数据工作者数据之路：从洞察到行动

数据时代来临，人人都说大数据分析，可是说到未必做到，真正能从数据中获得洞察并指导行动的案例并不多见，数据分析更多的是停留在验证假设、监控效果的层面，通过数据分析获得洞察的很少，用分析直接指导行动的案例更是少之又少。

从洞察到行动，数据可以发挥更大价值，前提是我们对数据分析有更深层的认知。

分析的四个层次

个人理解，数据分析是分层次的，从开始数据分析到促成行动达成目标，需要经历很多阶段，从上至下对应的分析层次包括：表象层、本质层、抽象层和现实层。

表象层，就像汽车仪表盘，实时告诉你发生了什么，并适时做个警报提示等等，是what。分析师要做的事情就是搭建指标体系，进行各种维度的统计分析。

本质层，像诊断仪，不再停留在观察肉眼可见的表面症状，而是去检测身体内部的问题，这个层面要揭露现象背后的动因，找到规律，是why。主要做的事情就是进行个案分析获得需求动机层面的认知，然后对个体进行聚类获得全面的洞察。

抽象层，是特殊到一般的过程，对业务问题进行抽象，用模型去刻画业务问题，是how。这个层面做的事情就是把问题映射到模型，然后再用模型去做预测，减少不确定性。其产出主要是分类（标签）和排序（评分）。

现实层，是一般到特殊的过程，将抽象的模型套用到现实中来，告诉大家如何去行动，是when、where、who and whom。就像航标，要时刻为业务保驾护航，指导业务的行动。其产出主要是规则和短名单。

在明确分析的层次后，要想从洞察到行动，需要做到四个层次的穿透和每个层次的深入。首先，分析要能够穿透各个层次，只有上下贯通，数据分析的价值才能立竿见影。其次，在分析的每个层次上要做的深入。

一、在表象层，看数据要深入。主要体现在两个方面：

1. 从“点“到”线面体“，从看一个点的数据，到看线，看面，看体。

一般来讲，想看数据的人潜意识里是要成“体”的数据的，只是沟通过程中变成了“点”的需求，因为“点”简单容易讲明白，但是，这次给不了“体”的数据，下次还会围绕“体”的数据提各种“点”的需求，这个时候我们需要延伸一下，提前想需求方之所想，就不用来回往复了。

2. 关注数据之间的逻辑关系

这方面最值得借鉴的就是平衡计分卡了，平衡计分卡从数据指标的角度去看，就是一套带有因果关系的指标体系。

平衡计分卡通过Strategy Map把策略说清楚讲明白，通过KPI进行有效的衡量，被评价为“透视营运因果关系的绩效驱动器”（政大会计系教授 吴安妮），“将策略化为具体行动的翻译机”（台大会计系教授 杜荣瑞）。

平衡计分卡对我们的启发是，人人可以梳理出一套和自己业务相关的有逻辑关系的数据指标体系，通过它实现聚焦和协同。

二、在本质层，深入理解业务模式，并跳出既有的思维模式，建立新的心智模型。

比如我们看淘宝，淘宝业务的本质是什么呢？其中一个答案是复杂系统。

大家都知道，淘宝是一个生态系统，淘宝是一个典型的由买家、卖家、ISV、淘女郎等各种物种构成的复杂系统，阿里巴巴是一个更大的复杂系统。

复杂系统对我们的启发是，关注个体（系统内部买家卖家等参与者）的同时，注意分析个体在群体中位置和角色，分析群体的发展潜力、演化规律、竞争度、成熟度等，分析群体和群体之间关系。同时，对应的抽象层建模的方法也要与之适配。

三、在抽象层，微观上构建更加抽象的特征，宏观上构建更加抽象的模型。

1. 在既有的分析和挖掘框架下，构建更加抽象的特征（也可以理解成维度、指标）。

这个可以类比现在最火的Deep Learning技术，如果对一个图片进行识别，即使你获取的是像素信息，深度学习可以自动学习出像素背后的形状、物体的特征等中间知识，越上层的特征越接近真相。

1、对我们的启示就是，在交易笔数交易金额这种“像素级别”特征（指标）的基础上，可以考虑是否交易笔数连续上升、营销活动交易占比等带有业务含义，更加抽象同时接近业务的特征（指标）。用抽象的特征去建模可以提升模型的效果，用抽象的指标去分析可以更贴近业务需求。

2.宏观方面，可以用更加抽象的方式对业务进行建模

在前面提到淘宝是复杂系统，我们也可以对复杂系统进行建模。做些适当的简化，对淘宝做一个高度抽象，那就是一个字“网”。节点是买家、卖家等物种，边就是购买、收藏、喜欢等行为产生的关系。整个淘宝就是一张大网。

图注： 不同的颜色表示不同的细分互动市场，点代表的是店铺或者会员，连线表示会员是店铺的熟客，点的大小对店铺而言代表店铺的熟客数，对会员而言代表常购买的店铺数，越接近图的中心越表示大众化的需求，越接近图的边缘越体现需求的个性化。

建立这张大网之后，我们就可以做深入的分析，比如市场细分，个性化推荐等等。

四、在现实层，要深入到业务中去，不断提升对相关业务的认知能力。

心态上不要自我设限，分析无边界，分析师要主动参与到业务模式、产品形态的规划和设计去。要了解业务，在此基础上灵活运用模型的产出，比如：一个风险控制策略，假如已经有一个风险事件打分模型对风险事件打分排序，分析师可以根据业务需求灵活设计模型的使用策略，例如，对于风险得分最高的时间，机器自动隔离，风险得分偏高的，用机器+人工审核的半自动方式进行隔离。模型是死的，活用靠人。