在工作崗位上培養數據分析能力的路徑

不少人認為從學校畢業，進入工作崗位后學習數據分析能力是一件很痛苦的事。其實如果方法得當，工作中學習數據分析反而可以得到事半功倍的效果。本篇中介紹一個PACS(流程(Process)、動作(Action)、能力(Competence)、技能(Skill))數據分析能力提升法。

以下是信用貸款業務風控人員的技能映射。

在學校中，知識以學科的形式組織，我們也是按照學科來學習的。每一個學科就像一個豎井(“I“型)，學的越深，知識面越狹窄。由于知識是以該學科的研究范式為基礎進行組織的，而且缺乏對其商業應用場景的背景介紹，因此學習過程枯燥，效率低。

當前商業中需要復合型的“π“型人才，即精通兩三個主要技能的同時，還要了解整個業務流程，可以與其他崗位的人無障礙溝通。全面的學習整個業務流程涉及到的全部技能需要大量的時間和精力，因此可以采用PACS方法，從梳理整個業務流程和每個結點包括的動作開始(這些內容往往已經有人做過，并且發布出來)，進而明確每個節點中完成必要動作所需要的數據和算法能力(這相當于細化后的崗位人員能力說明，以往公司的崗位認知能力說明書不太強調數據和算法能力，因此需要細化)，最后將能力映射到技能。這樣學習目標明確、路徑清晰。

PACS路徑解釋

1、流程

從靜態上抽象一家企業，則是實體-關系的總和，即構成了企業數據模型。從動態上抽象一家企業，則是流程的總和，即構成了企業業務流程模型。企業流程按職能類別分為戰略管理類流程、人力資源管理類流程、財務管理類流程等等,職能流程常不就是單獨運行,而就是相互穿插結合在一起的。所以企業的流程管理,常以層級的流程建立與運行管理為主,將各職能的工作任務按層級分開后,已完成任務目標為主,進行互相穿插結合。下圖是國際組織APQC(美國生產力質量中心)給出的流程層級結構參考模型。

國內的實踐者在APQC的基礎上進行了優化，分為四個層級:一級核心流程(域)、二級協控流程(流程組)、三級自控流程(流程)、四級標準作業流程(活動和任務)。按層級管理的流程,常以承擔該流程主要職責部門為主管部門,其他部門為協助部門展開流程活動。比如預算流程,就是涉及企業所有部門及企業外部狀況的管理流程,就是一級流程,但以解決與控制財務行為為主,就以財務部門為主管部門,其他部門為輔助,共同協作展開預算與成本控制活動。

一級核心流程代表企業中最高層次的流程，是價值鏈圖的構成。這類流程的操作往往與企業高級管理人員相關,就是企業與外界環境之間信息的交換與工作交接,流程運行一般都會涉及企業的大多數部門。如果就是集團型企業或者有很多分支機構的企業,一級流程還包括集團與各分支管理機構之間的信息交換與工作交接。如經營管理流程,既考慮市場變化、政策變化、經濟發展趨勢,還考慮內部管理基礎,以及各部門的任務分解與執行反饋等工作。

二級流程基本上就是規范企業內部工作任務流轉的程序,就是涉及不同部門間信息交換與工作交接的管理流程。如采購管理流程,就是從物品需求部門提出采購要求,到采購部門完成采購工作,交接到倉儲部門管理采購的物品,再將采購入庫的信息傳遞到物品需求部門。這個流程就相對一級流程要短一些,牽涉的面不就是很大,關聯的部門也不就是很多。

三級流程基本上就是一個大的職能部門內部工作執行的步驟,或傾向于中基層管理任務跨部門執行的流程。比如生產管理流程,就是生產部門從生產計劃到生產產品入庫的一個過程,雖然也關聯到很多部門,比如需要物料采購、設備安裝調試、工裝管理、生產技術支持等,但就生產操作的過程來說,基本上就就是生產部門可以自主控制與管理任務流轉的過程。

四級流程基本上就是基于崗位操作,為完成崗位作業所需的操作步驟。如設備清潔,井站巡回檢查,原油計量等。還有一些企業,因為管理的層級關系,對三級流程任務流轉的部分環節,還要進一步的細分,就會形成很多更為細致的操作規程。

以上只是對流程的簡要介紹，有興趣的讀者可以看一下“顧問老包“的公眾號文章“流程如何實現戰略落地” (https://mp.weixin.qq.com/s/jETYFBvjAnD9x1-McVM6QQ)和“解說：流程的層級結構”(https://mp.weixin.qq.com/s/Shxcb94AGLny77ryyENk-g)。這個網頁“http://www.woshipm.com/pd/80096.html “對流程和用例也進行了論述。也可以使用”https://www.processon.com“網站提供的流程繪制工具，里面提供了一些示例。

2、動作

流程中會出現順承、分枝、循環三類結構，其中分枝和循環都涉及到判斷結點，判斷結點后是某個動作。比如在產成品入庫流程中，如果產品抽樣合格，則允許入庫;在客戶申請貸款額度的流程中，如果客戶信用評級沒有達到準入要求，則駁回客戶的申請，并且向客戶解釋未通過的原因。如下圖所示，紅色圈出的部分就是審批流程中的一個決策節點。

流程中的動作是企業中特定崗位的人員做出的標準動作。做動作需要依據經驗或者數據做出判斷的能力。

3、能力

為了保證在業務流程中做出的決策是正確的，其后續的動作不會對企業造成不良影響，那就需要工作者具有特定的能力。能力是隨著技術、文化等環境要素在發生變化。以往由于信貸審批進件少，審批人員只需要人力閱讀盡調材料，結合經驗判斷客戶是否準入即可。隨著申請量的提升，信貸審批人員產能達不到要求時，便使用量化信用評分模型替代部分的人力勞動，在構建信用評分模型的過程中，需要具有指標計算、標簽加工、算法建模、模型管理的能力。

4、技能

技能對應到具體的知識領域。很多人學習知識的時候，往往喜歡從基礎知識開始學習。比如有人說學習統計學必然需要有概率論的基礎，學習機器學習必然需要有線性代數的基礎。其實這是誤區，因為人的精力和熱情是有限的。在工作崗位中學習一個知識，往往需要在短期內就要產生價值。如果從基礎知識開始看，大部分人是“從入門到放棄“。

在學習技能的過程中，建議從每個知識的假設開始入手，搞清楚該算法的創始人加入這些假設的原因，而不是沉迷于大量的數學推導證明。使用這個方法，讀者會發現，做數據分析并不需要高深的數據知識，而是需要對社會、心理和經濟現象的理解。

比如學習線性回歸模型，有4個經典假設，分別是：1、解釋變量和被解釋變量是線性關系;2、解釋變量與擾動項獨立;3、擾動項獨立同分布，且服從正態分布;4、解釋變量不存在強線性關系。這些假設的存在是因為該方法第一次用于根據父母的身高預測其孩子的身高，其數據特征滿足以上4條假設，且該模型具有最優線性無偏估計(BLUE)。當回歸模型的入模數據不滿足以上4條假設時，便不再是最優線性無偏估計。其實只要深刻理解和記住以上4條假設并且掌握如果數據不滿足以上假設時如何做調整即可。至于最小二乘法或極大似然法的推導過程，在實際工作中是毫無意義。有些讀者看到這里，可能會質疑這是不是在培養“調包俠“。其實懂算法建模原理不一定需要精通算法的數學推導，而建模流程和建模工藝更重要，目的是制作出高質量的算法模型供業務使用。

不建議從基礎知識開始學習，還有一個深層次的原因，因為高校中的書其實并不是以讓人學會為目的的，而是以體現作者學科功底為目的的，也就是說其實教科書是作者為了“裝高雅”而寫的。這個認識初始于十五年前在考研培訓機構聽一位“外行”高數大師講考研高數時說的“我的教案寫了兩個版本，一個版本是結合這幾年的實際工作經驗總結的，另外一個版本是根據研究范式嚴格推導出來的，第二本沒想讓你們看懂。之所要做出第二個本版，是為了得到同行的認可”。后來在學習邏輯回歸這個算法時，分別在多元統計、機器學習和社會統計學這三門課中學過三次，一開始被多元統計學中的極大似然估計方法做折服，但是總是想不明白羅吉斯特分布是這樣被神人發現;后來在機器學習課上又被交叉熵損失函數的優美推導而傾倒，感覺我等凡人必定想不出如此簡介的框架。直到在社會統計學中，老師并沒有讓我們按照教材來學習，而是閱讀統計學中的早期文獻，我才了解到在預測二分類目標時，經歷過線性回歸、線性概率模型，最后想出的Logit轉換，無非是為了使得方程兩邊的定義域一致，湊出來的。不過國內教材中從實際工作應用講解數據分析和算法的書太少了。因此只好退而求其次，建議大家工作中用到什么知識，直接采用“降落傘“式學習即可，未來有時間了再打基礎。

來源：數據資管

作者：研究猿