「過(guò)去」以往在增量時(shí)代，每天都有新的分析領(lǐng)域、新的技術(shù)據分( ???)市場(chǎng)被開(kāi)發(fā)。尤其是型數析能型在互聯(lián)網(wǎng)、電商等領(lǐng)域的力模紅利期，似乎只要做(zuo)好單點(diǎn)的數據突破就能獲得市場(chǎng)。??這個(gè)蠻荒時(shí)代，分析業(yè)務(wù)運營(yíng)主要依靠是技術(shù)據分經(jīng)驗和直覺(jué)驅動(dòng)。比如跨境電商領(lǐng)域初期，型數析能型憑借世界工廠(chǎng)平臺的力模優(yōu)勢，國內廠(chǎng)家似乎只需基于經(jīng)驗選品即??可大賣(mài)。數據
「現在」但是分析隨著(zhù)規則的成熟，更多玩家的技術(shù)據分進(jìn)(╬?益?)入，市場(chǎng)從藍海變?yōu)榧t海，型數析能型進(jìn)入到存量期，力模僅靠經(jīng)驗驅動(dòng)的增長(cháng)模式不再有效。還是拿跨(′▽?zhuān)?)境電商舉例，由于賣(mài)家的(de)劇增，海外市場(chǎng)的飽和，跨境電商就進(jìn)入存量運營(yíng)時(shí)代，已經(jīng)不存在絕對的藍海市場(chǎng)，每個(gè)細分領(lǐng)域都有許多(duo)競(′?｀)爭對手。此時(shí)，要??求商家從粗放運營(yíng)轉為精細化運營(yíng)，也就是用數據分析報告決定市場(chǎng)是否值得投入，用數據選品，用數據做經(jīng)營(yíng)分析，用數據庫存管理。
當然，不是說(shuō)純定量的數據分析決定了一切，經(jīng)(jing)驗就不重要了。??而是說(shuō)在決策的過(guò)程中，數據結論占據的比例與以往相比更大，同時(shí)業(yè)務(wù)經(jīng)驗也是必不可少的部分。
「未來(lái)」互聯(lián)網(wǎng)逐漸成為“傳統行業(yè)”的未來(lái)，人工智能、元宇宙等由數據驅動(dòng)的行業(yè)越來(lái)越依賴(lài)數據分析。還有眾多制造業(yè)亟待數字化轉型，以期在全球供應鏈中提高制造環(huán)節的附加值。也就是說(shuō)，在未來(lái)，數據(ju)驅動(dòng)業(yè)務(wù)將更頻繁。
數據分析的本質(zhì)是「沙盤(pán)演練」：戰場(chǎng)上，指揮員(yuan)們在指揮部的地形模型前「推演」敵我雙方的趨勢確定作戰方案；商場(chǎng)上，管理層通過(guò)數據間的運算關(guān)系(xi)「推斷」運營(yíng)的發(fā)展進(jìn)而做決策。
基于這樣的定義可以知道數據分析的目的是為了做對當下運營(yíng)發(fā)展有利的決策，那它是如何做到的呢？為了解答這個(gè)問(wèn)題，可以從前(′▽?zhuān)?面的定義中引申出幾個(gè)關(guān)鍵概念：數據，運算關(guān)系，推斷，決策。
最通用的理解，數據是被存儲起來(lái)的信息。從應用的角度，數據是把事物做量化處理的工具，萬(wàn)物皆可數據化：數值數字是數據，文本、圖像、視頻等同樣都是數據。
按字段類(lèi)型劃分，可以把數據分為：
按結構劃分，可以把數據分為：
根據數據連續的屬性不同，還可以分為：
孤立的數據往往沒(méi)有參考價(jià)值，比如量化(?Д?)一??個(gè)人，身高是180cm，并不能意味什么。比如網(wǎng)易云音樂(lè )的用戶(hù)，每個(gè)用戶(hù)的年齡是數據，對使用產(chǎn)品的人群年齡進(jìn)行分段比如18-24歲，該年齡段人數占比的ヾ(′▽?zhuān)??指標對網(wǎng)易云音樂(lè )來(lái)說(shuō)才有價(jià)值。從數據到指標的計算過(guò)程，就是數據間的「運算關(guān)系」，也叫「指標」。
指標的作用在于「度量」業(yè)務(wù)的發(fā)展：
這些指標（點(diǎn)）通過(guò)一??定的結構可以編織而成指標體系（線(xiàn)、面）衡量局部、甚至是全局的業(yè)務(wù)。
「沙盤(pán)演練」中，指揮員通過(guò)軍事沙盤(pán)上??的地形，及敵我雙方的工事、兵力部署、火器配置等情況，分(fen)析敵情，制定(ding)作戰方案。數(shu)據把現實(shí)中的運營(yíng)抽象到數(′?_?`)字世界中，通過(guò)指標體系，應用各種分析方法（業(yè)務(wù)分析、產(chǎn)品分析、用戶(hù)分析、經(jīng)營(yíng)分析......），幫助經(jīng)營(yíng)做決策。
趙括熟讀兵書(shū)，卻不能活用，淪為紙上談兵的笑話(huà)。所以獲得分析能力后，不能照本宣科，要結合實(shí)際業(yè)務(wù)場(chǎng)景做決策。
數據分析落地涉及流程創(chuàng )新、變革管理，用新的思維解決業(yè)務(wù)問(wèn)題。但這個(gè)過(guò)程并不是強迫變革，需要(yao)借助對業(yè)務(wù)的理解及軟性的能力來(lái)使分析平滑落地。
站在“前人”的肩膀上，可以走得更遠。餅干哥哥根據多年數據分析工作經(jīng)驗沉淀出了數據分析師能力模型，跟著(zhù)它“按圖索驥”，補充自身缺失的能力，最終形成獨立、落地的數據分析能力。
完整的數據分析師能力體系應該包括底層認知、業(yè)務(wù)場(chǎng)景及能力三板斧。
在建(jian)立數據分析思維之前，應該先在底層認知達成共識。
什么是認知？是對事物底層邏輯的了解，是對是世界萬(wàn)物的判斷，認知的本質(zhì)就是做決定。也(ye)就是說(shuō)，為了幫ヽ(′▽?zhuān)?ノ助數據分析中每個(gè)決策的有效性（選擇什么指標、分析方法？接下來(lái)做什么？等等），需要先建(jian)立底層認知。
這一步，我們需要去明確數據分析??的(de)定義：數據(ju)分析ヾ(′▽?zhuān)??是什么？目的/產(chǎn)出??？分析流程？
同學(xué)們(′?_?`)在求職過(guò)程中會(huì )發(fā)現，同樣是數(shu)據(ju)分析師崗位，但是面試的內容千差萬(wàn)別，有考察機器(qi)學(xué)習、統計學(xué)等專(zhuān)業(yè)能力的，也有考察市場(chǎng)/行業(yè)分析的，還有考察產(chǎn)品分析的。
這就是認知上的偏差：當一些同學(xué)認為數據分析就是用Excel做表、python寫(xiě)腳本、機器學(xué)習建模時(shí)（其實(shí)這些只是組成數據分析能力的一部分），求職市場(chǎng)對數據分析師的要求更為完整。
回過(guò)頭來(lái)看，數據分??析??到底是什么？筆者認為?，數據分析是一個(gè)過(guò)程，是利用數據能(neng)力做分析的過(guò)程(cheng)：從發(fā)現問(wèn)題、分析原因，到落地建議；??這還是一個(gè)“解構”的過(guò)程：從整體拆到局部，從一般到特殊，從面到線(xiàn)到點(diǎn)，不斷下鉆剖析，找到具體可落地的點(diǎn)。
了解完什么是數據分析??后，深入思考一個(gè)問(wèn)題：這個(gè)過(guò)程的最終產(chǎn)出的交付(′ω｀)物是什么？ヽ(′▽?zhuān)?ノ
要回答這個(gè)問(wèn)(wen)題，我們需要回到數據分析的本質(zhì)：解決業(yè)務(wù)問(wèn)題??。也就是回到業(yè)務(wù)層面的需求是什么，才能決定(ding)最后落地交付物：
最常見(jiàn)的數據分析場(chǎng)景，就是業(yè)務(wù)發(fā)現銷(xiāo)售額下降、(′▽?zhuān)?)用戶(hù)流失、產(chǎn)品跳失率高，也就是業(yè)務(wù)層面出現了一個(gè)問(wèn)題待解決，此時(shí)需要數據分析師介入幫助從數據層面挖掘原因、給出解決建議。
分析過(guò)程可能是做一些探索性數據分(′ω｀*)析、統計分析、機ヽ(′▽?zhuān)?ノ器學(xué)習建模，甚至是做AB測試實(shí)驗，(′；ω；`)最終交付分析報告，或者模型部署上線(xiàn)。
有時(shí)業(yè)務(wù)可能并不存在確切的“問(wèn)題”，更(geng)多旨在通過(guò)加深對現有場(chǎng)景的理解，來(lái)提高現有業(yè)務(wù)模型、策略的效果；比如，現在業(yè)務(wù)使用的是客單價(jià)平均值將客戶(hù)分為高、低兩個(gè)人群??進(jìn)行營(yíng)(′?_?`)銷(xiāo)，此時(shí)數據分析( ?▽?)師通過(guò)對消費者的洞察分析，給予更精準的人群劃分方案：利用客單價(jià)分位數，將客戶(hù)分為三個(gè)人群，這樣業(yè)務(wù)利(li)用更新后的策略進(jìn)(jin)行營(yíng)銷(xiāo)設計，提高轉化效果。
分析過(guò)程可能是做相關(guān)分析、回歸分析，甚至是無(wú)監督的聚類(lèi)，來(lái)對現狀進(jìn)行解釋。
按照需求的時(shí)效性，可以把業(yè)ヾ(＾-＾)ノ務(wù)需求分為臨時(shí)需求和常規需求，而前面兩者屬于業(yè)務(wù)的臨時(shí)需求，或者說(shuō)是專(zhuān)項分析需求。對于常規需求，主要旨在提高業(yè)務(wù)流程的效率，比如對于電商運營(yíng)中的商品庫存管理業(yè)務(wù)，運營(yíng)需要及時(shí)查詢(xún)庫存情況，并(bing)結合銷(xiāo)售趨勢對低庫存量的商品進(jìn)行補單；此時(shí)，數據分析師可以通過(guò)交付“低庫存預警報表”來(lái)幫助優(yōu)化該流程效率。
支持診斷的內容主要集中在自動(dòng)化的報表，??甚至是商業(yè)智能（BI）體系的搭建。
如果??說(shuō)前面是基于已知模式的??分析，那么業(yè)務(wù)中還存在一種(zhong)需求，就是對??未知的探索。(′?｀*)最為典型的場(chǎng)景則是對市場(chǎng)、對消費者的洞察后，給出品牌及業(yè)務(wù)增長(cháng)的策略。
分析過(guò)程更多是基于行業(yè)、基于市場(chǎng)，使用如PEST、SWOT、波特五力等商業(yè)分析模型。
至此，我們知道了數據分析是什么，以及最終的產(chǎn)出交付物，那這個(gè)過(guò)程如何實(shí)現的呢？從落地的角度來(lái)看，數據分析是一個(gè)從發(fā)散到收斂的過(guò)程：業(yè)務(wù)理解-數據探索-分析模型-落地交付-產(chǎn)品生命周期
數據分析是從業(yè)務(wù)到數(′?｀*)據再回到業(yè)務(wù)的過(guò)程，所以理解業(yè)務(wù)是數據分析的起點(diǎn)ヽ(′▽?zhuān)?ノ。
“無(wú)場(chǎng)景不分析”、“脫離業(yè)務(wù)(′ω｀)場(chǎng)景的分析都是耍流氓”等資深數據分析師的建議無(wú)??不說(shuō)明業(yè)務(wù)場(chǎng)景的重要性??。數據分析能力模型中的業(yè)務(wù)場(chǎng)景模型：用戶(hù)-產(chǎn)品-場(chǎng)(′ω｀)景，就是為了幫助讀者理解業(yè)務(wù)場(chǎng)景而設計的，在這里不贅述。
不知道讀者有沒(méi)這樣的體??驗？就是領(lǐng)導交代任務(wù)給你，或者???是(′ω｀)朋友有求于你時(shí)(shi)，執行力強的人很快就完成了任務(wù)請求，但是最后卻被告知這結果并不是對方想要(yao)的？這種情況很常發(fā)生在初??入數據分析崗位的(′；д；`)新同學(xué)身上，原因歸根結底就是沒(méi)有做好問(wèn)題定義！
在理解了需求所處的業(yè)務(wù)場(chǎng)景后，可以借助邏輯樹(shù)工具來(lái)對問(wèn)題進(jìn)行拆解，拆解的過(guò)(guo)程盡量要遵循MECE、“相互獨立,完全窮盡”的金字塔原理。
其實(shí)，很多企業(yè)都在討論數據分析師的價(jià)值在哪？從這一現象可以看出數據分析師需要時(shí)刻關(guān)注價(jià)值產(chǎn)出，圍繞價(jià)值的開(kāi)展工作。
如果說(shuō)前面??定義問(wèn)題是明確做什么，那在這一步就是要明確做到什么程度？
比如面對銷(xiāo)售額下降的問(wèn)(′_｀)題，做數據分析，最終是產(chǎn)出一份數據分析報告就好了，(′▽?zhuān)?)還是說(shuō)需要介入到測試實(shí)驗，給ヾ(′?｀)?出增長(cháng)策略？如果是后者，那對銷(xiāo)售額的提升幅度要提升多少才有價(jià)值？(??-)?是不痛不癢的1%還是要達到顯著(zhù)的10%？
如果不在價(jià)值層面做思考，并付諸價(jià)值落地的行動(dòng)，最后很容易產(chǎn)生“價(jià)值在哪”的靈魂拷問(wèn)，面臨被優(yōu)化的風(fēng)險。??
在業(yè)務(wù)理解階段，我們是站在業(yè)務(wù)層面與需求方溝通(′_｀)，但是(′?ω?`)數據分析的核心部分都是在數據層面進(jìn)行的。所以在正式開(kāi)始分析之前，我們需要把業(yè)務(wù)需求轉成數據需求，這個(gè)過(guò)程就是數據探索。
拿到業(yè)務(wù)需求時(shí)的定義問(wèn)題階段，需要數據的輔助：用數據透視業(yè)??務(wù)，判斷現狀與描述是否一致。比如，業(yè)務(wù)說(shuō)銷(xiāo)售額下降了需要分析，但是這個(gè)下降是和誰(shuí)比(??-)?？環(huán)比下降但是同比提升，同比下降，但是和競品相比是提升的。
這個(gè)步驟比較多的是使用探索性數據分析（Exploratory da??ta analysis），或者說(shuō)通過(guò)常(?????)(chang)見(jiàn)的統計指標來(lái)對數據??現狀(zhuang)進(jìn)行剖析。
如果說(shuō)第一步是在用數據驗證需求的有效性，那這一步則是真正把業(yè)務(wù)問(wèn)題轉為數據需求。
此外，還需要判斷數據質(zhì)量及能做的特征工程，比如某些字段缺失率太高，這會(huì )影響特征的構建。??
了解業(yè)務(wù)、明確數據需求后，就可以挑選合適的武器（分析方法、模型框架）上陣。
概括來(lái)說(shuō)，有四種分析方法：
指標的好壞、特征是否顯著(zhù)等都┐(′?｀)┌可以通過(guò)比較分析的方法來(lái)實(shí)現，比如常見(jiàn)的歸因業(yè)務(wù)場(chǎng)景，本質(zhì)就ヽ(′ー｀)ノ是??做比較，通過(guò)橫向、縱向的比較找出原因。
分析方(fang)法(′_ゝ`)：比如T檢驗、??方差分析、同比環(huán)比、同期群分析等
分析變量之間的相關(guān)性是重要的分析場(chǎng)景。比如業(yè)務(wù)中想知道提高廣告預算是否能、甚至是能提升多少的銷(xiāo)售業(yè)績(jì)？這樣的相關(guān)性分(fen)析或許能找到最優(yōu)投放ROI的配置方案。
分析方法：卡方、皮爾遜(Pearson)相關(guān)系數、斯皮爾曼(Spearman)相關(guān)系數、結構分析等
不論是對企業(yè)銷(xiāo)售的預測、還是對用戶(hù)行為的預測，都能幫助提升業(yè)務(wù)效率，比如常見(jiàn)的預測用戶(hù)流失(′▽?zhuān)?)分析，及時(shí)得到高概率流失的人群名單，運營(yíng)通過(guò)提前營(yíng)銷(xiāo)干預，提高用戶(hù)留存率；常見(jiàn)的銷(xiāo)售預測能幫助企業(yè)在供應鏈側做準備。這類(lèi)場(chǎng)景主要應用的是機器學(xué)習中的有監督分類(lèi)模型。
分析方法：線(xiàn)性/邏輯回歸、決策樹(shù)、時(shí)間序列分析、貝葉斯等；
分析方(fang)法：Kmeans???聚類(lèi)、DBScan聚類(lèi)等；
交付落地的最佳實(shí)踐是讓數據和分析從理論滲透到業(yè)務(wù)中，對流程進(jìn)行變革提效。
在交付給業(yè)務(wù)之前，需要先對給出的解決方案做有效性評估：
分析如果涉及模型的開(kāi)發(fā)使用ヾ(′?｀)?，需要通過(guò)AB測試，或者ROC等指標來(lái)證明模型在數據層面上的有效。在數據層面完成驗證后，回到業(yè)務(wù)分析需求，評估交付的(de)方案在業(yè)務(wù)層面上的有效落地。
數據分析是圍繞業(yè)務(wù)價(jià)值而展開(kāi)的，所以在最后的落地，也得就價(jià)值進(jìn)行討論，回答這個(gè)方案解決業(yè)務(wù)問(wèn)題??的途徑(′ω｀)和ヾ(′▽?zhuān)??程度：
A. 途徑是對流程的優(yōu)化（降本提效）還是對數據的優(yōu)化（數據體系效率、數(′?_?`)據質(zhì)量）？
B. 這方式能多大程度上幫助解決？比如對業(yè)務(wù)的提升是10%還??是30%？是對單次項目??的應用，還是說(shuō)可以部署到日常流程中，在更長(cháng)時(shí)間、更廣范圍內影響業(yè)務(wù)？
如何做到？講數據故事：起因(需求定義)、過(guò)程(分析邏輯)、結局(重要結論)是否引人入ヽ(′ー｀)ノ勝(??被認可)。
這個(gè)過(guò)程需要制作PPT向上匯報、與業(yè)務(wù)溝通，甚至是做跨部門(mén)的演講。
不論是業(yè)務(wù)模型還是算法模型，最終都有一個(gè)“靴子落地”的過(guò)程--落地實(shí)施。模型測試有效、與業(yè)務(wù)達成共識后就到了模型的部署上線(xiàn)階段：
接在分析生命周期最后的是(shi)分析產(chǎn)品的生命周期：以產(chǎn)品的思維看待數據分析，交付至業(yè)務(wù)落地的模型應用就是產(chǎn)品。數據分析這個(gè)過(guò)程并不是靜態(tài)(′ω｀*)、單次的，而是一個(gè)PDCA不斷迭代升級的過(guò)程。??（??這個(gè)分析產(chǎn)品的定義包括分析服務(wù)、(′ω｀)數據產(chǎn)品。）
從產(chǎn)品思維的角度，分析結論落地到業(yè)務(wù)流程中，對??流程進(jìn)行再造，提高運營(yíng)效率。
當數據分析流程成熟后，大量重復執行的流程可以抽取出( ?° ?? ?°)來(lái)，形成自動(dòng)化的產(chǎn)品，用于服務(wù)數據分析（主要對象為數據分析師，也包括運營(yíng)），這就是數據產(chǎn)品。分析師的結論模型就可ヽ(′?｀)ノ以部署到現有的數據產(chǎn)品中，優(yōu)化分析效率。
之所以要從產(chǎn)品思維的角度來(lái)看數據分析過(guò)程，是因為要像迭代產(chǎn)品那樣去迭代分析模型：不(′?｀)論是優(yōu)化算法參數，ヾ(′?｀)?還是調整分析框架，都能得(′ω｀)到更優(yōu)的結(′▽?zhuān)?)論。
在數據分析??生命周期第??一步的“理解業(yè)務(wù)”中，我們提到業(yè)務(wù)場(chǎng)景(???)的重要性。??
根據業(yè)務(wù)經(jīng)驗，筆者沉淀了一套便于理解的模型：業(yè)(′?_?`)務(wù)場(chǎng)景ヽ(′▽?zhuān)?ノ = 用戶(hù) × 產(chǎn)品 × 場(chǎng)景
也就是說(shuō)，要理解業(yè)務(wù)，??就要了解用戶(hù)，熟悉產(chǎn)品，明確分析所處的上下文場(chǎng)景。它們決定了分析的目標、處理邏輯以及落地建議。
對數據分(fen)析有了底層認知、了解業(yè)務(wù)場(chǎng)景后，就需要有看得見(jiàn)摸得著(zhù)的(de)“招式”來(lái)行動(dòng)：思維方法、工具技術(shù)和項目能力這三板斧能組成不同招式應對多變的問(wèn)題。
經(jīng)常(chang)看到有人說(shuō)數據分析如做飯，如果(guo)是這樣的話(huà)，在數據ヽ(′▽?zhuān)?ノ分析這個(gè)廚房里，工具技術(shù)就是鍋鏟、鐵鍋、勺子??等器皿，思維方法就是切(qie)配、烹飪、打荷等技藝手法，項目能力則是最后的裝盤(pán)上菜。
很多人學(xué)做ヽ(′ー｀)ノ飯，可能是因為在抖音或B站看到某個(gè)美食視頻，然后就開(kāi)始按照(′?｀)視頻步驟備料烹飪。這個(gè)過(guò)程，ヽ(′ー｀)ノ也就是數據分析中學(xué)習思維方法的過(guò)??程。數據分析也是先有思維方法，才能談得上是分析。
剛開(kāi)始學(xué)做飯時(shí)，通常先學(xué)基礎的煎、炒、炸、烤、煮、蒸、燜、拌烹飪方式。這些(xie)基礎的能力在數據分析中就是統計學(xué)、相關(guān)分析、歸因分析等(°o°)通用分析思維。
正如美食有八大菜系，分別滿(mǎn)足不同地域人群的口味，數據分析在(′；ω；`)不同場(chǎng)景下，也┐(′д｀)┌有不同的“分析”招式來(lái)滿(mǎn)足不同的業(yè)務(wù)需求：
習得了做飯的方法后，就可以選擇幾件趁手的器皿，來(lái)提高烹飪效率。
之所以不是先選擇器皿再研究做飯流程，是因為工具始終是工具，完成同一個(gè)目標或許有多種工具可以實(shí)現，再不濟我用原始(′；ω；`)的土灶也能燒飯。
不過(guò)對于部分復雜的烹飪需求，也是需要選擇特定的器皿才能完成??。
常見(jiàn)的工具技術(shù)及應用：
菜做好后一定要及時(shí)出鍋、裝盤(pán)、上菜，要不然再ヽ(′ー｀)ノ美味的菜肴也只是空中閣樓。
項目能(O_O)力強調的是數據分析項目的落地。理論的分析方法如何在業(yè)務(wù)場(chǎng)景中落地賦能，體現數據價(jià)值？這是很多企業(yè)數據團隊在討論的課題。
說(shuō)項目能力像是烹飪最后的上菜階段，其實(shí)不太嚴謹，因為落地能力是一種軟性的能力，貫穿分析項目的整個(gè)過(guò)程：
版權聲明：本文內容由互聯(lián)網(wǎng)用戶(hù)自發(fā)貢獻，該文觀(guān)點(diǎn)僅代表作者本人。本站僅提供信息存儲空間服務(wù)，不擁有所有權，不承擔相關(guān)法ヽ(′▽?zhuān)?ノ律責任。如發(fā)現本??站有涉嫌抄襲侵權/違法違規的內容， 請發(fā)送郵件至 [email protected] 舉報，一經(jīng)查實(shí)，本站將立刻刪除。
中文 
