数据分析师到底都在做些什么

我认为数据分析的基础是知有常无常，一般建议采取的措施是挑肥拣瘦，目标是以更少的成本获得同等收入，另外还有一点比较难得是识别机会。预测其实应该也算，但是预测大多牵扯到技术性多一点，这里只讲理念。

知有常无常，换句话说就是知道数据变化的时候，哪些是正常波动，哪些是非正常波动，趋势是怎样的。一般通过同比、环比等等，去判断是否处于可接受范围内的波动，如果是异常波动，则要判断异常波动的原因。一般异常波动的影响因素都是通过排除法查找，排除的项目是变动项目的影响因素，比如销售额=访客数*拍下率*拍下付款率*产品单价*单客件数，销售额变动就会从等号后面几个因素去找。再细分比如访客数下降，则要细分各访客来源数量上的变化，成交付款率往往是由顾客对产品满足需求程度以及产品（相对）价格的判定决定的，如果判断越明确，则这个值越大，价格较高会加重犹疑，但是有时候产品价格升高时拍下付款率升高，可能的原因是高价格对拍下阶段的顾客已经做了过滤，剩下的都是成交意愿较高的客户(这个是观察最近雾霾罗汉果购买的变化，应该是瞬时流量增长带来的相对不确定人群对拍下付款率的稀释)。拍下率一般与（相对）价格关联比较高，其他还有页面描述、活动、评价以及服务承诺之类，大量不精准流量会带来拍下率的下降，而不精准流量的剔除也会带来拍下率的升高，所以要具体分析判断。单客件数受活动刺激以及包邮比较厉害。好吧，扯远了。

知有常无常，有个“知”字，如何做到知呢？以前靠的是经验，即假定在相似情境下会产生类似的结果，或者事物按照相似的轨迹发展，人们会按照模糊的数据去断定未来，但是假定很多时候不成立，按照固有预期去走的人很多会失败。有数据，但是只是判断数据表面输入输出的关系去支持决策，其实跟经验没两样。我认为除了利用已有知识解释原因外，应该想办法对结果进行验证，因为解释很多时候都是基于常识的假设，未必正确，经过稳健的验证的知识进入“知”的范畴。凭空生出可靠地想法是比较难得，经常生出的就很牛叉，因为很能生啊。好吧，又扯远了，其实讲的就是解释未必对，应该经常针对现象提出解释，尽量对解释验证。

挑肥拣瘦，就是在资源有限的情况下，把资源投入有潜力或者块头大（潜在利润？份额大）的部分，而对潜力小或者肉薄的部分维持、削减设置剔掉。对有望长成大树的树苗多浇水上肥，直到他不怎么长，再选择其他合适树苗，对长不大的树放任不管甚至砍掉以免影响其他树的生长（阳光水肥的分配），大的树不会有大的生长，只是保持虫害的关注。其实还有个比喻，就是把浓的用水冲，直到平均溶度为止，再寻找下一个高浓度。对每一份的投入要考虑投入在各个部分产生的收益是否最大，从短期看如何，长期怎样？挑肥拣瘦，就是同等投入追求更高产出的过程。这一部分涉及到量化和度的问题。

识别机会就是比较创造性的活动了，一般人很难做到，因为出发点和受过的训练不一样，总之呢，是需要通过不断的商业训练以及知识补充完善决策的背景。

预测呢，很大程度上是量化哪个是肥的，哪个是瘦的，不扯。