抛开可以后天习得的技术能力，适合做数据科学家的人可以总结为：

搞得定数据，也搞得定人

展开来说，适合成为数据分析师的人有以下几种特质：

比如作为一个产品类的数据分析师，你的产品的DAU/MAU（日活跃用户/月活跃用户），各平台的分布数字你都应该熟记于心；如果你的数据面板出现了和脑海中的数字不一样的数字的话，可以立刻发现异常值。

在一些业务的讨论会上面，你可以迅速地根据会议的内容和你脑海里对业务数据的理解给出观点。

比如有一次一个会议上我看到我们产品的指标在某个人群里的值是总体平均的三倍，我就建议UXR（用户体验研究员）去深入了解一下为什么这个人群很喜欢使用我们的产品。

数据分析师对经手的数字的运算和处理都要很细致，通常想要你想要支持的决策需要很多步骤的数据处理去达到，在这个过程中就要保持每一步运算的正确，有问题了能够检查出错误。

还有你的数据本身可能有质量问题，你可以和数据的负责人去提建议提高数据的质量。

举个例子，我发现了在数据中点击某个链接的行为并没有log，也就是把它放入数据处理流程加到数据库里，这样导致我们少了20%的产品日活，我就建议工程师把这个行为log。

数据分析师希望深入理解业务的逻辑，数据分析师不同于码农或者是做模型类的。数据科学家的特长是数据分析师需要对产品有足够深入的了解，产品针对的是什么样的客户，是手机端还是电脑端，是哪些国家，有哪些重要的影响因素，对这些这些问题都要有兴趣去思考。

不驱动业务的数据分析，都是狗屁，说是这么说，但是怎么做，是难倒很多人的东西，在这里我有以下建议：

1、找准关键业务部门，主动切入。

用句不恰当的俗语“擒贼先擒王” ，要想撬动业务对数据分析价值的认可，先要从核心业务下手，核心业务在公司的关注度高，如果能做出价值，必然在其他业务部门推动时会更轻松。

2、从小入手，先让业务尝到甜头。

在和业务配合的时候，上来描绘伟大蓝图，要大修大改，业务很难信任配合，最好的办法就是先帮助业务解决问题，让业务尝到甜头，比如比如业务部门每天需要整理大量的数据，用人工的手段来处理往往效率低下，当你主动提出用工具的方法帮助业务部门解决问题后，就获取了业务部门的信任，后续再推自己的分析模型和想法就顺利多了。

3、搞定老板。

比搞定业务更快的办法，就是直接搞定老板，让老板认可数据分析价值，从而推动数据分析在各个业务部门的应用。领导和高层的核心工作是企业管理，我们的目的是能让数据成为企业管理的工具之一，帮助领导更快、更全面地掌控业务情况。比如一些数据大屏、移动端报表等数据产品建设。

数据分析师要和产品经理还有软件工程师等有很深入的密切的合作，如果你不喜欢和别人开会去探讨的话，那么可能做数据分析师就会有点痛苦。

3年的数据分析师，你可以看出来，他处事是非常圆滑的，一般会倾听，然后再逐条沟通，这对沟通能力有极大的要求，这没法学，只有在实践中获得。

以上是我总结的一些什么样的特质，可以让这个人适合做数据分析师，当然我觉得最重要的一点还是：兴趣是最好的老师！希望以上分享对你有所帮助。