五步走,做一个优秀的数据分析项目

大数据 数据分析
大量的业务不是科学问题,而是实操问题。O2O平台如何管理商户,新媒体平台如何发展本地客户,直播电商怎么选款等等问题,都得把数据知识和实际业务结合,才能输出结论。

经常有同学问:“到底怎样才算一个优秀的数据分析项目?”“我平时干的都很简单,算不算项目?”今天系统跟大家讲解一下。

首先大家要明白,并不是所有的项目,都需要找一个万人大会堂,拉着横幅,董事长总经理轮流上台鸣锣开道的。只要满足“在特定时间、特定条件下有具体产出的”都是项目。因此,做项目的关键,不是图个名号,而是有具体的产出。

有了具体产品的产出,KPI/OKR文档好交差;领导对你满意度提升;升职考评的时候有更多资本;跳槽也有更多可以写简历的东西。这才是我们要争取的。而所谓“优秀”的项目,指的是这个具体产出,能让领导和业务部门认可。让大家觉得对自己有帮助,而不是听到个数据,再吐槽一句“我早知道了……”

那么,第一步该从哪里开始呢?既然终极目标是“让业务觉得有用”,自然应该从认识服务对象,清晰对方需求开始。拒绝闭门造车

一、认识服务对象

做项目,最重要的当然是搞清楚目标;搞清楚目标,第一步当然是搞清楚为谁服务。这是数据分析新手与老鸟之间的最大差异。

往往没入行的小白,满脑子都是“模板、模型、公式”。以为只要对着模板copy一份就算是完成工作了。刚入行的菜鸟们喜欢笼统地说:业务。可业务并不是一个孤零零的、独立的个人。业务两个字背后,是非常具体的、复杂的含义(如下图所示)。

图片

具体问题具体分析,是数据分析的最基础要求,也是做好项目的第一步。因为这五大要素和它们的具体形态,决定了我们的数据分析可以做到什么程度,应该做成什么样子,做成什么样才能满足需求。具体的关系,如下图所示:

图片

理清具体问题非常重要。过去我们常说传统企业如何如何,互联网企业如何如何,在渠道融合发展的今天,实际上二者之间边界越来越模糊。如果不具体分析,往往会闹出很多笑话。

比如:

  • 曾是toC互联网企业,现在要发力toB,完全不知道怎么和客户打交道;
  • 名为互联网产品,可服务对象是实体老板,销售还在用最原始的电话外呼;
  • 名为互联网行业,可运作的仍是实体产品,进销存量收利一样都不差;
  • 名为新零售,可数据采集一塌糊涂,连传统连锁店都比不上;
  • 名为传统企业,可在做数字化转型,玩的是分销、裂变; 

以上种种复杂场景,不是大喊一句“我是互联网AARRR思维”就能搞掂的。指望套模板结局就是死翘翘。况且经过这几年的历练,很多运营、产品经理、策划都学会了基础数据分析概念,这时候还抱着充满“SOWT、PEST、5w2h”一类空洞口号ppt模板,数据分析师就等着下岗吧。具体问题、具体分析,怎么强调都不为过。

并且,了解清楚状况,对于下一步把握战机非常重要。如果凡事都等着业务找上门来才干,那就跟叼飞盘的汪汪没啥区别了(业务提一个假设,数据验证一个假设,宛如一只叼飞盘的汪汪)。自己对形势有判断,才好主动发现机会。

二、找到发力时机

数据分析项目,最大的敌人是:日常工作。所以,并不是所有事情都适合立项目来做。时机非常重要。

往往我们要挑业务部门的以下时机入手:

  • 想做创新
  • 想改良现状
  • 新工作两眼一抹黑
  • 遭遇问题不知所措
  • 三板斧砍完不见效

在这些战机时刻,抛出系统的解决方案,一鼓作气独立把问题解决掉(如下图所示):

图片

三、确认项目需求

找好发力时机以后,与具体业务方谈妥,准备动身开工。在开工前一定要确认好项目需求,具体来说就是项目铁三角:

图片

这里有三点要注意:

1、数字、模型、报告本身不是产出。业务从不了解情况到了解,从没有办法到有办法,从不知道怎么选到知道怎么选,从没有准备到一二三级预案,这才是产出。所以不要脱离问题就数论数。从数字里推出结论。

2、时间千万别忘了。时间紧,尽量快速出结论;时间宽,就要分步骤输出,企业不是学校留大半年给你慢慢憋论文。

3、有多大锅下多少米。如果数据质量差、人手不足、缺乏分析经验,就沉住气一步步做,不指望一次解决所有问题。

这三点对于项目成果至关重要,过往历史中有太多数据分析师沉迷于折腾“科学方法”,忽视了项目管理,忽视了时间-投入,结果画的饼大,煎的饼小,最后灰溜溜收场。

这里要还要注意工作方式。确认需求,不是让你直接问业务:“你们想分析点啥”。这种问法太被动,又回到叼飞盘老路上。而且往往业务会回答的你摸不着脑袋。

比如:

  • 你帮我想个办法呗(找你要执行方案)
  • 一定是对手/天气/运气……(企图甩锅)
  • 我想分析用户心智资源(压根没数据)
  • 只要有人工智能用户就会买单(方法不切实际)

所以,靠谱的做法,是一步步梳理需求,引导到数据分析可以解决的问题上,正本清源,客观解决问题(如下图)。具体引导方法有很多细节可以讲,稍后我们结合具体案例,详细的说。

图片

四、开展分析工作

做完需求,后续就是正式工作。具体内容和分析议题有关,这里不展开讲。如果前期梳理清楚,中间过程自然顺利。这里只强调一点:数据分析工作切记憋大招。憋得越久,人们对你期望值就越高,最后失望就越严重。因此,只要项目工资超过1周,就得有周汇报,通知大家进度;时间超过1个月,一定要有月总结,拿中间过程和大家碰一下。

特别特别是用到算法的项目,往往一听到算法业务部门都以为是神兵下凡,所到之处必然望风披靡。所以,算法项目死于业务期望值过高的例子,特别特别多。过程中,具体的算法过程不用向业务汇报,但是遭遇的困难和期望输出的结论,要经常保持沟通,适当控制业务期望,避免最后一刻才发现货不对板,最后身败名裂。

五、工作汇报

这里不展开说了,陈老师更新过一个数据分析报告系列连载,大家可以关注公众号在菜单栏参阅。总之,汇报的时候,要考虑目标听众的身份、目的、结合项目目标做个性化汇报。这样才能取得好效果(如下图)。

图片

基于听众的思考,使得即使同样的数据,同样的结论,也能有不同的表达形式,最后抓住听众眼球,让大家感兴趣,给项目完美收工。

图片

小结

纵观整个过程,我们能看到,做好项目的过程,就是把数据方法应用于企业实践的过程。数据本身有统计学、数学、编程、数据库等专业知识,但其中相当部分(比如数仓、ETL)是为保障数据本身的正常运行;相当部分(比如语义判断、图像识别)是用于工业应用,不用考虑业务理解和配合;相当部分(比如统计学)适用于科学实验、农林牧鱼研究。

大量的业务不是科学问题,而是实操问题。O2O平台如何管理商户,新媒体平台如何发展本地客户,直播电商怎么选款等等问题,都得把数据知识和实际业务结合,才能输出结论。

更不用说,相当多的问题,都夹杂了办公室政治。特别是数据分析项目,经常涉及对业务表现的评价,涉及分析到底哪里没做好,更容易引发部门间骂战。

责任编辑:武晓燕 来源: 接地气的陈老师
相关推荐

2022-09-29 11:35:34

数据分析体系

2022-12-14 14:13:01

数据分析项目

2022-11-28 11:43:24

数据分析不及格数据验证

2015-10-13 10:45:58

数据分析

2014-01-26 14:24:25

开源项目

2023-06-07 12:30:28

数据分析项目

2017-06-03 15:43:54

数据项目框架

2023-09-26 12:32:21

数据分析领导数据

2011-05-19 13:25:15

MySQL数据库优化

2019-08-22 09:08:53

大数据HadoopStorm

2017-01-22 20:30:41

2020-07-07 12:06:58

大数据数据分析工具

2010-08-31 09:59:20

2023-08-25 16:33:10

2023-05-12 11:49:46

2013-01-14 09:51:56

架构设计前端重构工程师

2018-06-23 07:53:31

大数据分析框架数据

2020-05-26 10:56:49

数据分析大数据数据

2023-07-13 12:21:18

2015-07-03 11:27:30

程序员自己神器
点赞
收藏

51CTO技术栈公众号