给数据分析师的5点建议

数据分析师在做数据分析，应理性的看待数据。但是，很多数据分析师在做数据分析时，是以主观的思想去看，而非客观的去分析。下面给数据分析师提出5点建议

1.数据是有立场的，立场决定解读

数据对于业务来讲既是KPI的衡量标杆，又是业务的行动指南。有立场的数据直接影响数据解读，影响着业务的行动趋势。

举例：假如某次活动时网站的转化率是1.2%，要对此指标做数据分析。

数据分析的第一步是定性结果，1.2%的转化率是好还是坏？有比较才能区分好坏，如何比较呢？常用的比较分析方法有环比、占比、定基比、横向比、纵向比等，每一种对比方法又可以选择不同的时间进行对比，如昨日、上周今日、上月今日等。不同的比较方法、不同时间的对比结果可能存在差异甚至是截然相反。如何在符合统计学原理的基本前提下做结果定性呢？

假设第一步定性工作完成，该活动转化率是好的结果。下一步需要分析为什么好？到底是谁的“功劳”？电商网站做大型促销活动时存在一个普遍规律：只要价格足够低，无论用户体验多差、网站UI多烂、送货速度多慢、客服态度多差，这些都不会影响转化率。这意味着，无论企业营销、网站运营工作效果如何，只要能保证页面正常工作，所有节点的转化率结果都会特别好。此时，各个业务节点对转化率的影响各占多少权重？

假设数据分析师排除万难，通过复杂的模型算法计算出各个业务节点的贡献，作为数据分析师，如何跟领导汇报并解读各业务节点的真实贡献，是实话实说还是含糊其辞，甚至是颠倒是非？

2.数据质量永远是数据分析立项后首先要考虑的

做过大型或专项分析的分析师都有这样的经历：在经过预处理、模型建设、算法调优和分析报告之后，最后指出报告中的“亮点”——某个数据节点效果特别好，数据分析师可以考虑加大对其资源的投入。但业务方可能只需要一句话就能让数据分析师瞬间“石化”甚至消除存在感——那是我们和技术部门所做的测试数据。

导致上述问题出现的原因是数据分析师在得到数据后缺少一个重要步骤——数据质量验证。什么是数据质量验证？

理解数据来源、数据统计和收集逻辑，以及数据入库处理逻辑；

理解数据在数据仓库中存放的细节，包括字段类型、小数点位数、取值范围、规则约束等；

明确数据的取数逻辑，尤其是在过程中是否对数据有转换或重新定义；

第一时间对数据做数据审查，包括数据有效性验证、取值范围、空值和异常值验证，确定其是否与原始数据原则一致等。

完成这些工作之后才是数据分析。但可惜的是大多数数据分析师都不关注数据质量问题，甚至对数据的理解仅限于看到数据的字面意义。

3.缺乏落地的数据是没有价值的

无论数据分析的服务对象是具有决策权的领导层还是执行权的业务层，数据的价值永远都存在于辅助决策甚至是数据驱动中。但部分数据分析师的数据报告却让业务方觉得没有价值：

分析过程明显不符合业务操作的实际情况；

结论明显是错的；

建议方向性很对，但其实是人人都知道的大道理，具体执行缺乏落地点；

建议方向性很明确，也有具体的执行建议，但是业务不能执行。

在以上问题中，前两条问题的原因是数据分析的基本数据能力和业务基本常识不足，这是一定要避免的问题；而后两条问题更多是因信息不对称而引起的。从数据分析师的主观问题分析，根源可能有以下几方面的内容：

数据分析师不懂业务操作流程，凭自己的理解去猜测业务流程；

数据分析师不了解目前业务的困难点和紧迫点，想要驱动的是业务的“次要”关注点；

数据分析师不了解业务的实际能力与权限，尤其是公司大环境下的实施制约因素。

4.业务应用能力和工具应用能力都重要，不要迷信算法和模型

受制于教科书的普遍理论，以及企业对技术类岗位的普遍重视，很多数据分析师会过度关注算法和模型在数据分析过程中的作用。但其实在面向业务类的实际工作中，业务要的不是多少种算法或模型，而是要面对业务问题的解决方案。

举例：假如我们通过关联模型分析出不同商品间的交叉购买数据，分析师该如何解释结果？

如果分析师这样解释：A商品和B商品关联程度较高，从支持度、置信度和提升度来讲效果显著。由于对业务不理解也不愿意过多地理解复杂的算法、模型和指标的意义，因此可以预想到这个数据挖掘的结果很难落地，数据结果意义很小。

如果分析师这样解释：A商品和B商品关联程度较高，意味着用户通常会一起购买这两件商品。基于用户这种行为是否可以考虑这样应用，把这两件商品打包促销，当用户把A商品加入购物车时推荐B商品？在进行活动页面设计时是否可以将A/B品类、品牌做临近设计以激发用户关联购买的欲望？这才是业务想要的数据价值，无法与业务结合的数据模型只是一堆数字而已。

5.业务需求是数据分析的起点，但之前需要培养业务的数据意识

业务需求是数据分析的起点，很多时候数据分析师在“等”业务方提出需求，然后通过数据支撑业务方更好地开展工作。但实际情况却是业务方不需要数据，这种现象既可能是传统习惯造成的，也可能是公司文化影响的，甚至可能是个人因素导致的：

没有数据决策的意识。无论承认与否，大多数业务的第一行动引导因素还是业务经验，无论是基于事实的经验还是拍脑袋进行决策，数据不是行动前必须参考的因素，这是习惯使然。

不知道数据有什么用途。大多数传统业务尤其是线下企业，不了解数据能带来哪些价值；甚至很多时候对数据的认知缺乏明确的引导和告知，甚至很多时候数据的价值会被业务方认为是证明或验证自身设想正确与否的途径。

不相信数据。当面临数据结果与业务经验相冲突时，业务方的第一反应很可能是怀疑数据的正确性，他们更愿意相信自己的经验而非数据结论。

数据分析师不能要求业务方必须懂数据、理解数据，但是需要告诉业务方数据能解决什么问题、带来哪些改进与提升，如何帮助他们解决实际问题等数据价值告知业务，如何能用数据证明其提升价值会更有说服力。这样业务方才会相信数据的有效性、真实性、准确性。在业务方还没有具备数据意识之前，如何培养其数据意识呢？

持续沟通。每周至少1次、每次至少半个小时的专项沟通，一段时间之后业务方会形成一定的数据潜意识，在某些时候会想到数据可能会帮助他们解决一些问题。

价值导向。在与业务方沟通的过程中，强调和关注的重点不是数据本身，而是数据能给业务方带来哪些实际利益、实现哪些突破，尤其是帮助业务方解决最核心的关注点。

关注整体。数据不仅能在业务动作后进行效果评估，还能在业务执行前进行业务预测与计划、在业务执行过程中进行及时预警与数据监控，数据发挥作用的场景是完整的，防微杜渐比亡羊补牢更有效。