作者 | 數據海洋

來源 | haiyangxinyong

很多從事數據分析的同事都以為數據分析師，應該是通過數據對業務團隊決策、公司管理層的決策進行“指點江山”。在實際工作內容應該是做數據分析報告；構建機器學習模型；打造數據產品，做的都是非常有“技術含量”的活。

舉個場景，業務團隊要做一場促銷。數據分析師理想狀態應該這樣：

• 進行各種數據分析，告訴業務小伙伴，根據你的目的，你應該設計什么樣的活動，投入什么樣的資源，針對什么樣的用戶群。
• 收集數據發現活動效果很好，一定是平時活動效果的N倍。然后繼續下一次迭代。

這是很多數據分析師認為應該的工作狀況，當然這也是大多數數據分析師的夢想狀態，因為像很多大公司中的數據分析師的確是在實踐著這個“夢想”。而不是活動前、后都只是叫數據分析師提個數據，做個報表。

經驗小提示：

上述案例場景通過數據分析發現機會點指導業務進行精準營銷，的確應該是數據分析師價值最重要體現之一，但要實現這個場景，需要企業數據文化、公司的數據質量、公司的業務規模、公司的數據團隊能力……

數據分析師價值體現

“理想很豐滿，現實很骨感！”很多數據分析師在實際從事數據分析師工作卻發現，自己都只是在從事著數據需求和數據報表這二塊內容。這是很多數據分析師從事“數據分析師”一段時間后都會面臨的困惑，感覺自己就是一個取數工具，一個是提報表需求的人，對這個職業失去了信心。

但反過來想想，如果這二個基礎做不好，后續“高大上”“有技術含量”的事情也是做不好的。我個人認為：如果這二塊基礎做不好，可能你也沒有時間深入理解業務，即便理解可能是比較粗與淺，是很難做出一份高質量的數據分析報告的。

很多朋友寫的數據分析報告，往往都在羅列數據，感覺PPT做的很多圖表，很多數據，但是你問問他你這份報告的結論是什么，支持結論的數據是什么，這份數據分析報告應該針對誰？可能就……

經驗小分享：

數據分析師的工作根據公司規模，公司所處階段、數據分析師工作經驗、數據分析團隊的架構與定位，數據分析師工作內容會有不同的側重點。

在前面的一篇文章中，我放了一個下面的一張圖，把數據分析師工作內容可以分成以下幾塊：

數據分析師工作如果從“價值體現”來看，我劃分成二個階段，這個價值體現請各位同學記錄，一定沒有高低之分，只是公司在不同階段和具體場景需要的數據價值去匹配，只有適應與不適應之分：

1）看事實數據發現問題

通過準確、及時、完整的、相對客觀的數據指標與數據體系來：監控業務狀況，定位業務問題點。我隨時隨地知道我業務進度，業務是否有異常，根據我需要的常用維度進行拆解。

銷售額，我知道KPI完成進度VS時間進度，一個維度：按品類拆分的進度；知道誰好誰壞；一個維度：按客流、客單拆分，知道是哪個因素導致；一個維度：可能按門店拆分，看哪個門店、哪個區域有問題。請牢牢見一個原則，如果你的拆分維度后的數據指標沒有人為這個負責，找不到責任人那還是不用這個維度。能達到這樣的數據狀態企業非常非常少。真的，真的，真的。特別是傳統的企業，互聯網類型的可能好點。

2）挖掘數據價值找到問題答案

這個階段更多是“洞察”，對數據進行深入的分析，“數據分析商業洞察”，挖掘出隱藏在數據背后的規律，從而支持各種商業決策。在實際工作中，根據具體的業務場景可能會需要不同的數據分析方法，例如：做用戶的分類，可能會做一個“顧客聚類”模型，對用戶流失可能會做一個用戶流失預測模型。但千萬記住，核心是“解決問題”，核心不是“技術含量，技術復雜度，用什么工具”。

價值體現應用場景

準備從事數據分析師及剛從事數據分析師的同學一定要記住。最怕那種不懂裝懂，上來說問你處理過多大數據量，你做過多個機器學習模型，你做過多少個數據產品！沒有做過這些內容，好像數據分析就沒有任何價值。

我們舉個場景來說明這二種價值的體現。某個企業，某周業務團隊發現本周銷售額發現沒有達到之前設置的目標，假設是月累計完成率。我們假設有二種數據分析場景：

1）通過數據拆解定位是某個區域的銷售遠低于目標

那數據分析師如果對業務很理解，可以會假設各種原因。例如：是否缺貨，是否競爭對手搞活動，是否取消與第三方的合作，是否定價過高，是否服務質量下降，是否促銷效果不好，是否商品品質不好、是否客流下降、是否客單下降……. 會形成各種商業場景問題的原因假設，基于各種假設來利用進行驗證分析。

當然如果對業務不熟悉，也可以通過對各種數據相關指標來進行對比，找到可能影響的關鍵因素。例如：如果客流下降，是否某個價格帶的商品太少，或者缺少引流品牌，是否缺少足夠多的引流商品。一般是通過把當前的數據與這個區域的歷史數據縱向對比分析；與其它區域的橫向對比進行分析發現。

2）如果是所有區域都下降，而且下降幅度相差不會太大

可能就是公司整體商品策略、價格策略、促銷策略，或者整體的社會環境導致用戶的購買力下降。形成相關假設后，一樣用數據去驗證這個假設。假設銷售的下降，是由于某類型顧客流失率在持續上升導致。那業務需要針對這類企業進行針對性營銷動作以做挽回。這個時間可能需要“機器學習”這種有“技術含量”來支持：

①構建機器學習模型

這個時候可能構建機器學習的預測模型，為每位顧客的流失概率打上標簽，根據流失概率來提前做預測。

小提示：一個顧客如果已經流失了，挽回的可能性一般是很小的，或者要挽回的代價很高。對于用戶購買相對高頻商品的公司來說，一般都會對流失用戶提前預測。

當然，也可以通過數據分析，尋找找到幾個關鍵數據指標來劃分，這時候針對是一類型的顧客，而不是一個顧客。也一樣可以提升營銷的效率。

二種都是解決問題的方法與工具；都是能解決問題，在精細度上有一定區別，但前面一種“成本”也比較高，我們數據分析師也一定要商業最重要一個指標的衡量：ROI。所以根據實際情況和資源來決定用什么方法。

②構建智能營銷數據產品

對每個用戶有各種根據數據分析生成的標簽，例如：價格帶偏好、品牌偏好、購物時間偏好、購買金額偏好，高價值標簽，活躍度標簽等；也會有各種機器學習模型構建的標簽，例如：通過不同的場景的聚類，打上相應的標簽，像生命周期標簽；對用戶的流失概率建模，打上流失概率標簽等。

利用數據內容，業務可以設置一個規則，系統可以每天定時計算，也可以用戶產生新數據后實時計算，從而更新用戶的標簽或者各種概率值。當用戶滿足某個值的時候，自動促銷哪種類型的營銷手段，以哪些觸達方式促銷用戶。

會員或者活動運營的同學可以及時看到各種報表統計數據來看營銷效果：數據分析師可以不斷的迭代機器學習模型，用新的數據不斷持續優化模型，提升預測準確度。

業務同學可以營銷效果結合相應的數據分析結果，不斷的迭代與優化對應的營銷方式。數據分析師，從職業發展來看，隨時發展可以走技術路線：機器學習、數據產品方向；或商業分析方向！

小經驗總結：

數據分析核心還是要懂業務，懂商業邏輯。用“假設檢驗”的思維去做數據分析，往往是一個優秀的數據分析師的最重要的“特長”。個人觀點：這個特長可能是書上學不來了，他還真的靠自己不斷的實踐，不斷的問為什么形成的。包括我寫的文章，只能幫助大家更好的理解，打個認知。同時有一些小經驗分享，少轉一點點彎路。

理解“數據事實”

把基礎數據工作做好往往是深入理解商業邏輯中重要的方式，基礎做好的，才能做數據分析這種相對高大上的內容真正做好。

看事實數據，是基礎，是核心，也是關鍵：

我把數據臨時需求、數據報表這二個部分的價值更多在于“看事實數據”。這二個內容提供好后，對業務價值是：看數據，通過數據直觀、清晰了解業務實際情況，是否有異常，如果有異常，業務異常發生在哪，從而可以快速做出相應的商業動作。

為什么叫“事實數據”還事實包括二個含義：

一個是數據是正確統計。

是指在數據統計過程中，“數據代碼的開發與實現”是正確的，沒有統計錯。例如：銷售金額，不會統計成銷售數量，因為數據表、數據字段用錯，寫SQL代碼邏輯寫錯；這種更多是避免“技術”上的錯誤導致數據不準確。

一個是是指數據指標定義是符合要分析場景，沒有被“人為修飾”過。

數據的加工是根據特定場景，按實際需要進行定義的。數據反應真實的業務狀況，業務表現。通過一個例子來說明一下：轉化率=訂單量/UV；還是會員數/UV；

1）應該是用訂單量還是會員數，應該用什么狀態的數據：創建產生的訂單/會員，支付產生的訂單/會員，還是支付成功的訂單/會員；

2）UV是指訪客，訪客是按cookie統計，還是按用戶的設備號統計。數據指標定義實現沒有所謂的“百分之百”的準確，在特定場景下根據數據要反饋或者分析的特定問題，我們應該使用更真實的數據指標。就我們上面的轉化率，如果匯報的同學想表達“特定”觀點，可以會針對性定義某應的數據指標。而不是根據相對“客觀”真實反饋數據的話，可能呈現的數據指標會出現截然不同的二個結論。

有時候會聽到說，“數據會撒謊”，數據本不會撒謊，但是就看用的或者加工數據的人怎么處理了；數據是用來反映問題，幫助解決問題，不應該讓數據成為掩飾問題的手段。

經驗小分享：

一、應該讓業務看到真實數據，保證數據一致，各個出口看到的數據指標不打架，至少應該是關鍵數據指標像KPI不打架。這種關鍵指標應該是定義好，不允許更改，如果要更改也必須是管理層來確定。

二、在實際很多企業中，能做好數據臨時需求、數據報表構建好，已經能解決企業很大的問題，對任何業務團隊的來說，可以準確、及時、完整的看到數據，通過數據可以很好的看清楚業務狀況，業務結構。

“通過數據，可以很直觀反饋業務是否健康，是否有異常，利用數據可以快速的監控、定位業務的健康狀況?！薄皫椭鷺I務團隊做決定，最重要搞清楚問題是什么，什么是最為重要的。如果問題都還沒有搞清楚，定義清楚，憑感覺就簡單的做出各種決策。這是“拍腦袋行為”，在目前競爭環境下，已經不再適應！”

當前面這些基礎做好后，才有可能去談，如何做數據分析。因為做數據分析最大的前提是要清楚定義問題；下篇文章我們再來談談數據分析。期待與大家進一步探討。