的专业人员。
他们需要具备扎实的统计学和数学基础，熟练掌握数据分析工具和编程语言，能够从海量数据中提取有价值的信息，为企业提供决策参考。
二、职位要求1. 学历要求数据分析师职位一般要求本科及以上学历，统计学、数学、计算机科学、经济学等相关专业背景优先。
2. 技术能力（1）熟练掌握数据分析工具：如Python、R、SQL等，能够使用这些工具进行数据的清洗、处理和分析。
（2）具备数据可视化能力：能够使用可视化工具如Tableau、Power BI等将分析结果以图表形式展示，使非技术人员也能理解。
（3）具备编程能力：熟悉至少一种编程语言，如Python、Java等，能够编写脚本进行数据处理和分析。
（4）了解机器学习和数据挖掘算法：能够应用机器学习和数据挖掘算法解决实际问题。
3. 统计学和数学基础（1）熟悉统计学基本理论和常用统计方法，能够进行统计推断和假设检验。
（2）具备数学建模能力，能够将问题抽象成数学模型，并进行求解。
4. 业务理解能力（1）对所在行业有一定的了解，能够理解业务需求，并将数据分析结果与业务决策相结合。
（2）具备良好的逻辑思维和问题解决能力，能够从大量的数据中找出规律和趋势，为业务决策提供有力支持。
5. 沟通能力（1）具备良好的沟通能力，能够与非技术人员有效沟通，将复杂的数据分析结果转化为简单易懂的语言。
（2）能够清晰表达自己的观点和建议，与团队成员合作，共同完成项目。
6. 快速学习能力数据分析领域技术更新迅速，数据分析师需要具备快速学习新技术的能力，保持对新知识的敏感性，并能够将其应用到实际工作中。
7. 综合素质（1）具备较强的数据敏感性和分析思维能力，能够从数据中发现问题和机会。
（2）具备较强的抗压能力和团队合作精神，能够在高强度的工作环境下完成任务。
（3）具备良好的自我管理能力和时间管理能力，能够合理安排工作和提高工作效率。
数据分析师需要具备哪些技能和素质
数据分析师需要具备哪些技能和素质数据分析师是当今职场中备受瞩目的职业之一。
随着大数据时代的到来，越来越多的企业开始意识到数据分析的重要性，并积极招聘数据分析师来帮助他们解读和利用海量的数据。
然而，要成为一名优秀的数据分析师，并不仅仅需要掌握相关的技能，还需要具备一定的素质。
本文将从技能和素质两个方面来探讨数据分析师的要求。
技能方面：1. 数据处理和分析能力：作为一名数据分析师，熟练掌握数据处理和分析工具是必不可少的。
例如，掌握SQL语言以及常见的数据分析软件（如Python、R、Excel等），能够熟练操作和处理数据，进行数据清洗、数据挖掘和数据建模等工作。
2. 统计学知识：数据分析的核心是统计学，因此，具备扎实的统计学基础是数据分析师的基本要求。
了解常见的统计学方法和模型，能够运用统计学原理进行数据分析和预测，对数据的背后规律有深入的理解。
3. 数据可视化能力：数据分析的结果需要通过可视化的方式呈现给非技术人员，因此，具备良好的数据可视化能力也是数据分析师必备的技能之一。
熟悉常见的数据可视化工具（如Tableau、Power BI等），能够将复杂的数据转化为直观且易于理解的图表和报告。
4. 业务理解和沟通能力：作为数据分析师，不仅仅需要懂得数据分析的技术，还需要对所在行业有一定的了解。
只有深入了解业务需求和背景，才能更好地进行数据分析和提供有针对性的解决方案。
同时，良好的沟通能力也是必不可少的，能够将复杂的数据分析结果以简洁明了的方式传达给非技术人员。
素质方面：1. 好奇心和求知欲：数据分析是一个不断探索和学习的过程，因此，作为一名数据分析师，需要具备强烈的好奇心和求知欲。
对新技术和新方法保持敏感，不断学习和更新自己的知识，以适应不断变化的数据分析领域。
2. 逻辑思维和问题解决能力：数据分析师需要具备良好的逻辑思维和问题解决能力。
能够从大量的数据中找出规律和关联，提出有效的解决方案，并能够迅速解决在数据分析过程中遇到的问题。
商业分析师的核心技能要求
商业分析师的核心技能要求随着信息技术的快速发展，商业分析师已经成为越来越多企业的重要组成部分。
他们是企业决策的重要参与者，致力于从数据中分析出商业价值，并提供战略建议。
要成为一名优秀的商业分析师，需要具备以下核心技能。
一. 数据分析能力数据分析能力是商业分析师最基本的技能之一。
商业分析师需要通过掌握各种数据分析工具，深入挖掘数据背后的商业价值，并将数据转化为叙述性、诊断性、预测性、优化性的信息，以为企业提供有效的决策依据。
但是，既然是数据分析，那么数据质量也非常重要，商业分析师需要具备检验数据质量的能力，同时能够处理缺失数据和异常数据。
二. 业务识别能力数据分析工作离不开业务背景，任何数据分析项目都要先了解具体业务的需求，只有把本质较为复杂、业务规则不明、行业背景不熟悉的问题转化为数据分析问题，才能更好的帮助企业发现问题，找到核心问题本质，找到有效的解决方案。
三. 模型构建能力在数据分析过程中，商业分析师需要运用有效的模型进行分析。
常见的模型包括线性回归、逻辑回归、决策树等。
通过模型可以更好地分析未知样本的特征，从而提高判断和预测的准确性。
四. 数据可视化能力商业分析师需要具备数据可视化能力，将分析后的数据以直观、易懂的图表呈现出来，并且表现力强。
优秀的物色可视化能力可以帮助企业领导更好地理解数据，并从中获取可信信息。
五. 问题解决能力在企业的决策过程中，商业分析师承担着重要的角色，需要能够从背景、需求、目标、工艺浏览问题的总体面貌，把握问题核心的数据特征和模型，能够独立思考，深入分析，为企业找到有效的解决方案。
六. 沟通协调能力商业分析师最重要的客户不是高管，而是业务人员，他们在工作的一天中需要更务实、更简单的解决方案，商业分析师需要借助沟通协调能力积极参与商业决策，需要与其他团队进行交流，沟通与协调，形成高效的合作和更好的企业方案。
通过这篇文章，我们可以看出商业分析师需要具备哪些核心技能，要成为一名优秀的商业分析师，无论是技能还是个人素质都是很重要的。
大数据技术岗位要求详解与解读
项目管理
能够有效地管理项目进度 ，确保项目按时完成并达 到预期目标。
03
大数据技术岗位的实战经验与案例分 析
实战经验分享
大数据技术在智能制造领 域的应用
大数据技术在市场预测与 决策支持中的应用
大数据技术在企业运营优 化中的应用
实战经验一
数据安全与隐私保护能力
数据加密与安全存储
确保数据在传输和存储过程中的安全性。
隐私保护
了解并应用隐私保护技术，如差分隐私、匿名化等。
安全审计与风险控制
定期进行安全审计，及时发现和解决潜在的安全风险。
团队协作与沟通能力
01
02
03
团队合作
具备良好的团队合作精神 ，能够与其他团队成员有 效协作。
沟通技巧
团队协作挑战
大数据项目通常涉及多个团队和部门，需要具备良好的团队协作和沟通能力。
沟通语言障碍
大数据领域的技术术语较多，需要具备专业术语的沟通能力，确保团队之间的有 效沟通。
05
大数据技术岗位的职业规划与发展前 景
职业规划建议
持续学习
大数据技术日新月异，从业者应保持持续学习的态度，关注新技术发 展，不断提升自己的技能和知识储备。
实践经验积累
在实际工作中不断积累经验，通过解决实际问题提升自己的技术能力 和问题解决能力。
建立人脉关系
与同行建立良好的人脉关系，互相交流学习，共同成长。
跨领域合作
大数据技术应用广泛，从业者应具备与其他领域合作的能力，如与业 务部门、产品团队等合作，共同推动项目的实施和落地。
发展前景展望
市场需求持续增长 随着大数据技术的普及和应用， 企业对大数据技术人才的需求将 持续增长。
深化银行数据治理，发挥数据要素作
交通银行数据管理与应用部总经理 袁文霞深化银行数据治理，发挥数据要素作用，赋能数据要素市场化建设交通银行数据管理与应用部总经理 袁文霞2022年12月，《中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见》正式发布，首次提出构建数据产权、数据要素流通和交易、数据要素收益分配和数据治理等制度，强调压实企业数据治理责任，加强内外部数据融合应用，促进数据要素交易流通。
这也是我国在国家层面关于数据要素领域的首份政策性指导文件，对各行业、各领域的数据建设提出了总体要求。
在金融领域数据能力建设方面，过去几年，人民银行和银保监会相继发布了多项政策、指引，覆盖数据标准、数据质量、数据安全及数据应用等各细分领域，对金融机构推进数据治理、加强数据应用做出了全面细致的规定，推动金融领域数据治理框架体系不断完备。
2021年9月，银保监会在《商业银行监管评级办法》中增加“数据治理”要素，把数据真实性、准确性、完整性作为评价银行风险管理状况的基础因素，保障了银行业数据治理要求的贯彻执行。
近几年，在监管机构的引导下，商业银行在数据治理与应用领域不断探索前行，在制度体系构建、组织架构保障、系统平台建设等方面均取得了阶段性成果，初步具备了数据管理基础能力。
随着银行数字化转型进程的不断加快，业务转型发展对数据挖掘应用的诉求越来越强烈，对数据使用灵活性与时效性的要求也越来越高。
同时，伴随着监管科技能力的不断升级，数字化监管对银行数据的穿透式、细粒度核查已成为新常态，这为商业银行深化数据治理与应用以及充分发挥数据要素价值带来了新机遇，但同时也对商业银行提出了新的要求。
一、银行数据治理面临的挑战与问题1.组织体系建设与数据文化培育仍需加强经过前期数据治理工作的推进，商业银行数据治理组织架构已基本建立，但尚未在内部各层级组织间达成充分、积极的共识，部分机构的业务人员对数据治理的重要性认识尚不充分、工作参与度低，导致相关工作往往由数据治理牵头部门或科技部门单方面发力，治理效果不佳。
现代会计师的数据挖掘与业务分析能力
现代会计师的数据挖掘与业务分析能力在当今数字化时代，数据挖掘和业务分析能力对于现代会计师来说变得越发重要。
随着科技的进步，会计师们需要掌握先进的数据挖掘技术和深入的业务分析知识，以便更好地适应和应对商业环境的变化。
本文将探讨现代会计师在数据挖掘和业务分析能力方面的重要性，并解释如何提高这些关键技能。
一、数据挖掘的重要性数据挖掘是指从大量数据中提取有价值的信息和模式的过程。
在会计领域，数据挖掘可以帮助会计师发现潜在的业务机会、识别潜在的风险和问题，并支持决策制定和业务改进。
以下是一些现代会计师在数据挖掘方面的重要能力：1.1 数据收集和整合能力现代会计师需要懂得如何收集和整合各种类型的数据，包括财务报表、交易记录、市场数据等。
这些数据的有效整合可以帮助会计师揭示隐藏的模式和趋势，并为业务决策提供支持。
1.2 数据清洗和预处理技能在数据挖掘过程中，数据往往会存在噪声、缺失值和异常值等问题。
会计师需要具备数据清洗和预处理的技能，以确保数据的质量和准确性。
1.3 数据可视化能力数据可视化是将抽象的数据转化为可视化图表或报表的过程。
通过数据可视化，会计师可以更容易地理解和解释大量的数据，帮助业务决策者更好地理解和利用数据。
二、业务分析的重要性业务分析是指对业务流程、绩效指标和业务模型进行定量和定性分析的过程。
现代会计师需要具备深入的业务分析能力，以更好地理解和解读财务数据，并提供有关业务增长、成本控制和风险管理的建议。
2.1 财务分析技能会计师需要懂得如何从财务报表中提取关键指标，并对企业的财务状况进行分析。
这包括收入分析、成本分析、盈利能力分析和现金流量分析等。
通过财务分析，会计师可以帮助企业管理层了解业务绩效，并提供战略和经营决策的支持。
2.2 风险分析和管理能力会计师在业务分析中需要识别和评估潜在的风险，并提出相应的管理建议。
这包括市场风险、信用风险、法律风险等。
通过风险分析和管理，会计师可以帮助企业降低风险，并制定相应的风险管理策略。
大数据在行业中的应用潜力如何挖掘
大数据在行业中的应用潜力如何挖掘在当今数字化的时代，大数据已经成为了企业和组织决策的重要依据，为各行各业带来了前所未有的机遇和挑战。
然而，要充分挖掘大数据在行业中的应用潜力，并非一蹴而就，需要我们从多个方面进行深入思考和探索。
首先，我们要明确大数据的概念和特点。
大数据不仅仅是指数据量的庞大，更重要的是数据的多样性、高速性和价值密度低等特点。
它涵盖了结构化数据（如数据库中的表格数据）、半结构化数据（如XML 文档、JSON 数据）以及非结构化数据（如文本、图像、音频、视频等）。
这些数据来源广泛，包括企业内部的业务系统、社交媒体、物联网设备等。
由于数据量巨大且类型复杂，传统的数据处理方法已经无法满足需求，这就需要我们采用新的技术和工具来进行数据的存储、管理和分析。
要挖掘大数据在行业中的应用潜力，数据质量是至关重要的。
低质量的数据可能会导致错误的分析结果和决策，因此在收集数据时，我们要确保数据的准确性、完整性和一致性。
同时，对于重复、缺失或错误的数据，要进行清洗和处理。
另外，数据的安全性也是不容忽视的问题。
随着数据价值的不断提升，数据泄露的风险也日益增加。
企业和组织需要加强数据安全管理，采取加密、访问控制等措施，保护用户的隐私和企业的核心数据。
在技术层面，云计算为大数据的处理和分析提供了强大的支持。
通过云计算平台，企业可以按需获取计算资源和存储资源，大大降低了大数据处理的成本和门槛。
同时，分布式计算框架（如 Hadoop、Spark 等）的出现，使得大规模数据的并行处理成为可能。
这些技术的应用，能够帮助企业快速地从海量数据中提取有价值的信息。
除了技术，人才也是挖掘大数据应用潜力的关键因素。
大数据领域需要既懂业务又懂技术的复合型人才，他们能够将数据分析与业务需求紧密结合，为企业提供有针对性的解决方案。
因此，企业要加强人才培养和引进，建立专业的大数据团队。
同时，要鼓励跨部门合作，促进业务人员和技术人员之间的交流与协作，共同推动大数据在企业中的应用。
8年数据分析经验深度剖析数据分析师职业前景
8年数据分析经验深度剖析数据分析师职业前景一、数据分析师前景概述想要准确了解数据分析师的前景，首先要了解数据分析师是什么样的一个岗位？数据分析师就是一群研究数据的人，以研究出数据商业价值为目标，让数据变成新质生产力。
数据分析师通常分两类：一类是在专门的挖掘队伍里面从事数据挖掘、基于各类统计算法进行模型开发和分析，从而支撑公司的决策战略的精准实现。
该类分析师更偏向技术线条，需要熟练掌握各类算法知识、挖掘工具和编程能力，未来的职业发展可能走技术专家路线。
另一类是下沉到各业务队伍从事数据监控、市场研究、产品研究、运营策略分析，通过建立数据模型从而为业务提供精准的决策方案。
该类型分析师偏向业务线条，未来的职业发展可能走业务专家线路。
了解完数据分析师是怎样的一个岗位之后，继续来讲数据分析师的前景如何的问题？一个职业通常被认为是有发展前景的职业，最重要的是能为企业的发展起到关键且不好替代的作用。
而从上面的定义可以看到，数据分析师是能够充分利用数据，在进行数据挖掘和分析后，呈现给企业决策者清晰、准确的数据支持，可见数据分析师已经不是简单的技术或者业务相关人员，而是可以参与到企业决策发展制定中的核心人物。
可见，数据分析师就是这样的一个职业。
当然被公司重视的岗位，收入方面肯定是可以想象的，就不多讲了。
一个职位被认为是有发展前景的职业，还有其他两个特征：1发展趋势向好2可持续。
先说发展趋势向好：如果一个职位目前是比较热门的，但是正在往下坡路走的话，也是无法称得上是有前景的职业。
而数据分析师，近几年事实上从相关人才出现供不应求的状况，可以看出这块的人才需求是稀缺的，未来来讲是需求只增不减的。
再说可持续：如果一个职业只是昙花一现，短暂的留存那么几年的光景，也称不上是有前景的岗位。
我们知道，在这个信息爆炸的年代，每个人每分每秒都在产生数据，未来数据的增速会更快，如何能从纷繁复杂、量超乎想象的数据中找到并挖掘出源源不断的数据价值，就是需要数据分析师去做的事情，目前数据分析主要应用在互联网企业，未来随着互联的全面化，将来会有越来越多的政府机关、企事业单位将选择拥有数据分析师资质的专业人士为他们的项目做出科学、合理的分析、以便正确决策；越来越多的风险投资机构把项目数据分析师所出具的数据分析报告作为其判断项目是否可行及是否值得投资的重要依据；越来越多的高等院校和教育机构把数据分析师课程作为其中高管理层及决策层培训计划的重要内容；越来越多的有志之士把数据分析师培训内容作为其职业生涯发展中必备的知识体系。
数据分析工程师职责
数据分析工程师职责数据分析工程师是当今信息时代中非常重要的职业之一。
他们负责通过统计分析、数学建模和机器学习等方法，从大量的数据中提取有价值的信息和洞察力。
本文将罗列出数据分析工程师在日常工作中所承担的职责和任务。
一、数据采集与清洗数据分析的第一步是数据采集与清洗。
数据分析工程师需要通过各种途径获取大量的原始数据，包括数据库、API接口、日志文件等。
在采集数据之后，他们需要对数据进行清洗，去除异常值和噪声，保证数据的准确性和可靠性。
二、数据存储与管理数据分析工程师需要将采集到的数据存储在适当的数据库或数据仓库中，并建立相应的数据管理系统。
他们需要设计和维护数据模型，确保数据的有序性和一致性。
同时，他们还需要根据业务需求，对数据进行分区和分割，以提高数据处理的效率和性能。
三、数据分析与挖掘数据分析工程师的核心工作是对数据进行分析和挖掘。
他们需要运用统计分析、数据挖掘和机器学习等技术，探索数据中的规律和模式，发现数据背后的价值和潜在趋势。
通过建立算法模型和预测模型，他们可以对未来的趋势和可能性进行准确的预测和判断。
四、数据可视化与报告数据分析工程师需要将分析结果进行可视化，并为业务团队或决策者提供有价值的数据报告。
他们可以使用数据可视化工具，如Tableau、Power BI等，将数据以图表、仪表盘等形式展现出来，使得复杂的数据变得易于理解和解释。
五、数据驱动的决策支持数据分析工程师的工作最终目的是为企业或组织提供数据驱动的决策支持。
他们需要将数据分析结果与业务需求结合起来，为决策者提供准确、及时的数据支持。
通过数据分析，他们可以帮助企业发现问题、解决难题，并提供战略性的建议和指导。
六、数据安全与风险管理数据分析工程师需要对数据安全和风险进行有效管理。
他们需要制定数据安全策略，确保数据的保密性和完整性。
同时，他们还需要对数据风险进行评估和监控，及时发现和应对可能存在的数据安全隐患。
总结：数据分析工程师是当今信息时代中不可或缺的角色之一。
掌握多项技能在职场中的优势
掌握多项技能在职场中的优势在当今这个快速变化的职场环境中，单一技能已经无法满足企业和个人发展的需求。
随着科技的发展和全球化的推动，多项技能的掌握不仅成为一种职业发展的趋势，更被视为竞争优势的关键。
本文将深入探讨在职场中掌握多项技能的优势。
一、适应性强，能够满足多样化需求企业面临着快速变化的市场环境和不断更新的技术，这对员工提出了更高的要求。
掌握多项技能的员工展现出了卓越的适应性，能够迅速应对各种挑战和任务。
当企业需要在短时间内调整业务方向或技术手段时，拥有多重技能的人才能更好地融入团队，并为企业提供有效解决方案。
例如，一位在市场营销、数据分析和社交媒体管理等多个领域都有一定经验的员工，可以在不同的项目中灵活运用自己的知识，减少企业的人力资源成本。
这种多样化的能力，不仅能帮助员工获得更广泛的职业选择，也能让他们在公司内部获得更多的发展机会。
二、提升解决问题的能力面对复杂的问题，单一技能往往难以提供全面的解决方案。
而掌握多项技能则使得个人在遇到困难时能够从多个角度进行分析和判断。
具备多种专业知识的人能综合运用不同领域的信息，以系统的思维找出最佳解决方案。
比如，一名软件工程师如果同时掌握用户体验设计和项目管理技能，他在开发产品时就能更全面地考虑用户需求与团队协作，从而提高产品质量与市场适应性。
这种跨领域的能力常常使其在团队中处于核心地位，有助于推动项目进展并实现目标。
三、增强个人竞争力与职业保障如今，职场竞争愈演愈烈。
企业希望用人时不仅注重岗位匹配度，更看重综合素质。
拥有多项技能往往意味着一个人在同类职位中的竞争力更强，同时也给自己增加了职业保障。
即使原有职位受到冲击，具备其他领域知识的人可以迅速转岗或发展新的职业道路。
例如，在经济波动较大的时期，一名既会市场营销又懂财务分析的人，比只会其中一门技能的人更容易找到新机会。
这样的复合型人才通常受到青睐，同时也有更大的可能性获得晋升机会。
四、促进职业生涯发展和个人成长职场中，提升个人价值与职业发展的路径是复杂而多元化的。
数据分析如何推动经济高质量发展
数据分析如何推动经济高质量发展在当今数字化的时代，数据已成为一种极其重要的资源，就如同工业时代的石油一样珍贵。
数据分析作为挖掘和利用这一资源的关键手段，正在深刻地影响着经济的发展，为经济高质量发展注入强大的动力。
数据分析能够帮助企业更精准地把握市场需求。
通过对大量消费者数据的收集和分析，企业可以清晰地了解消费者的喜好、购买习惯、需求变化等。
比如，一家电商企业可以通过分析用户的浏览记录、购买历史和评价等数据，发现某个地区对某种特定类型的商品需求旺盛，从而有针对性地调整商品供应和营销策略，提高销售效率和客户满意度。
同样，一家制造业企业可以通过分析市场数据，预测未来的产品需求趋势，提前进行研发和生产规划，避免盲目生产导致的库存积压和资源浪费。
数据分析有助于优化企业的生产运营流程，提高生产效率和降低成本。
通过对生产过程中产生的数据进行实时监测和分析，企业可以及时发现生产线上的瓶颈环节和潜在问题。
例如，通过分析设备运行数据，可以提前预测设备故障，进行预防性维护，减少设备停机时间，提高设备利用率。
对供应链数据的分析能够优化原材料采购、库存管理和物流配送，降低供应链成本。
同时，数据分析还能帮助企业实现精益生产，减少生产过程中的浪费，提高产品质量的稳定性。
在创新领域，数据分析也发挥着重要作用。
它可以为企业的创新提供方向和依据。
通过对市场趋势、技术发展和竞争对手的分析，企业能够发现新的商业机会和创新点。
比如，一家科技企业通过分析行业数据，发现某个新兴技术领域具有巨大的发展潜力，从而投入资源进行研发，推出具有竞争力的新产品或服务。
此外，数据分析还可以促进企业内部的知识共享和协同创新，将不同部门和团队的数据整合起来，激发创新思维，提高创新效率。
对于政府部门来说，数据分析能够为制定更加科学合理的经济政策提供有力支持。
政府可以通过收集和分析宏观经济数据、产业数据、就业数据等，准确判断经济形势和发展趋势，及时发现经济运行中存在的问题和风险。
数据分析与数据挖掘
数据分析与数据挖掘数据分析和数据挖掘都可以做为“玩数据”的⽅法论，两者有很多的共性，也有显著的差异。
从分析的⽬的来看，数据分析⼀般是对历史数据进⾏统计学上的⼀些分析，数据挖掘更侧重于机器对未来的预测，⼀般应⽤于分类、聚类、推荐、关联规则等。
数据分析(狭义)与数据挖掘的本质都是⼀样的，都是从数据⾥⾯发现关于业务的知识(有价值的信息)，从⽽帮助业务运营、改进产品以及帮助企业做更好的决策.从分析的过程来看，数据分析更侧重于统计学上⾯的⼀些⽅法，经过⼈的推理演译得到结论;数据挖掘更侧重由机器进⾏⾃学习，直接到得到结论。
从分析的结果看，数据分析的结果是准确的统计量，⽽数据挖掘得到的⼀般是模糊的结果。
‘数据分析’的重点是观察数据，‘数据挖掘’的重点是从数据中发现‘知识规则’KDD(Knowledge Discover in Database)。
‘数据分析、数据统计’得出的结论是⼈的智⼒活动结果，‘数据挖掘’得出的结论是机器从学习集(或训练集、样本集)发现的知识规则。
‘数据分析’需要⼈⼯建模，‘数据挖掘’⾃动完成数学建模。
数据挖掘与数据分析的主要区别是什么1、计算机编程能⼒的要求作为数据分析很多情况下需要⽤到成型的分析⼯具，⽐如EXCEL、SPSS，或者SAS、R。
很多的数据分析⼈员做的⼯作都是从原始数据到各种拆分汇总，再经过分析，最后形成完整的分析报告。
当然原始数据可以是别⼈提供，也可以⾃⼰提取(作为⼀名合格的数据分析师，懂点SQL知识是很有好处的)。
⽽数据挖掘则需要有编程基础。
为什么这样说呢?举两个理由：第⼀个，⽬前的数据挖掘⽅⾯绝⼤多数是⾪属于计算机系;第⼆点，在招聘岗位上，国内⽐较⼤的公司挂的岗位名称⼤多数为‘数据挖掘⼯程师’。
从这两点就可以明确看出数据挖掘跟计算机跟编程有很⼤的联系。
2、在对⾏业的理解的能⼒要想成为⼀名优秀的数据分析师，对于所从事的⾏业有⽐较深的了解和理解是必须要具备的，并且能够将数据与⾃⾝的业务紧密结合起来。
一文读懂：数据分析师需具备的素质与技能
根据网上提供的材料：分析数据分析师任职要求1.1OPPO 数据分析师岗位职责：在这里，你可以学习到行业数据分析方法和算法原理，将获得亿级用户的数据分析机会。
你需要以严谨的数据思维，以及扎实的数据知识和技能，分析和洞察用户需求，提升用户体验，具体工作方向包括：方向一：负责产品数据需求对接，完成需求分析、数据处理、用户分析要求；方向二：参与用户画像体系建设，完成代码开发、测试验证、文档编写；方向三：参与数据产品设计，参与从需求到原型设计、到开发再到上线及推广的完整项目周期。
任职要求：1、数学、计算机等相关专业本科及以上学历；2、熟悉SQL，有数据结构设计和数据开发能力；3、熟悉基本的分析方法和挖掘算法；4、逻辑清晰，思维严谨，有一定数据敏感度，热爱数据分析工作；5、优选条件（1）有数据分析、数据开发相关经验；（2）熟练掌握SQL语法，了解hadoop原理，有hive相关数据处理经验；（3）熟悉常见算法原理，有R语言python相关算法开发经验；（4）有需求分解能力，有数据产品设计经验。
1.2VIVO 数据分析师（网申3.13；笔试3.14；面试：3.16；签约3.19）岗位职责：1、负责互联网各产品及业务重要商业分析命题的实施；2、通过数据分析和挖掘方法，给出相关业务的策略建议；3、专题分析的具体实施、分析报告的撰写及重要结论的落地推动，并保证分析质量。
任职要求：1、本科及以上学历，计算机、数学统计类或其他理工类专业，3年及以上数据分析及报告撰写相关工作经验；2、具有互联网行业背景，对移动互联网发展有清晰认识，对数据分析有浓厚的兴趣；3、熟悉常见数据分析理论，能够通过专业分析技能为公司识别并落地价值；4、熟悉Linux环境，hadoop仓库环境，精通hivesql，有海量数据处理经验；5、能够使用office软件生成分析报告，具有直观的数据展现和表达能力；6、能够使用Python，R、SAS，SPSS，matlab等分析工具之一优先；7、有良好的团队合作及沟通能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
为什么数据分析师需要既懂业务又懂技术？
在企业中，数据分析师们往往分为业务和技术两大类。
两类能力和工作内容有较大区别，但经常企业在招人的时候都叫：数据分析师。
这常使想进门的新人感到困惑。
今天，我们就来科普一下业务与技术的那些事。
业务or 技术业务类分析师，往往在战略发展部，市场部，会员中心，销售部，运营部。
根据服务的业务部门的不同，他们也可能叫数据运营，经营分析，会员分析，商业分析师等名字。
因为各个业务线具体考虑的问题不同，分析思路与体系均有不同，所以会有这种区别。
他们有个共同的特点：他们主要负责写PPT 而不是写代码。
他们输出的是分析报告多于零散的数据。
他们的主要工作，包括：整理excel，提供各个业务部门看的常规日周月报；针对领导安排的专项议题（如双十一促销、年终规划、新产品设计）做专题分析；支持领导做需要用到数据的测算、规划、方案等等。
技术类分析师，往往在IT部、数据中心。
根据从事的工作环节不同，他们被分成数据库工程师，ETL工程师，爬虫工程师，算法工程师等角色。
在小企业，往往一个技术小哥通吃这些流程。
在大企业，一个标准的数据中心，一般都有数据仓库、专题分析、建模分析三个小组来完成数据开发工作，再大的公司，还有专门负责数据治理的小组。
之所以有这个区分，是因为生产数据，需要
一个多层次的复杂的数据系统。
一个数据系统，需要数据采集、数据集成、数据库管理、数据算法开发、报表设计几个环节组合。
这样才能把分散在各处的一点一滴的数据集中起来，计算成常用的指标，展示成各种炫酷的图表。
这里每一个环节都需要对应的技术支持和人员工作，因此有了不同的岗位。
只要你深入了解数据分析师，就会发现大家讲的最多的一句是：最好就是技术业务都精通。
这让很多新人感到很辛苦。
为什么我不能安安静静的当一个程序员？为什么我不能勤勤恳恳写ppt呢？非要学另一个领域，看起来其他部门的人也不需要这么多才多艺啊！凭什么做分析的就这么辛苦？实际上，但凡是做数据分析的老鸟们，都知道技术业务双精通的重要。
这是他们无数次面试失败、加班到哭、要求升职被拒、背了黑锅写检讨之后的血泪总结。
刚起步的菜鸟们，眼前还是一片空白，当然看不到这些痛楚。
不懂技术，最终沦为夸夸其谈的废柴鄙视技术的新人，往往来自那些校招顺风顺水，进了大企业，500强的总部，以为自己马上要成为商业精英的人。
战略发展部往往是重灾区。
这些哥们姐们每天西装革履和各种老板交谈，写的ppt动辄5年规划全局战略。
一种优越感油然而生：我是跟大老板汇报，那我也是个二老板吧！分析思路才是最重要的！技术都是干脏活累活的！如果一直这么优越下去，他们要么成为靠着“XX企业出身”名头混吃骗喝的大忽悠，要么干了几年始终在基层
岗位徘徊。
确实，分析不需要数据，你看历史上名臣谋士有几个搞sql，python的？但那是刀耕火种的农业社会的事。
分析之所以要加数据二字，就是因为数据能让分析更精确。
而在移动互联网时代，数据来源复杂，加工过程多，计算方式日新月异。
不了解技术原理，不掌握数据来源，就无法真正掌控数据含义。
脱离数据，空谈思路，就会让自己越来越浮夸。
无法在职业发展上更上一层楼。
有意思的是，这些大忽悠们往往坑的是技术部门。
因为他们有着“XX名企”这样金光闪闪的头衔，往往能混进领导层。
遇到这种业务部门的领导，技术部门就倒了血霉了。
每天听他瞎吹各种思路，没有一个能落地的。
你问他：“到底这个分析要哪些维度，哪些字段？”人家一句：“这不是技术干的吗！”你问他：“你预测这个有什么分析逻辑？”人家一句：“这不是技术干的吗！”最后再追杀一句：“我就是要预测，你们去预测！你看人家网上写了大数据人工智能就能预测！你不能预测一定是你智能不够！”搞笑吗？一点不搞笑！你要是伺候他的技术部门，每天都是上坟心情去上班，好想活埋了丫的。
夸张吗？一点不夸张，反正陈老师见过，连数据指标对应哪个字段都搞不清楚还在大谈特谈分析，不理数据采集有什么难度，张口就要数据的所谓营销专家。
让人哭笑不得。
好在，这种人只在陈老师刚毕业的时候比较多。
那时候BAT还没有崛起，外企500强才是众星拱月般的存在。
现在随着BATJ华为等
一众公司热捧算法工程师，使得风气扭转，目前热捧技术忽视业务的占了上风。
不懂业务，最终排在升职加薪的末尾鄙视业务的，往往来自刚进入IT部工作没两天，抱着：“只要会代码，工资轻松拿！”错觉的新人。
他们还没有经历过一个完整的项目，还没有自己和业务部门开过会。
拿着自己主管派来的任务单，两耳不听窗外事，一心只会敲键盘。
于是搭上泰坦尼克驶向kaggle，早辞波士顿，晚赏鸢尾花，没事就把拉钩爬。
似乎只要把这些网上人人可以抄的代码自己抄一遍，下一个小龙哥就是自己了。
然鹅，经历了无数次加班以后，他们开始发现：“为什么我们的数据质量这么烂？”“为什么我们的数据造假这么多？”“为什么关键的字段缺东少西？”“为什么系统这么糟糕天天老牛破车？”那些在书上的完美案例从来就没有条件实现。
然后小哥们想着肯定是公司小，不规范。
跳槽到超牛逼大公司，一定是数据完美，基础强大。
几经努力跳槽以后，才发现：在大公司，只是一头老老牛，带着一群年轻的小牛拉着一辆更大的破车而已，哭。
他们又开始发现：“为什么业务方给的时间限度这么短！”“为什么业务方要这么异想天开！”“为什么明明不合理的需求还要抬出老板来压着我们做！”“为什么做好了就归功于业务策划的好！”“为什么出了问题就是IT的锅！”。
这时候，他们忽然发现隔壁组的组长是如此的机智。
每次和业务方开会，都能以子之矛攻子之盾。
把那些不合理的需求杀的体无
完肤。
他们组从来加班少黑锅小。
大部分做技术的小哥，就是从这一刻开始顿悟懂业务的重要性的。
这种抱怨陈老师听了很多，这种顿悟陈老师也见了很多。
因为我就是那个隔壁的组长。
稍后会专门分享数据驱动业务的经典案例，让大家看看如何从一开始就脱离苦海，跳出大坑。
因为本质上，技术是为业务服务的。
技术落地的成功，首先从一份高质量的业务需求开始。
不能正确的理解业务需求，不能合理的帮助业务方完善需求，不能有效的规避需求中业务陷阱，就不可能有好的产品开发出来。
技术开发的成功，需要资金、人力、时间的投入。
如果不能为技术找到好的业务场景，就无法从老板那里获得足够的支持。
毕竟大部分企业，做开发是为了挣钱，不是为了烧钱的。
而最终考核开发的，也不是你用的技术多么复杂，而是你对业务有多大帮助。
新人们要付出相当的加班辛苦，才能理解到这一层。
业务+技术，至少懂这些术业有专攻，知识要广泛，是职业发展的基本准则。
特别对数据分析师这样一个多面手型角色。
那么我们应该了解到什么程度呢？这里有个建议：业务方向分析师：数据采集方式、数据字段格式、指标的计算口径与更新时间这三个是必须必须知道的。
因为这三点涉及到数据真实性与可靠性。
没有数据质量做保证，什么分析都是空谈。
对基础数量越了解，越能从细节中找到思路；算法模型的种类与应用场景是必须了解的。
因为这涉及到如何选择分析方法，如何提升分析质
量。
具体代码怎么写，弄懂就懂。
技术方向分析师：业务部门分工、职责、流程必须要了解。
至少职责清晰，知道自己要对接的人到底是干什么。
自己对应部门常见的业务需求，如销售分析、经营分析、促销分析、商品管理的方法要有所了解。
在面对业务部门需求的时候，大概知道他们在想什么，有什么套路。
帮助自己更好的理解需求，规避需求大坑。
文/陈老师源/“接地气学堂”本文已授权转载~。