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
在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21