數據分析師：數據變現三步曲

最近數據挖掘與分析討論比較熱的話題是“數據變現”，也就是所謂的數據挖掘在業務中進行了應用，并確實給業務帶來更大的業務績效收益。很多朋友都知道，有技術、熟悉業務是前提，但有了前提，也常常困惑于各種迷惑，數據到底被業務用了么，業務用了效果不好的話，問題出在哪里？
　　本文打算通過一些經驗之談，闡述“數據變現”基本準則（個人推薦），希望拋磚引玉，能引起更多人思考、討論。
　　數據變現前提準備
　　數據變現首先得有清洗、整理、及時、準確的數據，以及科學的數據分析方法和手段；然后得有業務的熟悉程度，包括業務流程、業務運作方法和運營難點、業務解決方案等等。有了前提，再說如何把數據變現為價值。
　　數據的準備、分析方法自不用多說，大家已經討論N多遍了。這里主要討論對業務的熟悉程度，我們常常提到的業務熟悉，往往只是停留在業務流程、業務數據流的熟悉。例如訂單流程，數據流到某個狀態才轉ERP讓物流揀貨。直到現在，很多數據分析人還是認為這樣的就叫熟悉業務了。
　　我曾經做過的大促分析，經過當天每小時流量、訂單、庫存，結合商品分布、用戶分布，準確診斷大促不足的地方、大促高價值的地方，然后再一次促銷中，將數據洞察轉換為行動方案。這是因為我熟知業務部門要行動，他們需要了解到底哪些地方要如何改進，改進多少？例如商品部門，你說準備庫存結構不合理，那你告訴我到底各SKU準備多少，為什么這樣準備？客戶部門，你說老客戶活躍度激活不夠，你告訴我如何做的更好，憑什么說這樣才能更好？這些大家覺得僅僅熟悉流程，能給答案推動數據變現么？
　　充分地洞察和分析
　　數據要能說話，前提它要能成為說話的“證據”，例如銷售增速同比下滑50%，你憑什么說是老客戶維護是主要問題，而不是網站產品或者價格問題？
　　我個人以為這是一個數據分析、洞察融入業務邏輯的推理過程，寫出來的分析報告邏輯嚴密，才能讓業務部門信服、使用數據結論和建議。
　　上一個博文提到的：假設訂單轉換率由3%下降到1.5%，那么從業務角度，會有哪些可能性？
　　1、導流出了問題，新的流量來源僵尸用戶多？（用戶訪問習慣性行為判斷）
　　2、推廣出了問題，很多用戶誤點廣告（由退出率判斷）？
　　3、網站是否改版，降低了客戶體驗？（用戶行為路徑判斷）？
　　4、網站其他問題，例如某些功能比較難用，網站變慢等（用戶行為訪問節點分析判斷）？
　　5、是否商品突然沒有了吸引力，例如商品之前還是大量5-6折的商品引流，現在變成8折為引流了？（通過商品訪問深度、商品訪問比較分析）
　　我們每一種可能，都要有“對應”的數據來說明，讓業務部門關注或者不關注這個因素，而不是看來數據就算了。你說通過某廣告來源來的流量，馬上就退出的情況，這不是點錯廣告，是什么呢？這就是邏輯推理！
　　和業務充分溝通
　　這點很重要，也有挑戰性，不同公司的企業文化，決定了你溝通的技巧需要有對應，所以你在某企業有沉淀，有人脈了，才更容易溝通，更容易交心。
　　根據原則，就是首先你的數據分析是來幫助他們的，而不是讓他們幫你做數據試驗；其次你的業務邏輯非常清晰，讓業務覺得和你交流有共同語言，值得交流；最后你確實有成功案例，讓業務有動力與你傾力合作。
　　推動數據驅動執行
　　交心的溝通后，業務部門甚至可能讓你參與業務會議、請你幫忙提業務運作建議。但如果你還沒與業務部門達成如此默契，就需要主動看執行結果，如果不夠理想，請主動思考什么原因，與業務部門咨詢是否有什么困難，缺乏什么條件。
　　總結
　　數據驅動失敗，可能業務用戶執行不到位，但也可能是數據分析漏了什么業務因素，或者數據挖掘算法不夠合理，所以BI部門需要多審視自己，而且即便是業務執行不到位所致，請多關注對方是否有不得已的原因，而不是埋怨業務部門不給力，在未來合作中，數據才能更主動發揮價值。