社区编辑申请
注册/登录
生活中无处不在的数据分析
大数据 数据分析
我与一些身边的同事朋友交流,有些做运营的朋友猜测数据分析师会慢慢变成数据运营,产品的朋友也越发觉得不需要数据分析师,自己就能做很多报表和分析,要分析师干什么?!

关于数据分析的问题

很多时候,会被一些刚刚入门或者入门两三年的同学问:数据分析就是提数据吗?为什么我感觉我像个工具人一样天天写SQL做报表呢?!

每到这个时候,我就想起来了我入行的那个夏天,每天乐此不疲的跑着SQL。好像自己那会儿没有思考过这个问题,也没有怀疑过说数据分析师是不是就只干提数据跑SQL的活儿。

当然,这里说到这个问题,我其实是非常赞同大家去思考并发出这个疑问的。我在这些年的工作中不断的总结思考数据分析到底是做什么的,也非常的不赞同我们一直做这样的活儿。SQL boy,表哥表姐,数据工具人,数据清道夫。

那反过来问,你如何才能不做这样的活儿呢?我们不仅要提出问题,还需要养成思考问题答案的习惯。抱怨解决不了问题,不是吗?

首先我认为,作为一个入门的同学,日常工作偏工具人,是可以接受的。但是这个可接受的节点,是我们还不了解业务的时候。当我们了解业务之后,就不该再花大量的时间去做这样重复性高且价值不高的事情了。

这就要求我们,在做这种重复性的提数据的活儿的同时,不仅仅是为了满足业务方需求,更重要的是,我们还需要构建自己对业务的认知。我们需要了解到,业务在做什么,业务要解决什么问题,业务和业务之间的联系是什么。我们需要构建一个业务大图,填上不同的业务板块,填上业务板块之前的联系。当然,我们可以用纸画出来,也可以在脑海中构建。

在我们了解业务,构建了业务大图,对业务有了清晰认知之后,我们就算是完成了“始于业务的阶段”。这时候,我们应该主动去用发现那些业务中可以做的各路分支,就如同一棵树,有非常多的枝条,每一个业务上可以做的点,我们都可以看到,这时候,我们又需要结合业务的目标,以及我们的能力和兴趣,去找到某个点,分析思考该如何做,这时,我们就到了“高于业务”的阶段。最后,我们根据自己的分析思考,给出业务自己的落地建议,并将这个过程,通过一个通俗易懂的故事来告诉业务方去实施,我们才算是到了“反哺业务”的阶段。

可以看到,数据分析每个人都会经历三个阶段,始于业务,高于业务,反哺业务。

  • 在始于业务的阶段,我们确实是会做大量的提数据的工作,但是,要想从中解脱出来,我们还需要迈向下一个步骤。
  • 当然,迈向下一个步骤,我们可能还需要一点点经验沉淀,以及优化思考的sense。当然这其中需要很多的项目经验,还依赖于你对于自己经验的整理,并将这些经验抽象成可以复用的方法论。网上方法论一搜一大堆,但那些都属于知识,只有经过长期的练习和不断的实操,这些知识才能转化为技能。
  • 但我也想要说明一点,我们的“高于业务”,并不是说我们通过描述统计告诉业务是什么。就如同去面试一样,我们简历上就有自我介绍,为什么面试官还要我们自我介绍?!因为他想知道我们的观点!

这也是业务方看到数据最想知道的,你从这个数据中得出了什么观点。这个才是核心中的核心。这个观点可以不对,但一定要有自己对于数据的观点。因为随着这个习惯的养成,以及与业务方的不断磨合,我们才能提出对的观点,才能养成良好的数据敏感度。

生活中的分析

很多时候,我们在JD中都能发现数据分析的影子,比如招一个产品经理岗位要求会数据分析,招一个运营同学也需要会数据分析。看起来数据分析越发的变成了一种基础技能,而非一个具体的岗位。但是仍旧会有很多的公司在招数据分析师,增长分析师,战略分析师。

我与一些身边的同事朋友交流,有些做运营的朋友猜测数据分析师会慢慢变成数据运营,产品的朋友也越发觉得不需要数据分析师,自己就能做很多报表和分析,要分析师干什么?!

咱们先抛开这些观点不看,不管以后有没有数据分析这个岗位。我们先结合实际想想,在日常生活中,我们会遇到哪些问题可以利用数据分析的想法。

举几个小例子。

  • 为了“偷懒”,我们可以计算从出门到地铁,需要多少分钟,匹配一下,地铁的间隔时长及到站时间点,就可以更精确的到达地铁站,减少等待时间。
  • 为了“省钱”,我们会在点外卖时拼单,或者分成几份点。因为这样,我们可以更多的使用满减红包。
  • 为了“适配”,我们在找工作时,会考虑先要不加班,其次离家近,再其次有加班费之类的。

这些我们在生活中经常使用,不论是点外卖,找工作,还是赶地铁,都会算一算,哪种对自己更有利。但是反过来思考一个问题:为什么我们会这么做?

因为很多时候,我们认为这样能为我们生活带来一定的方便,可以得到一些附加利益。计算地铁间隔时间,我们可以在床上多睡几分钟;拼单点外卖,我们可以少花钱;找工作的适配,我们可以尽可能地找到“钱多事少离家近”的轻松活儿。而这些,都是实实在在能够落地的,为我们生活带来便利的小日常。

如果运用到实际业务中,我们站在用户角度,如何让用户体验到我们产品的价值呢?比如,为了帮用户“偷懒”,我们可以简化用户注册流程,做一个新手引导,降低用户第一次使用产品时的成本。为了让用户“省钱”,我们可以给用户推荐更适合他的内容,节省用户寻找成本。为了让用户“适配”,我们可以将内容标签化,供用户选择他更钟意的内容。

这些都是我们可以从生活中迁移到业务中的小事。但正是这些小事,构成了我们的生活,也构成了用户每一次使用产品的过程。精细化的理解和服务用户,才是提供更好的用户体验的基石。

所以,随着互联网的发展,后续还会不会有数据分析这个岗位,我认为并不重要。重要的是,分析其实并不局限于某个岗位,局限于某个特定的工作,分析可以融入生活,融入业务中的方方面面,只要我们去不断的拆分,站在用户的角度,总能找到可以优化的方向。成就用户,也成就我们自己。

关于分析的思考

上面我们说了,生活中有点点滴滴的分析例子,可以优化的点,业务同样。但是,上面的这些例子,都是比较皮毛的。我们如果再深入的思考一下,在生活中这些点点滴滴里,我们如何做的更好,为自己带来更多的便利呢?

延续上文的例子,如果我们想要在赶地铁时更节省时间,或者避免由于其他因素导致的问题,我们是不是还可以计算自己的速度,以及根据出门时间与地铁到达时间的间隔,判断自己需要走路还是跑步。

如果我们想要更便宜的外卖,是不是可以货比三家,查看同样的食物在每一个店铺中可能的便宜的金额,从而找到优惠最高的商家。

如果我们想要找到一个“钱多事少离家近”的工作,那么我们是不是可以先圈定一些公司范围,在这些公司范围中去筛选,我们可以去哪些公司面试,可以去哪些岗位工作,这样是不是就比无头苍蝇似的、撒网似的投简历更高效?!

业务同样,我们不仅要思考哪些点可以影响用户,为用户带来便利,还需要将这个点拆分为具体可以度量的因素。

  • 比如上文说到的简化注册流程,那么该简化注册流程中的哪些步骤;
  • 建立新手引导,那么新手引导具体由哪些引导构成,告诉用户的方法是什么;
  • 将内容标签化,那标签可以分为哪些类别,这些类别中由粗到细的粒度分别是什么,建立了标签后,如何给用户使用。

这些,就是拆分的过程,以及拆分后的实际落地。无论是对于业务同学,还是对于分析师来说,拆分和落地都十分重要。不要讲那些空泛的统计数字,我们需要理解数字中代表的含义是什么,以及数字由哪些变量构成,这些变量如何映射到业务中。

只有这样,拆分数字背后的业务,解读数字的含义,我们才能发现数字中可以优化的方向,和落地的方向。

总结来说,通过解读数字,我们可以得到怎样的结论,可以表达出怎样的观点,才是数字的意义。因为数字本身是没有意义的,只有落地到具体的业务场景,数字才具备了意义,业务才被数字所度量。

当然,这些拆分和落地,都需要不断的学习,沉淀,复盘。学习可以让我们了解具体的原理,让我们在做业务时有头绪;沉淀可以让我们在下次遇到同样的问题时,知道该怎么做;复盘可以让我们不断的总结自己的知识,优化提升抽象出自己的方法论,让我们对问题有一个通用的解决方案。

前期,我们可以多去学习,尝试使用一些成熟的方法论,比如5W2H,人货场,AARRR之类的。先学会用这些方法论,因为方法论结合到业务,也需要一个磨合和理解的过程。

中期,我们可以去学习了解一些底层的数学理论,比如一些常用的朴素贝叶斯,全概率公式,马尔可夫链,概率分布。因为5W2H,人货场,AARRR,告诉我们的是如何拆分一个业务场景,而这些底层数学原理,告诉了我们如何量化业务,以及如何优化业务。

最后,我们结合在工作中的项目经验,以及数学理论,拆分方法的落地过程,逐渐理解出自己对业务的理解,对分析的认知。这会儿,我们就可以算作有了一个通用的方法论雏形了。

后续,就是在不断的落地的过程中,去优化完善自己的方法论,最终达到“一招鲜,吃遍天”的理想状态(真的就是一个理想状态)。

就我自己对分析的理解,身边朋友的一句话我很赞同,“用数学逻辑串联业务,讲一个情景优化的故事”。我们不仅需要理解业务,还需要了解数学逻辑,还需要会讲故事。三者缺一不可,当然,这些我们都可以慢慢积累沉淀,有了方向,我们也知道了该往哪个方向学习了,不是吗?

在很多时候,我们不仅要知其然,还要知其所以然。套路你会用了,这OK,没问题,但是闲下来,希望你也能去思考一下,背后的原理,为什么这么做,才是最重要的。

希望大家以后无论做业务还是做分析,都能持续学习,在这条路上深耕并有所成就。我一直相信一句话:当一个流程的转化率没有到100%的时候,就还有提升的空间。希望你在做任何的过程中,这句话也能伴你左右,只要没到极致,就还能提升。

责任编辑:赵宁宁 来源: ITPUB
相关推荐

2022-08-05 11:29:06

数据分析考核政治

2022-06-15 15:34:12

数据分析分析模型误区

2022-04-12 13:44:19

数据分析算法人工智能

2022-04-19 08:00:00

数据分析数据科学大数据

2022-04-01 06:18:48

数据分析IT领导者

2022-03-15 12:27:57

数据分析工具技能

2022-04-12 15:09:27

数据安全电子邮件安全

2022-01-18 08:04:37

2020-03-04 17:03:10

数据分析思维说明

2021-11-11 11:27:55

2022-03-01 14:57:59

国家网信办算法规定

2019-10-14 15:57:36

数据分析多维度二八法

2020-02-27 16:32:55

企业监控数据

2019-11-11 22:42:51

数据分析企业管理数据

2017-04-13 12:59:43

数据分析

2021-03-15 08:25:49

数据分析互联网运营大数据

2013-01-06 11:01:59

大数据分析

2017-04-11 09:08:02

数据分析Python

2020-10-21 10:51:43

数据分析

2021-02-23 09:28:48

大数据数据分析

同话题下的热门内容

大数据分析技术和方法有哪些?节日消费数据不“杀熟”?大数据带你一起“解”七夕!五个方法,破解数据分析的核心难题聊聊数据分析的价值是什么?

编辑推荐

什么是数据分析的漏斗模型?数据分析师还吃香吗?用数据告诉你对比解读五种主流大数据架构的数据分析能力《狄仁杰之四大天王》影评分析(爬虫+词云+热力图)22个免费的数据可视化和分析工具推荐
我收藏的内容
点赞
收藏

AISummit人工智能大会