給數據分析師的5點建議

數據分析師在做數據分析，應理性的看待數據。但是，很多數據分析師在做數據分析時，是以主觀的思想去看，而非客觀的去分析。下面給數據分析師提出5點建議

1.數據是有立場的，立場決定解讀

數據對于業務來講既是KPI的衡量標桿，又是業務的行動指南。有立場的數據直接影響數據解讀，影響著業務的行動趨勢。

舉例：假如某次活動時網站的轉化率是1.2%，要對此指標做數據分析。

數據分析的第一步是定性結果，1.2%的轉化率是好還是壞？有比較才能區分好壞，如何比較呢？常用的比較分析方法有環比、占比、定基比、橫向比、縱向比等，每一種對比方法又可以選擇不同的時間進行對比，如昨日、上周今日、上月今日等。不同的比較方法、不同時間的對比結果可能存在差異甚至是截然相反。如何在符合統計學原理的基本前提下做結果定性呢？

假設第一步定性工作完成，該活動轉化率是好的結果。下一步需要分析為什么好？到底是誰的“功勞”？電商網站做大型促銷活動時存在一個普遍規律：只要價格足夠低，無論用戶體驗多差、網站UI多爛、送貨速度多慢、客服態度多差，這些都不會影響轉化率。這意味著，無論企業營銷、網站運營工作效果如何，只要能保證頁面正常工作，所有節點的轉化率結果都會特別好。此時，各個業務節點對轉化率的影響各占多少權重？

假設數據分析師排除萬難，通過復雜的模型算法計算出各個業務節點的貢獻，作為數據分析師，如何跟領導匯報并解讀各業務節點的真實貢獻，是實話實說還是含糊其辭，甚至是顛倒是非？

2.數據質量永遠是數據分析立項后首先要考慮的

做過大型或專項分析的分析師都有這樣的經歷：在經過預處理、模型建設、算法調優和分析報告之后，最后指出報告中的“亮點”——某個數據節點效果特別好，數據分析師可以考慮加大對其資源的投入。但業務方可能只需要一句話就能讓數據分析師瞬間“石化”甚至消除存在感——那是我們和技術部門所做的測試數據。

導致上述問題出現的原因是數據分析師在得到數據后缺少一個重要步驟——數據質量驗證。什么是數據質量驗證？

理解數據來源、數據統計和收集邏輯，以及數據入庫處理邏輯；

理解數據在數據倉庫中存放的細節，包括字段類型、小數點位數、取值范圍、規則約束等；

明確數據的取數邏輯，尤其是在過程中是否對數據有轉換或重新定義；

第一時間對數據做數據審查，包括數據有效性驗證、取值范圍、空值和異常值驗證，確定其是否與原始數據原則一致等。

完成這些工作之后才是數據分析。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看到數據的字面意義。

3.缺乏落地的數據是沒有價值的

無論數據分析的服務對象是具有決策權的領導層還是執行權的業務層，數據的價值永遠都存在于輔助決策甚至是數據驅動中。但部分數據分析師的數據報告卻讓業務方覺得沒有價值：

分析過程明顯不符合業務操作的實際情況；

結論明顯是錯的；

建議方向性很對，但其實是人人都知道的大道理，具體執行缺乏落地點；

建議方向性很明確，也有具體的執行建議，但是業務不能執行。

在以上問題中，前兩條問題的原因是數據分析的基本數據能力和業務基本常識不足，這是一定要避免的問題；而后兩條問題更多是因信息不對稱而引起的。從數據分析師的主觀問題分析，根源可能有以下幾方面的內容：

數據分析師不懂業務操作流程，憑自己的理解去猜測業務流程；

數據分析師不了解目前業務的困難點和緊迫點，想要驅動的是業務的“次要”關注點；

數據分析師不了解業務的實際能力與權限，尤其是公司大環境下的實施制約因素。

4.業務應用能力和工具應用能力都重要，不要迷信算法和模型

受制于教科書的普遍理論，以及企業對技術類崗位的普遍重視，很多數據分析師會過度關注算法和模型在數據分析過程中的作用。但其實在面向業務類的實際工作中，業務要的不是多少種算法或模型，而是要面對業務問題的解決方案。

舉例：假如我們通過關聯模型分析出不同商品間的交叉購買數據，分析師該如何解釋結果？

如果分析師這樣解釋：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。由于對業務不理解也不愿意過多地理解復雜的算法、模型和指標的意義，因此可以預想到這個數據挖掘的結果很難落地，數據結果意義很小。

如果分析師這樣解釋：A商品和B商品關聯程度較高，意味著用戶通常會一起購買這兩件商品?；谟脩暨@種行為是否可以考慮這樣應用，把這兩件商品打包促銷，當用戶把A商品加入購物車時推薦B商品？在進行活動頁面設計時是否可以將A/B品類、品牌做臨近設計以激發用戶關聯購買的欲望？這才是業務想要的數據價值，無法與業務結合的數據模型只是一堆數字而已。

5.業務需求是數據分析的起點，但之前需要培養業務的數據意識

業務需求是數據分析的起點，很多時候數據分析師在“等”業務方提出需求，然后通過數據支撐業務方更好地開展工作。但實際情況卻是業務方不需要數據，這種現象既可能是傳統習慣造成的，也可能是公司文化影響的，甚至可能是個人因素導致的：

沒有數據決策的意識。無論承認與否，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進行決策，數據不是行動前必須參考的因素，這是習慣使然。

不知道數據有什么用途。大多數傳統業務尤其是線下企業，不了解數據能帶來哪些價值；甚至很多時候對數據的認知缺乏明確的引導和告知，甚至很多時候數據的價值會被業務方認為是證明或驗證自身設想正確與否的途徑。

不相信數據。當面臨數據結果與業務經驗相沖突時，業務方的第一反應很可能是懷疑數據的正確性，他們更愿意相信自己的經驗而非數據結論。

數據分析師不能要求業務方必須懂數據、理解數據，但是需要告訴業務方數據能解決什么問題、帶來哪些改進與提升，如何幫助他們解決實際問題等數據價值告知業務，如何能用數據證明其提升價值會更有說服力。這樣業務方才會相信數據的有效性、真實性、準確性。在業務方還沒有具備數據意識之前，如何培養其數據意識呢？

持續溝通。每周至少1次、每次至少半個小時的專項溝通，一段時間之后業務方會形成一定的數據潛意識，在某些時候會想到數據可能會幫助他們解決一些問題。

價值導向。在與業務方溝通的過程中，強調和關注的重點不是數據本身，而是數據能給業務方帶來哪些實際利益、實現哪些突破，尤其是幫助業務方解決最核心的關注點。

關注整體。數據不僅能在業務動作后進行效果評估，還能在業務執行前進行業務預測與計劃、在業務執行過程中進行及時預警與數據監控，數據發揮作用的場景是完整的，防微杜漸比亡羊補牢更有效。