大家好，我是一哥，最近有一位数据新人小伙伴私聊我：在平时的工作中会面临着大量的数据需求，不仅多，而且杂，请问如何处理面对这些问题?有没有什么好的提高工作效率的方法?
其实不止是作为数据新人会面临这样的“困境”，很多数据工程师都有着这样的困惑，干了一两年感觉没意思，抱怨天天就是“提数”。一哥之前写过一篇文章《数仓工程师如何避免沦为“提数机”》，大家可以参考下。
面对这位小伙伴的困惑，我思考后给了她一些建议的，今天也系统的整理一下，给大家作为参考。
01业务的重要性
一哥做数据工作，呆过三家公司，做过新人也带过新人。经过“被工作的毒打”后，建议大家入职后较好的顺序是先理解业务，多跟业务打交道，对底层数据和业务之间的逻辑关系先大致心里有个谱。然后自己开始梳理业务体系，心里有个框架，一般纯业务的需求都比较平常，基本跳不出体系框架，一哥之前也写过另一篇文章来说业务的重要性《业务重要?还是技术重要?》。
熟悉业务后，开始对接需求。有时候不同业务有时可能会提重复的需求，对于这种需求，要么把代码和计算流程优化好，要么觉得不合理“怼”回去(当然不是硬怼哈，我们有业务满意度考核……)，要么你就得开始研究下，看可不可以在平台上做成固化的数据产品。比较特别的，尤其是探索性的分析项目，是可以接受稍长一些时间的，中间可以和业务做探讨。
业务是可以分门别类的，最好可以自己梳理好，做好一些好的小工具。不过只接提数需求确实没啥意思，慢慢对业务熟悉了，就可以参与业务流程的制定，也可以自己给自己提的业务问题做数据分析(瞎折腾)才是真好玩。
02提数神器的重要性
有时候确实没办法拒绝业务部门需求，各种姿势各种要求,由于有绩效这座大山，提高自己的效率来应对层出不穷的需求可谓最好的方法，同时提数的过程也有助于加强业务理解(熟能生巧嘛)。
正所谓你有政策我有对策，好的方法和工具往往能高效完成工作以免不必要的加班，在这列举几个常用的提数加工神器：
Excel
熟练数据透视表，Vlookup等常见公式,不要瞧不起Excel，有时候它的效率确实挺高的。
针对业务部门需求固定格式的数据或者报表，可用Excel将模版写好备用，有新数据需求时直接复制套入，即刻完成。
Sql
数据人必备语言，针对业务定时需求的数据或者报表，可以用类似navicat的定时功能，提前将查询语句写好排版，软件会在指定时间将结果文档推送至邮箱。
Python
python的numpy,pandas,matplot是数据分析三个神器 。python可以直连数据库，连接Hive，连接Spark(好像没有它不能连的……)。也可以导入现有数据，只需提前将数据处理语句写好，需要的时候应用就行，一劳永逸。
shell
前几天有同学问shell除了执行部署的jar包，还能做什么?那么你一定不知道awk、sed有多强大。曾经用shell脚本写过上千行的数据处理脚本，离开公司4年了，听说还在用呢!
每天一个shell命令，赶紧学起来吧!
03工作方法论的重要性
首先，需求多，说明你们公司数据需求很多，给你施展才华的机会很多!
现在流行一个词——“套路”，工作同样也是有“套路”的，我们称之优雅的称之为为“方法论”。
需求优先级
1)繁杂的需求
需要抽丝剥茧，把复杂的类目整理成简单的条目，并且明确其中的主次重点，再逐条拆解。不过数据分析本身，有些需求，的确是很复杂，需要一些时间去思考整理的。这就要看你手上的工作情况了，包括判断个人在处理这些问题上的难易程度。
2)突然的需求
说明需求很紧急，这就需要对工作需求的轻重缓急，有个明确的判断。再结合完成需求的时间长短，有的需求的确比较着急，是需要优先处理，有的相对可以缓一缓，复杂度高的需求，又急的话，可以先给其中个别重要的，其他的给出完成计划。
沟通
自己对需求有了上述判断后，并不是立刻就开始执行了，一定要和业务沟通，否则可能会出力不讨好。
如果两个需求方都要的比较急，必要的时候让他们自己协调下，毕竟你一个人时间有限，而且数据需求，又要求精确细致，不能通过压缩分析时间来完成任务，要有自己的工作标准，保证给出的数据都是准确率的，可使用的。
三人行，……
如果是日常的工作，总结出方法论，快速处理即可;如果是难度较高、挑战较大的工作，也是值得花更多心思的，就理应花更多心思去研究;如果是难到自己不能完成，需要求助的，一定要和同事多讨论。古人有云：三人行，必有我师焉。虽然我们可能是诸葛亮，但古人亦有云：三个臭皮匠顶个诸葛亮。在讨论过程中或许你就会会发现一些其他方法。
个人认为，不论是数据工程师，或是产品经理、运营，亦或是其他岗位的工作，都是会遇到这样类似的情况，提高效率最有效的方法：总结方法论，找到最为快捷解决复杂问题的工作思路。学会对本质问题的分析，善于抓住重点，这样就不会被纷繁琐碎的事情干扰而浪费掉大量的时间。善于利用自己的时间去处理更为紧要更有价值的事情，用最少的时间，挣更多的钱。
本文转载自微信公众号「数据社」，可以通过以下二维码关注。转载本文请联系 数据社公众号。
