需求来源于业务，业务产生数据，只有对自己负责的项目业务了然于心才能更好的开启数据分析工作。对业务熟悉也是开展数据分析的前提条件，只有了解业务，才能确定需求,完成工作目标
了解业务可以通过垂直门户了解，也可以通过行业的报告进行了解。同时也应该知道业务问题的定义、甲方的职责和义务、乙方的职责和义务、项目的里程碑和验收标准、项目交付物等具体的内容。
招数2：打牢基础，数据分析基础知识要掌握
企业在做数据分析会用到算法模型，因为业务方希望先对基于数据进行商业洞察，设计商业策略，快速落地与迭代。当商业模型很大的时候，就要开始构建自己实际业务算法模型，考虑更多维度，更多指标来判断与发现商业机会点，管理和优化项目。所以这就要求项目经理要掌握和了解常用算法，据商业数据分析师的国际要求，数据分析师需要掌握至少50个算法模型以及数据分析具体流程。
招数3：数据敏感，提升解读能力
对数据保持敏感度，可以帮助PM从庞大的业务数据中找到关键数据。很多时候，项目经理是从数据指标的构建来调优模型，找准关键数据能够有效提升模型优化效率。
另外，模型体现的是人对业务的思考的结构化沉淀。除了提升数据敏感度外，还要提高数据解读能力。这就需要整理系统和数据列表，数据探索中在不理解的时候一定要追本溯源，对数据的探索需要对数据来源、设备信息、位置数据进行了解。
招数4：找准指标，构建合理模型
数据探索的基础上，项目经理要形成对数采集、抽取需求，数据抽取建议以宽表为基础进行多次迭代，把各方数据统一融合到一个或者几个宽表中，同时宽表要能体现业务指标，指标体系通常围绕业务的KPI来进行构建和拆解。
构建模型的时候，要明确要使用哪些数据指标，明确每个数据指标的定义，之后可以在数据库中清洗相应的数据指标。有时候也会对进入算法的数据指标进行相应的预处理，例如：归一化处理，相关性分析，删除一些高相关性变量；对缺失的数据记录进行处理等。
招数5：学会工具，做好数据呈现
提取数据后，数据的处理方式根据数据量、业务场景会有不同的方式，不同的数据体量需要用不同的工具进行分析，比如少量数据（小于10w），可以直接使用Excel进行。中等数据（小于100w），可以使用mysql数据库进行相关的处理计算。大量数据，可以使用python进行文本处理。考虑到大多的项目经理无代码基础，使用直接使用datahoop智能分析平台，直接拖拽式，一分钟上手分析项目。
好的数据分析在解决客户业务问题的同时还应该让客户有一个好的体验，数据呈现就需要重视报告、规则、模型、流程以及数据接口。数据呈现就像是射门前的临门一脚，必不可少，务必重视！
