在谈具体的效率方法前，我们先把工作的流程简化如下：

注：单个任务的工作流程

工作的内容分成3部分(简称为IPO过程)：

• 输入input，明确要做哪些任务；

• 处理process，包括查找完成任务所需的信息以及动手做任务的过程；

• 输出output，交付的结果；

上面的图示是“单任务”状态，实际工作中通常是“多任务”状态，如下所示

在提升工作效率或者节省出工作时间之前，先问自己如下几个问题：

• 这个任务有没有必要做？或者价值大不大？和KPI相关么？

• 这个任务是否可以由他人完成？

• 是否有更高效的方式去完成任务，比如自动化？

• 任务执行过程中哪些地方可以优化？

• 多个任务是否可以合并一起做？或者同时做？

• 任务的优先级如何确定？

• 完成任务所需要的信息可以从哪里找到？

基于以上问题可以考虑从4方面来提升效率：

• 减少输入事项；

• 优化处理过程；

• 任务综合统筹；

• 降低沟通成本；

1 减少输入事项

工作中常会有多个任务出现(甚至是很长很长的任务清单)，提升效率的首选项就是减少要做的任务——那些和KPI无关的，对业务没帮助的，逻辑不成立的事项都可以不做。

减少输入的事项通常有两种方法：

• 不做，

  e.g. 业务方想要的数据无法计算(没有数据)或者数据平台无法支持；

  e.g. 业务方提出的需求和核心KPI没有关联，分析得到的结果可能没有价值；

  e.g. 业务方想要的数据和需要达到的目标并不匹配；

• 让别人做，将事情转移到别人身上

  e.g. 产品同事要算某个数据，如果他可以从报表或者取数平台获取计算目标指标的原始数据，那么你可以教产品怎么算(计算不是太复杂的时候可以考虑这种操作);

  e.g.新的需求提交到你这里，你知道某个同事在做相关的事情，那么可以考虑将需求转移给对方(不是坑队友哈，也可以两人合作);

2 优化处理过程

如下图所示，我们可以将任务处理的过程分拆成多个步骤，看看哪些步骤的耗时比较长或操作不是很方便，或者哪些些步骤可以略过。

优化处理流程可以考虑如下方法：

• 善用工具；

• 操作自动化，通常需要依赖工具或者平台；

• 减少操作步骤；

2.1 善用工具

我们能成为“千里眼”、“顺风耳”并不是因为视力或听力变得更强了，而是借助于工具——工具是能力的放大器。

好比出行时我们会考虑距离目的地的距离以及消耗的时间限制来选择交通工具一样，选择合适的工具将会极大提高工作效率，所谓“君子善假于物”。

e.g. 刚开始用Excel就能完成数据处理，但是计算流程越来越复杂，指标越来越多，可能Excel就不再适合了，也许PythonR之类的软件跑数据会更有效率；

e.g. 刚开始数据平台用的是MySQL，当数据量增大到一定程度时，即使做尽了优化，查询速度依然很慢甚至跑不出数据，那就可能要考虑将数据迁移到Hive之类的大数据平台上；

e.g. 以前查资料要一本一本翻书，现在有综合搜索引擎、期刊文件检索系统，搜索效率极大提升；

e.g. 以前美化一张图片可能需要专业的PS知识，现在“一键图片美化”基本是零门槛操作；

实际上，我们现在体验到的很多便利，都是依靠技术和工具的力量。

2.2 操作自动化

对操作流程自动化也会涉及到工具，不过此时更关注在原有流程能跑通的情况下尽可能减少手动操作。

需要进行自动化的场景通常是需要多次反复进行某种操作。

e.g. 经常要用Excel来做某个报表，那么可以考虑使用宏、VBA、公式等做一个Excel报表模板，每次导入数据后刷新文档就能自动跑出报表；

e.g. 虽然用Excel自动化跑报表了，但是你发现还需要手动从数据库导出计算报表的数据，还要手动把报表用邮箱发出去，你是一个勤动手勤思考的“懒人”，然后你用Python写了一个脚本并加入定时任务，从此实现了自动登录数据库-->导出所需要的数据-->自动跑出报表-->自动发送邮件；

e.g. 后来你又发现报表的数量很多，虽然有了Python自动化，但是没法搞定权限管理(比如自动添加新的收件人)以及报表间存在数据冗余等问题，然后你软磨硬泡死缠烂打让数据平台的兄弟们搞出了一个集SQL查询、定时任务、交互式报表、自助查询等功能于一身的系统，这时，你也不再用Python写自动化的脚本了，以前的任务用这个数据系统都能很方便的操作，不仅报表的上线时间更快了，同时先前存在的报表之间数据冗余、权限管理等问题也大大改善，业务方的同事还可以到数据系统上基于你设计的报表中间表来定制需要的报表、查询需要的数据，提到你这边的需求也变少了(终于，你有足够的时间来思考人生)。

2.3 减少操作步骤

减少操作步骤关注的是如何在单个任务下“三步并作两步”或者“一步到位”(如下图所示)，你需要看看哪些步骤是可以省略掉的，或者用更简洁的替代方案。

e.g. 早期采集问卷数据是需要先打印出来，然后分发填写，再进行数据录入的，现在有在线问卷平台，在上面设置好题目后，每个人只需要登录网址填写问卷就行，直接节省了打印文档和数据录入两个步骤；

e.g. 以前拨打10086咨询业务的时候会一级一级地“选择数字”然后办理相应的业务，现在可以直接通过语音识别来办理业务；

3 任务综合统筹

为啥需要任务统筹？因为时间有限，资源有限，任务清单很长，你无法一下子把所有事情做完了(可能很多年之后AI技术能极大提升工作效率)。

任务统筹需要解决的问题有：

• 优先级分配，也就是先做什么后做什么；

• 资源分配，不同任务要花多少时间、金钱、物料等，不同任务要达到的目标是多少(不是所有的任务都要做到90分，有的只做到60分就可以)；

• 任务统筹，哪些任务可以一起做，比如并行执行，比如1对多输出；

3.1 优先级分配

确定任务的优先级可以考虑的因素：

• 任务不做的后果严重程度，做完任务的预期收益多少；

• 任务的投入产出比，可以参考28原则；

• 当你想快速清空待办事项的时候，可能会先把容易搞定或者用时最少的任务先做完；

• 任务是否紧急，是否重要？可以参考如下象限。

3.2 优化处理结构

首先可以考虑哪些任务可以合并，看看输出的结果和处理的流程有哪些共性，然后看看基于这些共同点，是否可以合并任务处理的某些环节，比如一次处理对应多个输出。

e.g. 现在有3个业务方各要3张报表，经过分析发现这3张报表实际上都是可以通过一张中间表来生成的，这样你只需要建立一张表就可以了(而不是分开建立3张表)；

其次，可以考虑并行处理多个任务，也就是在同一时间做多个任务。

和“并行”相对的是“串行”，也就是处理完一个再处理下一个。

比如生活中的场景，在洗衣机洗衣服的同时，你可以去准备晚餐，你并不需要等待衣服洗完再做饭，因为这两件事情是独立的，且可以通过“技术支持”来实现同时运作。

4 降低沟通成本

假如你是数据分析师，接手业务方提来的需求时，你应该不是马上开始写代码查数据吧，而可能要先和业务方确认如下信息：

• 需求的背景是啥？

• 需要解决的问题是啥？

• 需要的数据是啥？这个数据能不能解决问题？

• 需求急不急，要当天给到结果还是等几天也可以？

• 需求对应的产品、运营、前端、技术等接口人能否告知下？

• 产品埋点记录在哪里可以找？

• 产品改动日志在哪里找？

• 运营操作日志在哪里找？

接下来，你需要将业务语言“翻译”成技术语言：

• 限定业务场景的口径是啥？

• 用户的筛选条件对应的口径？

• 订单的筛选条件对应的口径？

• 指标计算规则是啥？哪些指标有算好的现成数据？

• 要用到什么数据表的什么字段？表存储位置在哪(库名表名是啥)？

任务处理过程中花费的时间成本可以分为两类：

• 动“手”的成本，上述第2、3点已经提及了；

• 动“嘴”的成本，也就是沟通的成本；

受理任务后，在处理任务之前需要做的事情不是马上开干，而是要确认完成任务需要哪些信息。我们找这些信息也可能会花费大量的时间。

提高沟通效率，几点建议：

• 能记录的就记录，比如上面提到的产品埋点信息、产品改动日志、运营操作日志等，或者你作为数据分析师要记录常用的数据表/字段、常用的指标口径、上线的报表指标信息等。最好是在线文档，且可以协同编辑。当然不是所有信息都需要你去记录，比如产品改动日志，可以给到一个模板，让产品的同事按着示例一项一项填写，更多可以参考Data Wiki.

• 尽量不被人问，回答问题会占用时间，你应该不想经常被人问这个指标是什么算的、那个数据有没有、XX信息存在什么表之类的问题吧？这些问题需要回答，但不应该每次都“人工”来回答，怎么办？参考上一原则“能记录就记录”，这样培养大家的共识——有疑问不是先找人问，而是先去找wiki翻文档查信息，实在没有才需要你亲自出面回答；

• 建立沟通规范，比如业务方给数据分析师提需求时，要说清楚需求的背景、要解决的问题、所需的数据、期望完成时间等，比如报表开发需求处理的过程中要明确每一步的负责人是谁，INPUT/OUTPUT的信息或者文档有啥等等(更多参考报表开发)；

以下补充几点建议，适用于上述4个环节的迭代优化：

• 优先找现有的方案/轮子，一般不建议从0到1搭建一套流程或者做一个工具等，比如你要写代码来实现某个功能，那么首先应该做的是上github等平台看看有没有现成的轮子可以用；

• 小心路径依赖，警惕舒适区。有的公司内部用Excel搞了一套很复杂的报表系统，报表数量多，维护成本高以及可迁移性差就不说了，关键是搞了这么久，没有想过找到更高效率的方式来做报表，而是在原有的基础上继续“添砖加瓦”或者打补丁，如果太过于依赖现有的解决方案很可能导致“不思进取”，时代在进步，而你还在原地踏步。

• 复盘总结，不断更新。不管什么任务，建议做完后要复盘一下，看看这一类的任务能不能提炼出方法论，或者提炼出一套通用的处理流程。复盘任务的结果看看哪些地方做得不好，还有没有更好的解决方案。找不到差距的话就和那些优秀的同行比一下，看看自己还差在什么地方。

• 保持学习，和同行交流，看看大家在做什么，怎么做的，拓展一下思路，毕竟每个公司的每个业务以及每个人的工作范围都有其局限性；

本文完。

附：本文提及的内容不仅仅适用于数据分析师，也适用于其他岗位。不仅适用于工作，也适用于生活，虽然笔者尽力想把文章内容变得更加具有“通用性”，不过受限于知识经验和表达能力，文中有费解之处还请理解。同时，也欢迎大家留言交流。