京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代下的第三方数据公司和甲方公司的差异
现在是一个大数据时代,人人嘴边都挂着数据创造价值、数据挖掘等一些热词。各公司内部也逐渐认识到数据的重要性,纷纷成立数据部门,期待数据可以真正的为业务服务。另外,也有一些专做数据服务的第三方公司不断涌现,希望能够帮助产生数据的甲方分担数据分析的担子,挖掘出更多有价值的规律,帮助甲方不断改进业务水平、不断发现业务中存在的问题。从这个角度来讲,甲方公司与第三方数据服务公司的初衷是一致的。
那么到底在第三方公司做数据服务和甲方公司做数据服务有没有哪些不同呢?今天马海祥结合最近几年第三方公司到甲方公司做数据的经历,对二者做数据方面的差异进行了一个简单的总结:
1、追求不同
第三方公司与甲方公司关于数据服务的合作模式大致有这样几种:
(1)、长期监测流量数据——定期提供日报、周报、月报;
(2)、临时项目——接到甲方公司的需求,发起项目,在规定的项目周期内,以报告的形式总结项目研究成果。
无论哪种合作方式,马海祥觉得第三方分析人员在分析的过程中,总是孤独的、总是更依赖数据的。因为不在所分析的环境之内,不知道运营最近在做什么,不知道产品有什么样的计划,一句话:不知道对方关注的点到底在哪里。
甲方公司内部做数据,其实合作方式也同上面列的两种差不多。只是细节配合上有所不同:
(1)、研究前会详细了解项目的背景及产品或运营人员的困惑;
(2)、研究中遇到数据上无法解释的问题,可以随时找到相关的人员反馈情况。和业务同事一起分析数据异常的原因。
(3)、研究后会汇报整个研究成果、和业务同事讨论下一步的改进策略及方案、约定下一次的研究时间点。
所以说,受到条件所限,尽管初衷与甲方公司是一致的,但是由于无法深入接触业务,因此对于最终的目标只能停留在完成一份严谨、专业的数据分析报告上。至于后续,甲方公司如何使用这份报告,如何改进业务、是否改进业务等一系列后续的工作都不得而知。因此,第三方公司的成果产出总是不能在整个业务链条上形成一个闭环。
但是,马海祥觉得这个也的确是无法避免的一个事情。相信目前大多数公司,尤其是中国的大部分公司,对公司内部数据的私密性还是比较看重,对于第三方公司的态度不会是完全开放的。因此,双方的配合也仅限于比较浅层的合作。第三方公司想要真正走完业务闭环,从现阶段来讲是完全不可能的。
久而久之,第三方的数据分析人员也就习惯了把制作一份精良的报告作为最终的目标。
2、展现形式不同
对于第三方公司与甲方公司的合作方式,项目的价值就体现在报告上,因此报告的制作既要美观又要让人感到“物超所值”。只有几页的PPT是绝不能作为最后的产出成果的。如果能在研究时,通过建立某个复杂的模型,来辅助说明研究成果就会显得更有价值。
而在甲方公司内部,大家都迫切的想知道,看到这个研究成果我到底能做什么。如果这个模型复杂到产品人员都看不懂,或不知所措,那也是没有意义的。反而是针对某个具体问题的研究,哪怕只有几页纸,几个数据,也会令产品人员很兴奋。
比如,偶尔从数据上看到一些现象或问题,此时做一个简单的整理,打印出几页纸就可以去和产品、运营的同学去聊了。去看看业务一线的同事是如何看待这一现象的,是不是有一些重要的运营策略影响了某些数据结果,造成数据结果异常,而并非真正出现了问题。如果没有其他异常因素的影响依旧出现了这个现象,那么我们下面真的要立项去花时间找到问题的原因了。
3、对行业标准的把握不同
第三方数据公司由于服务行业内的多家公司,因此会将同行业公司的相同业务模块放在一起,出一个行业标准。在不透露客户商业机密的情况下,为客户提供行业标准数据。使各家都可以清楚的了解其在行业中的地位,了解哪些数据表面上看起来很好看,但是与行业标准对比,其实情况并不乐观。我想,这也是第三方数据公司的最大价值所在。
但是,现状是中国的互联网行业,大家对数据还是守得很紧,不愿意过多的让第三方介入。这造成的结果就是,大家都没有一个行业标准。数据结果的好坏就只能依靠经验了。对此,大家可以看下我曾在马海祥博客发布的《如何做好一个产品的市场调研和数据分析》文章。
4、成就感体现不同
第三方数据公司,核心业务就是对数据进行采集、分析,因此负责产出数据报告的数据分析人员,相比之下,工作成果很容易被大家看到。因此,也很受到公司的重视。
而在甲方公司,数据服务是一个职能线,是为产品和运营人员服务的。或许工作价值的体现只有在完整走完业务链条后才能够体现出来。即便走完整个业务链条,又如何评估数据在整个过程中的作用,也是一个艰难的工作。但是,作为一个数据分析人员,能够看到自己的分析,帮助产品或运营发现了问题,使产品体验或运营机制得到了改善,这种成就感还是会使分析人员振奋的,还是会兴致勃勃的冲向下一个项目。
记得我刚从第三方公司进入新的企业公司做第一个项目的时候,项目汇报当天得到了产品人员的肯定。我当时非常高兴,感到工作得到了认可。以为产品同事都认可了,肯定领导也会觉得还不错吧。但是,结果却是完全相反的。主管对于我没有任何下一步结果追踪计划感到很不解,从我们严肃的谈话中我深切的体会到,在甲方公司数据真的是为产品改进或运营服务的。如果你的发现仅停留在问题的总结和整理上,那工作基本上只做了50分。相当于,医生只为病人拍了x光,之后就对病人置之不理了。
综上所述,这两种数据分析工作的差异,给我的体会是:数据分析重点不在数据,而在于如何能够真正的解决实际的问题。数据分析师的终极价值不是会使用多少种统计工具,能挖掘出多少个数据模型,而是真正的懂业务。看到数据结果能够知道哪些业务出现了问题,而看到业务问题又可以清楚的知道通过分析哪些数据能够获知问题的原因。当然,如果从大的方面来讲,各公司都能够愿意与第三方公司合作,通过第三方公司把行业标准建立起来,那将会使数据最终发挥更大的价值。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化时代,用户的每一次操作——无论是电商平台的“浏览-加购-下单”、APP的“登录-点击-留存”,还是金融产品的“注册-实名 ...
2026-01-13在数据驱动决策的时代,“数据质量决定分析价值”已成为行业共识。数据库、日志系统、第三方平台等渠道采集的原始数据,往往存在 ...
2026-01-13在CDA(Certified Data Analyst)数据分析师的核心能力体系中,“通过数据建立模型、实现预测与归因”是进阶关键——比如“预测 ...
2026-01-13在企业数字化转型过程中,业务模型与数据模型是两大核心支撑体系:业务模型承载“业务应该如何运转”的逻辑,数据模型解决“数据 ...
2026-01-12当前手游市场进入存量竞争时代,“拉新难、留存更难”成为行业普遍痛点。对于手游产品而言,用户留存率不仅直接决定产品的生命周 ...
2026-01-12在CDA(Certified Data Analyst)数据分析师的日常工作中,“挖掘变量间的关联关系”是高频核心需求——比如判断“用户停留时长 ...
2026-01-12在存量竞争时代,用户流失率直接影响企业的营收与市场竞争力。无论是电商、互联网服务还是金融行业,提前精准预测潜在流失用户, ...
2026-01-09在量化投资领域,多因子选股是主流的选股策略之一——其核心逻辑是通过挖掘影响股票未来收益的各类因子(如估值、成长、盈利、流 ...
2026-01-09在CDA(Certified Data Analyst)数据分析师的工作场景中,分类型变量的关联分析是高频需求——例如“用户性别与商品偏好是否相 ...
2026-01-09数据库中的历史数据,是企业运营过程中沉淀的核心资产——包含用户行为轨迹、业务交易记录、产品迭代日志、市场活动效果等多维度 ...
2026-01-08在电商行业竞争日趋激烈的当下,数据已成为驱动业务增长的核心引擎。电商公司的数据分析师,不仅是数据的“解读官”,更是业务的 ...
2026-01-08在数据驱动决策的链路中,统计制图是CDA(Certified Data Analyst)数据分析师将抽象数据转化为直观洞察的关键载体。不同于普通 ...
2026-01-08在主成分分析(PCA)的学习与实践中,“主成分载荷矩阵”和“成分矩阵”是两个高频出现但极易混淆的核心概念。两者均是主成分分 ...
2026-01-07在教学管理、学生成绩分析场景中,成绩分布图是直观呈现成绩分布规律的核心工具——通过图表能快速看出成绩集中区间、高分/低分 ...
2026-01-07在数据分析师的工作闭环中,数据探索与统计分析是连接原始数据与业务洞察的关键环节。CDA(Certified Data Analyst)作为具备专 ...
2026-01-07在数据处理与可视化场景中,将Python分析后的结果导出为Excel文件是高频需求。而通过设置单元格颜色,能让Excel中的数据更具层次 ...
2026-01-06在企业运营、业务监控、数据分析等场景中,指标波动是常态——无论是日营收的突然下滑、用户活跃度的骤升,还是产品故障率的异常 ...
2026-01-06在数据驱动的建模与分析场景中,“数据决定上限,特征决定下限”已成为行业共识。原始数据经过采集、清洗后,往往难以直接支撑模 ...
2026-01-06在Python文件操作场景中,批量处理文件、遍历目录树是高频需求——无论是统计某文件夹下的文件数量、筛选特定类型文件,还是批量 ...
2026-01-05在神经网络模型训练过程中,开发者最担心的问题之一,莫过于“训练误差突然增大”——前几轮还平稳下降的损失值(Loss),突然在 ...
2026-01-05