程序员必备的基本算法

物联网在制造和物流方面具有很大的潜力，而物料搬运是其中的重要部分。物料搬运是该行业的骨干力量，因此在那里的改进意味着整体制造的进步。

简单的来说，物联网将更好地改变物料处理方式，但具体情况如何?这是一个近距离的观察，它是如何并将不断改善现状。

物联网适合物料搬运的

仓库管理系统(WMS)已经存在了数十年，但是物联网技术使它们迈出了一步。物联网WMS在材料和产品上使用传感器和标签来跟踪整个仓库。这样，设施便拥有了一个相互连接的，可访问的系统，告诉他们一切在哪里以及它在做什么。

最近的应用包括自动驾驶汽车，机器人技术，质量跟踪传感器和环境控制。从存储到运输的所有事物都可以使用物联网。
 

没有数据主要有三个原因：

一是公司数据体系不健全，缺失很多关键数据。比如某些互联网行业公司，埋点系统有缺陷，很多关键数据抓不到;又比如某些传统行业公司，由于内部系统断层，造成数据孤岛。我就经历过一家公司，CRM系统、财务系统、业务系统各自一滩，数据没有打通，没有形成数据链条，根本没有办法串联起来做分析。

针对这种情况，数据分析师首先要正视现状。数据体系建设，内部系统打通向来是公司的大难题，需要投入大量的资源才能有明显的改善。不要指望很快完成。二是在数据有限的情况下，还是要尽量的提供分析价值，这也是区别分析师段位的地方(你想想，如果所有的数据全到位的的情况，分析师的价值就弱化了)。同时能够清晰说明，由于数据的缺陷导致哪些分析陷入瓶颈。通过有效的反应，推动底层数据逐步完善。

二是组织结构问题，数据散落在不同的业务部门手中。业务部门不愿意合作，不提供数据。这种问题分两种情况处理。如果分析师在公司层面的分析团队，还是要靠公司层面去建立统一的底层数据平台;如果分析师在业务团队，则需要通过部门之间的配合来解决这个问题，在局部范围做数据共享。

三是没有数据工程团队支持，分析师团队的底层数据建设不完善。这种情况，最好的办法就是组建支持分析师团队的工程团队。术业有专攻，分析师和工程师这两个工种还是有区别的。仅从使用的工具方面来说，分析师擅长的是SQL，Python，Excel，BI;工程师擅长的是Hadoop各种组件。所以说专门支持分析师团队的工程人员还是很有必要的。关于这个团队的规模，可视具体情况而定。最不济的情况，分析师就自身提高能力，承担数据工程建设任务，这对于分析师自身的发展也是一件好事。

分析的结果，业务不买账

这也是常遇到的问题。分析师费好大劲做的分析结果，业务却不买账。要不觉得分析结论都是大家知道的常识，没有任何建设性意见;要不觉得分析结论违背常识，分析师只是纸上谈兵，根本不懂业务。

造成这种情况，主要有两个原因，一是分析师确实不懂业务，只是对着数据做各种计算。不懂业务，就难以判断手里的数据是否能够分析问题。并且对于分析结论没有判断力。好不容易找到数据，拿到数据就用，由于对业务不理解，导致对错误结论不敏感，这也是在给自己挖坑。最好的办法，就是和业务“混熟”。先把自己定位为服务，而不是管理。服务前先学习，学习也是为了更好的服务

第二是虽然懂业务，分析结论也还不错，但由于展示方式有问题，导致对于业务的影响力不够。比如分析出广东省销售额不好的主要原因在于没有标杆企业。但对于这个结论的论证逻辑不够清晰，展示不够醒目，给人一种不疼不痒的感觉，这就很难推动业务做出动作。这就涉及到了另一个问题，有结论但并没有把结果”晒“出来。虽然我不赞成PPT文化，但有效的利用PPT把结论展示出来，确实也是区分数据分析师的段位的一个标准。

职业发展受限

分析师的另一个窘境就是职业发展。虽然现在数据分析师这个职业很火，各公司都在招聘数据分析师，且薪酬不菲。但数据分析师是一个典型的入门容易精进难的职业。所以长江后浪推前浪的感觉很强，35岁危机感也会存在，尤其是在互联网行业。这里有两个建议，第一是技术和业务两手都要抓，哪门都不要荒废。分析师基本的工具，Excel，SQL，Python，BI要熟练掌握，这是一个保障。

当然如果对于Hadoop和算法有涉猎，就可以做为加分项了。业务要精通，不懂业务的分析师一定不是好的分析师。并且对于业务的掌握尽量全面。比如从业务场景分为为B端业务，C端业务，从分析模型角度看，比如AARRR，RFM等等。

（编辑：信阳站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!