給數據分析師的幾點建議_數據分析師考試

幾點想法，分享給剛入門的數據分析師，也跟經驗豐富的數據分析師做下探討。

1.數據是有立場的，立場決定解讀

數據對于業務來講，是KPI的衡量標桿，也是行動指南。但一旦涉及到立場和方向性的東西，必然有利益觸發點的問題。比如同樣的一次活動的網站轉化率是1.2%，是好還是壞？這是做數據分析第一步要進行的定位，也就是我們所說的下結論。好壞的區分在于比較，如何比較呢？我們知道比較分析方法有環比、占比、定基比、橫向比、縱向比等，其中如環比可以比較昨日、上周今日、上月今日等，不同的時間對比出的結果一定有差異，甚至是迥然不同的結果。那面對這種情況，除了分析師的經驗以外，在都符合統計學規律的前提下該如何判斷活動效果好壞？

關鍵詞：數據分析師考試、數據分析師培訓、cda數據分析師考試，cda數據分析師報名

第一步結果總算出來了。

那么假設結果是好的（先不管對比的是什么時間），那確實是好的嗎？我們知道做活動效果肯定會好啊。尤其在中國，只要價格低，無論多么差的用戶體驗，無論網站UI多么垃圾，無論送貨多么慢，訂單轉化率一定會起來。這就意味著，無論你的營銷、運營做的怎樣（只要不是特別特別差），各個渠道、各個節點轉化率都會上來。這時候，你會怎樣分析？其中有多少是歸于渠道或運營本身的優化因素，而有多少是歸于活動影響？

假設我們能找出其中歸于活動本身或渠道、運營本身的影響因素，結果出來后可能是——刨去活動影響，渠道、運營做的轉化率其實變化不大（事實上通常是這樣的，但我們不能否認他們的功勞，畢竟沒有流量、沒有運營，網站無法正常運行），工作效果不明顯??？你會怎樣？直接告訴你的同事他們的工作沒效果？可能你不會那樣做，那此時你該如何取舍？盡職盡責做好一個數據的本職工作還是考慮下其他因素？怎么做才能既讓數據價值最大化又能不打擊同事的工作積極性？

2.數據質量永遠是數據分析立項后首先要考慮的

做過大型數據分析的同學剛開始或多或少有這樣的經歷，拿到數據后經過分析發現了一個異常分析點，做了N多預處理、N多牛叉的模型，N多分析和多維鉆取，最后把報告呈現出來，跟業務溝通的時候，業務只說了一句話“哦，那個異常數據啊，那是我們的測試數據”，然后我們會不會瘋掉？

為什么會出現這種問題，因為拿到數據后沒有進行一步必要的步驟——數據質量驗證。什么是數據質量驗證？我理解的是首先要理解數據來源、數據統計和收集邏輯、數據入庫處理邏輯；其次是理解數據在數據倉庫中是如何存放的，字段類型、小數點位數、取值范圍，規則約束如何定義的；第三是明確數據的取數邏輯，尤其是從數據倉庫中如何用SQL取數的，其中特別是對數據有沒有經過轉換和重新定義；第四是拿到數據后必須要有數據審查的過程，包括數據有效性驗證、取值范圍、空值和異常值處理等。

當這些工作都做充足之后才是數據分析。但可惜的是大多數數據分析師都不關注數據質量問題，甚至對數據的理解僅限于表現定義。當然做足了底層的工作，你會發現做起數據來事半功倍，并且你的結論和推到是經得起驗證和考究的。

3.缺乏落地的數據沒價值，除非是市場分析

數據的價格在于對業務的驅動，不管你的業務對象是你的BOSS還是同事。很多情況下，我們的數據分析師是這樣工作的：一天到晚悶頭做事，出數據寫報告。結果出來的數據結論和建議會有這么幾種情況：

分析過程明顯不符合業務操作實際； 結論明顯是錯的； 建議方向性很對，但是空洞，具體執行缺乏落地點； 建議方向性很明確，也有具體執行建議，但是業務不能執行； 上面的問題中，第一二條會偶爾發生，第三四條會經常發生。為什么？從數據的角度來講沒問題，但是落實到業務實際上有問題。問題出現哪？主要是這幾方面： 數據分析師根本不懂業務操作流程，憑自己的理解去猜測業務流程； 數據分析師根本不知道現在業務的困難點在哪，哪些是目前最緊急的，憑自己的感覺認為“我覺得這些對他們最最有用”； 數據分析師根本不知道業務能控制哪些，不能控制哪些，即使能控制又是否業務有必要去做，導致建議不是該業務部門能執行的。 4.數據解讀能力和業務應用能力永遠大于工具應用能力，不要迷信算法和模型

受至于數據的普遍理論影響，很多數據分析師會認為會多少個模型，多少種算法是一件多么牛叉的事情，誠然，數據尤其在面對海量數據時，普通的數據分析方法常常感覺無能為力，但這并不意味著工具和方法就決定了數據分析師的層次。舉例來說，通常我們用的數據挖掘模型，業務都很難理解，假如你花很長時間作出一個關聯模型，如果你這樣告訴你的業務受眾：A商品和B商品關聯程度較高，從支持度，置信度和提升度來講效果顯著。那我們可以預想到這個挖掘的結果很難落地，并且意義不大。從業務受眾實際應用層面來講，兩個商品關聯度高意味著什么，意味著用戶通常會一起購買這兩件商品（也有可能是復購，具體看數據選取規則），那一起購買又怎樣？我們是否可以把這兩件商品做打包促銷？是否可以做關聯推薦？是否可以做個性化營銷？是否可以引導用戶消費傾向？甚至在活動頁面設計上，是否可以將相關度高的品類，品牌擺放在一起來促進銷售？又或者這是否可以做流失挽回的參照指標，重新審視之前每次的廣告＂通發＂？這才是數據價值，無法跟業務結合的數據模型毫無價值。

4.業務需求是數據分析的起點，但之前你需要培養業務的數據意識

很多時候我們希望等待我們的業務自己上門提需求，并且以需求為數據分析的起點，似乎很多教材也是這么說的，基于業務需求的數據分析目的更明確，分析結論和效果落地也會阻力更小，但實際情況是業務通常是數據不敏感的，主要表現在：

業務沒有數據決策的意識。大多數業務的第一行動引導因素還是業務經驗，無論是基于事實的經驗還是拍腦袋決策，數據絕對不是行動前必須參考的因素； 業務不知道數據在哪些方面能幫到他。業務很多時候只是有個想法，想讓數據證明點什么，但說不清楚。通常業務的措辭是“我們想知道這次活動的效果怎么樣”、“我們想了解廣告效果為什么不好”。至于具體效果指的是什么業務自己也說不清楚，甚至是業務自己也不知道到底想要什么。

業務不相信數據。如果數據結果出來時和業務設想的不同，那業務的第一反應是懷疑數據，無論是數據的出處、分析過程還是結論，業務總想找到能證明自己觀點對的東西。所以我們會感覺，業務用數據的目的只是為了證明自己當初設想的正確性。 作為數據分析師，我們不能要求業務必須要懂數據、理解數據，但是我們需要把數據能解決什么問題，怎么解決的，解決之后會給業務帶來哪些改進以及效果上的優化，如果能預測出一個具體數值或最起碼有一個范圍，業務會更加相信數據的真實性、準確性。如果培養業務的數據意識？

數據意識是一個不斷積累的過程，需要每周至少2~3次專項溝通，每次溝通至少持續半個小時，大概半年之后業務會形成一定的數據意識，最起碼意識到在某些時候，數據會解決一些問題； 每次溝通時，明確告訴業務數據能給他們帶來哪些好處，能實現什么，在哪些主要業務點上能發揮作用，這樣業務會認為數據會是一個能幫到自己的東西； 數據不只是在業務執行之后才會發生作用的，在業務執行前的預測與計劃，在業務執行過程中及時預警與惡意數據監控都是數據能發揮作用的場合，并且這些都能在“壞數據”、“壞結果”出來之前通過數據區去改善，這些將比結果出來后再去分析要更有意義。 作為數據分析師，需要不斷提高自身能力。能力包括業務理解能力和數據分析能力，既能把業務“粗糙的要求”轉換成數據需求，又能將數據結果轉化成業務可理解、可執行、有時間限制、能驗證結果的數據輸出。

我相信數據是一門藝術，良好的數據能力可以處處在業務中展現能力，并且確實可以提高業務價值，這是數據存在根本，也是數據分析師立足的根本。