國家全面倡導數字化，顯然是預見了經濟發展的大趨勢。為此，各大企業積極響應國家號召，緊鑼密鼓地部署并推進數字化轉型。然而，隨著時間的推移，各種挑戰和瓶頸逐漸暴露出來，越來越多轉型的企業陷入四面楚歌、難以突圍的境況。

企業數字化轉型往往后勁力量越來越薄弱，無法達到預期效果，問題可能出在根部，所謂根部就是注重數字化人才培養。

從小數據到大數據的分析思路均源于驗證性數據分析，因此，業務需求尤為重要，而需求從何而來是由數據分析師所處的行業而定。

數據分析的需求來源包括閱讀運營報告、痛點研究、未來戰略方向。

01、閱讀運營報告

談到運營報告就不得不提及數據庫。我們經常將數據庫喻為“數據海洋”，其數量和內容之多超出我們的想象。就電商公司而言，數據庫裝載幾千張表是很正常的現象，每張表的數據從幾十列到上百列不等，整個數據庫至少有幾萬列數據。一名數據分析師僅僅了解這些字段（基于描述類工作），估計沒有一年半載是辦不到的。

運營報告包含很多有用字段，凡是能在報告里出現的字段都是經過業務人員過濾并經過幾年的持續修改而成的，這恰恰包含了數據分析所需要的統計信息。

如果事先有對業務問題進行總結，那么運營報告中的字段將得到大幅縮減。例如，如果消費者關注商品顏色，那么運營報告需要提及這一字段，并設計相應的營銷方案；相反，如果最近業務更加關注客戶滿意度，那么商品顏色這一字段就用不上了，運營報告自然也不會提及這一字段。由此看來，數據庫中只有部分字段能夠充分利用起來（通常認為只有不足10% 的字段經常被使用），而其他字段可能暫時還沒有用。

02、以報告看統計

（1）因變量y 和自變量x 從何而來？

公司每段時期出現的問題都會呈現在報告中，問題所在之處就是量化y。有了y 后，需要對問題進行歸因，而變量x 就是結果y 的歸因因素，因此尋找影響因素x 是建模的主要過程。尋找x，不是從數據海洋中搜尋，而是判斷運營報告中提到的字段。

理論上說，報告中涉及的字段都有可能成為y 或x，但企業在每段時期暴露的嚴重問題涉及的字段才最有可能是y，而且y 并不會很多，因為大多數問題，只有幾個主導的因素。例如，訂單下滑、滿意度不佳、活躍度不夠等問題的根本原因可能是廣告投放失效，那么廣告投放就是當前的y。x 是歸因的依據。模型是尋找影響因素最快捷的方式，如果能夠掌握數據分析方法，那么搜尋x 的過程就簡捷多了。

我們是否需要尋找報告之外的x 呢？這實際上涉及數據分析的創新，但創新是發生在夯實的業務基礎之上的。也就是只有具備了數據分析技術、業務知識，再加上時間的積累，創新才有望發生。數據分析師職業生涯前2 ～ 3 年，無須尋找這部分x。

（2）搭建模型的前提是業務準備

數據降維（x 的篩選過程）和角色問題確定后，需要做的是模型搭建。數據分析師應該用“點→線→面”的思路來完成業務梳理，進而完成構筑模型所需的一切業務準備。只有把點的問題還原成面的問題，痛點問題才有望被解決。

點的問題就是造成損失的環節。例如，商品導致的業務問題，如毛利潤太低、供應商供貨問題等。損失之處就是因變量y。然后圍繞因變量y 探討解決方案，這就是自變量x 與因變量y 間的結構關系，y 的問題就是點的問題。線的問題，即自變量x 是如何影響因變量y 的，其重點在尋求歸因，即整體結構。如果我們將各部門發生的事件歸納起來，并通過點和線的分析方式將這些事件編織成面的問題，然后使用統計技術控制每個環節，促使業務問題與統計解決方案同步，那么統計方法將得到有效的運用。

03、研究痛點

企業在某段時間可能會面臨某個嚴重的業務問題，企業所有資源和人力都將用于解決這個問題，數據分析師當然也不例外。企業每個時期的痛點各不相同，問題一般會持續3~6 個月。例如，老客戶流失嚴重，首先需要找到y，如果數據庫中沒有字段與該問題對應，則需要想辦法構建人工字段b，即用商品購買周期的兩倍來預判客戶流失（這是人工字段）的嚴重性。有了y 后，要尋找影響因素x，構建客戶流失模型。完成模型構建后，在因變量與自變量間歸因是不是就自然發生了呢？最終就能找到痛點的真正原因了呢？顯然，據此得出的結論過于單薄。

痛點問題是很多問題的綜合性表現，且一個模型能解釋的信息是有限的。對痛點問題進行歸因是環環相套的。

研究痛點僅僅是幫助我們發現歸因鏈中有問題的環節，而此環節必須還原到產品或行為分析的框架中才能有效地歸因，否則就會出現“頭痛醫頭”的現象。

未來戰略方向

企業數字化轉型成敗還取決于數據分析專業人才的支持，數字化轉型需數字化人才，無論高尖端企業還是傳統行業，建設數字化人才團隊是當務之急。

未來5年，甚至更長時間，擁有具備業務、數據、架構、內部推動、項目管理等綜合能力的數字化人才，尤其高效決策的數字化管理思維的人才，是企業決勝千里的關鍵。

在此期間，建議數據分析師可以做如下事情：

第一，調試模型使“精確”變成精確，以符合當前應用場景。模型判斷的準則永遠是業務標準，而最了解業務之人當屬老板，所以老板確定的方向出錯的可能性很小，要相信此錨。

第二，數據分析團隊應該適當地轉移工作重點，如參與線下業務活動，以了解營銷、物流配送、供應商談判、客服等業務，從而了解業務與數據間的關系，但不要本末倒置。

第三，參加數據分析培訓，提升自己。

8月19日直播課，由徐楊老師帶領大家學習！
直播內容：
1.縱有千古：數字化的前世今生
2.橫有八荒：數字化工作的價值聚集：數據科學
3.前途似海：數字化人才的崗位需求
4.未來可期：如何成為企業需要的數字化人才
掃描海報二維碼，免費聽課！