「過去」以往在增量時代，每天都有新的領(lǐng)域、新的市場被開發(fā)。尤其是在互聯(lián)網(wǎng)、電商等領(lǐng)域的紅利期，似乎只要做好單點的突破就能獲得市場。這個蠻荒時代，業(yè)務(wù)運營主要依靠是經(jīng)驗和直覺驅(qū)動。比如跨境電商領(lǐng)域初期，憑借世界工廠平臺的優(yōu)勢，國內(nèi)廠家似乎只需基于經(jīng)驗選品即可大賣。 「現(xiàn)在」但是隨著規(guī)則的成熟，更多玩家的進入，市場從藍(lán)海變?yōu)榧t海，進入到存量期，僅靠經(jīng)驗驅(qū)動的增長模式不再有效。還是拿跨境電商舉例，由于賣家的劇增，海外市場的飽和，跨境電商就進入存量運營時代，已經(jīng)不存在絕對的藍(lán)海市場，每個細(xì)分領(lǐng)域都有許多競爭對手。此時，要求商家從粗放運營轉(zhuǎn)為精細(xì)化運營，也就是用數(shù)據(jù)分析報告決定市場是否值得投入，用數(shù)據(jù)選品，用數(shù)據(jù)做經(jīng)營分析，用數(shù)據(jù)庫存管理。 當(dāng)然，不是說純定量的數(shù)據(jù)分析決定了一切，經(jīng)驗就不重要了。而是說在決策的過程中，數(shù)據(jù)結(jié)論占據(jù)的比例與以往相比更大，同時業(yè)務(wù)經(jīng)驗也是必不可少的部分。 「未來」互聯(lián)網(wǎng)逐漸成為“傳統(tǒng)行業(yè)”的未來，人工智能、元宇宙等由數(shù)據(jù)驅(qū)動的行業(yè)越來越依賴數(shù)據(jù)分析。 還有眾多制造業(yè)亟待數(shù)字化轉(zhuǎn)型，以期在全球供應(yīng)鏈中提高制造環(huán)節(jié)的附加值。也就是說，在未來，數(shù)據(jù)驅(qū)動業(yè)務(wù)將更頻繁。 數(shù)據(jù)分析的底層邏輯 數(shù)據(jù)分析的本質(zhì)是「沙盤演練」：戰(zhàn)場上，指揮員們在指揮部的地形模型前「推演」敵我雙方的趨勢確定作戰(zhàn)方案；商場上，管理層通過數(shù)據(jù)間的運算關(guān)系「推斷」運營的發(fā)展進而做決策。 基于這樣的定義可以知道數(shù)據(jù)分析的目的是為了做對當(dāng)下運營發(fā)展有利的決策，那它是如何做到的呢？為了解答這個問題，可以從前面的定義中引申出幾個關(guān)鍵概念：數(shù)據(jù)，運算關(guān)系，推斷，決策。 什么是數(shù)據(jù)？ 最通用的理解，數(shù)據(jù)是被存儲起來的信息。從應(yīng)用的角度，數(shù)據(jù)是把事物做量化處理的工具，萬物皆可數(shù)據(jù)化：數(shù)值數(shù)字是數(shù)據(jù)，文本、圖像、視頻等同樣都是數(shù)據(jù)。 按字段類型劃分，可以把數(shù)據(jù)分為： 文本類：常用于描述性字段，如姓名、地址、備注等 數(shù)值類：最為常見，用于描述量化屬性，如成交金額、商品數(shù)量等 時間類：僅用于描述時間發(fā)生的時間，是重要的分析維度（如同比、環(huán)比、累計等） 按結(jié)構(gòu)劃分，可以把數(shù)據(jù)分為： 結(jié)構(gòu)化數(shù)據(jù)：通常指關(guān)系數(shù)據(jù)庫方式記錄的數(shù)據(jù) 半結(jié)構(gòu)化數(shù)據(jù)：如日志、網(wǎng)頁數(shù)據(jù) 非結(jié)構(gòu)化數(shù)據(jù)：指語音、圖片、視頻等形式的數(shù)據(jù)  根據(jù)數(shù)據(jù)連續(xù)的屬性不同，還可以分為： 連續(xù)型數(shù)據(jù)：在任意區(qū)間可以無限取值，比如年齡、身高 離散型數(shù)據(jù)：常見的分類數(shù)據(jù)，比如性別、年級 數(shù)據(jù)間的「運算關(guān)系」 孤立的數(shù)據(jù)往往沒有參考價值，比如量化一個人，身高是180cm，并不能意味什么。比如網(wǎng)易云音樂的用戶，每個用戶的年齡是數(shù)據(jù)，對使用產(chǎn)品的人群年齡進行分段比如18-24歲，該年齡段人數(shù)占比的指標(biāo)對網(wǎng)易云音樂來說才有價值。從數(shù)據(jù)到指標(biāo)的計算過程，就是數(shù)據(jù)間的「運算關(guān)系」，也叫「指標(biāo)」。 指標(biāo)的作用在于「度量」業(yè)務(wù)的發(fā)展： 比如用戶指標(biāo)，度量用戶業(yè)務(wù)的發(fā)展，用戶數(shù) 比如產(chǎn)品指標(biāo)，度量產(chǎn)品業(yè)務(wù)的發(fā)展， 比如經(jīng)營指標(biāo)，度量業(yè)務(wù)的發(fā)展，銷售額、毛利率、ROI等 這些指標(biāo)（點）通過一定的結(jié)構(gòu)可以編織而成指標(biāo)體系（線、面）衡量局部、甚至是全局的業(yè)務(wù)。 「推斷」業(yè)務(wù)的發(fā)展 「沙盤演練」中，指揮員通過軍事沙盤上的地形，及敵我雙方的工事、兵力部署、火器配置等情況，分析敵情，制定作戰(zhàn)方案。數(shù)據(jù)把現(xiàn)實中的運營抽象到數(shù)字世界中，通過指標(biāo)體系，應(yīng)用各種分析方法（業(yè)務(wù)分析、產(chǎn)品分析、用戶分析、經(jīng)營分析......），幫助經(jīng)營做決策。 如何做決策？ 趙括熟讀兵書，卻不能活用，淪為紙上談兵的笑話。所以獲得分析能力后，不能照本宣科，要結(jié)合實際業(yè)務(wù)場景做決策。 數(shù)據(jù)分析落地涉及流程創(chuàng)新、變革管理，用新的思維解決業(yè)務(wù)問題。 但這個過程并不是強迫變革，需要借助對業(yè)務(wù)的理解及軟性的能力來使分析平滑落地。 如何開始？ 站在“前人”的肩膀上，可以走得更遠(yuǎn)。餅干哥哥根據(jù)多年數(shù)據(jù)分析工作經(jīng)驗沉淀出了數(shù)據(jù)分析師能力模型，跟著它“按圖索驥”，補充自身缺失的能力，最終形成獨立、落地的數(shù)據(jù)分析能力。 數(shù)據(jù)分析師能力模型 完整的數(shù)據(jù)分析師能力體系應(yīng)該包括底層認(rèn)知、業(yè)務(wù)場景及能力三板斧。 底層認(rèn)知 在建立數(shù)據(jù)分析思維之前，應(yīng)該先在底層認(rèn)知達成共識。什么是認(rèn)知？是對事物底層邏輯的了解，是對世界萬物的判斷，認(rèn)知的本質(zhì)就是做決定。 也就是說，為了幫助數(shù)據(jù)分析中每個決策的有效性（選擇什么指標(biāo)、分析方法？接下來做什么？等等），需要先建立底層認(rèn)知。 這一步，我們需要去明確數(shù)據(jù)分析的定義：數(shù)據(jù)分析是什么？目的/產(chǎn)出？分析流程？ 數(shù)據(jù)分析是什么 同學(xué)們在求職過程中會發(fā)現(xiàn)，同樣是數(shù)據(jù)分析師崗位，但是面試的內(nèi)容千差萬別，有考察機器學(xué)習(xí)、統(tǒng)計學(xué)等專業(yè)能力的，也有考察市場/行業(yè)分析的，還有考察產(chǎn)品分析的。此時就有同學(xué)問，這些真的是數(shù)據(jù)分析該做的嗎？ 我們從字面上拆解，數(shù)據(jù)分析 = 數(shù)據(jù)×分析，進一步拆： 數(shù)據(jù)能力 = 統(tǒng)計學(xué) ∪ 機器學(xué)習(xí) ∪ 建模能力 ∪ 工具使用 ∪ ... 分析能力 = 經(jīng)營分析 ∪ 用戶分析 ∪ 產(chǎn)品分析 ∪ ... 這就是認(rèn)知上的偏差：當(dāng)一些同學(xué)認(rèn)為數(shù)據(jù)分析就是用Excel做表、python寫腳本、機器學(xué)習(xí)建模時（其實這些只是組成數(shù)據(jù)分析能力的一部分），求職市場對數(shù)據(jù)分析師的要求更為完整。 回過頭來看，數(shù)據(jù)分析到底是什么？筆者認(rèn)為，數(shù)據(jù)分析是一個過程，是利用數(shù)據(jù)能力做分析的過程：從發(fā)現(xiàn)問題、分析原因，到落地建議；這還是一個“解構(gòu)”的過程：從整體拆到局部，從一般到特殊，從面到線到點，不斷下鉆剖析，找到具體可落地的點。 數(shù)據(jù)分析產(chǎn)出是什么？ 了解完什么是數(shù)據(jù)分析后，深入思考一個問題：這個過程的最終產(chǎn)出的交付物是什么？ 要回答這個問題，我們需要回到數(shù)據(jù)分析的本質(zhì)：解決業(yè)務(wù)問題。 也就是回到業(yè)務(wù)層面的需求是什么，才能決定最后落地交付物： 1. 解決問題 最常見的數(shù)據(jù)分析場景，就是業(yè)務(wù)發(fā)現(xiàn)銷售額下降、用戶流失、產(chǎn)品跳失率高，也就是業(yè)務(wù)層面出現(xiàn)了一個問題待解決，此時需要數(shù)據(jù)分析師介入幫助從數(shù)據(jù)層面挖掘原因、給出解決建議。 分析過程可能是做一些探索性數(shù)據(jù)分析、統(tǒng)計分析、機器學(xué)習(xí)建模，甚至是做AB測試實驗，最終交付分析報告，或者模型部署上線。 2. 理解現(xiàn)象 有時業(yè)務(wù)可能并不存在確切的“問題”，更多旨在通過加深對現(xiàn)有場景的理解，來提高現(xiàn)有業(yè)務(wù)模型、策略的效果；比如，現(xiàn)在業(yè)務(wù)使用的是客單價平均值將客戶分為高、低兩個人群進行營銷，此時數(shù)據(jù)分析師通過對消費者的洞察分析，給予更精準(zhǔn)的人群劃分方案：利用客單價分位數(shù)，將客戶分為三個人群，這樣業(yè)務(wù)利用更新后的策略進行營銷設(shè)計，提高轉(zhuǎn)化效果。 分析過程可能是做相關(guān)分析、回歸分析，甚至是無監(jiān)督的聚類，來對現(xiàn)狀進行解釋。 3. 支持診斷 按照需求的時效性，可以把業(yè)務(wù)需求分為臨時需求和常規(guī)需求，而前面兩者屬于業(yè)務(wù)的臨時需求，或者說是專項分析需求。對于常規(guī)需求，主要旨在提高業(yè)務(wù)流程的效率，比如對于電商運營中的商品庫存管理業(yè)務(wù)，運營需要及時查詢庫存情況，并結(jié)合銷售趨勢對低庫存量的商品進行補單；此時，數(shù)據(jù)分析師可以通過交付“低庫存預(yù)警報表”來幫助優(yōu)化該流程效率。 支持診斷的內(nèi)容主要集中在自動化的報表，甚至是商業(yè)智能（BI）體系的搭建。 4. 探索發(fā)現(xiàn) 如果說前面是基于已知模式的分析，那么業(yè)務(wù)中還存在一種需求，就是對未知的探索。最為典型的場景則是對市場、對消費者的洞察后，給出品牌及業(yè)務(wù)增長的策略。 分析過程更多是基于行業(yè)、基于市場，使用如PEST、SWOT、波特五力等商業(yè)分析模型。 分析生命周期 至此，我們知道了數(shù)據(jù)分析是什么，以及最終的產(chǎn)出交付物，那這個過程如何實現(xiàn)的呢？從落地的角度來看，數(shù)據(jù)分析是一個從發(fā)散到收斂的過程：業(yè)務(wù)理解-數(shù)據(jù)探索-分析模型-落地交付-產(chǎn)品生命周期 業(yè)務(wù)理解 數(shù)據(jù)分析是從業(yè)務(wù)到數(shù)據(jù)再回到業(yè)務(wù)的過程，所以理解業(yè)務(wù)是數(shù)據(jù)分析的起點。 1. 業(yè)務(wù)場景 “無場景不分析”、“脫離業(yè)務(wù)場景的分析都是耍流氓”等資深數(shù)據(jù)分析師的建議無不說明業(yè)務(wù)場景的重要性。數(shù)據(jù)分析能力模型中的業(yè)務(wù)場景模型：用戶-產(chǎn)品-場景，就是為了幫助讀者理解業(yè)務(wù)場景而設(shè)計的，在這里不贅述。 2. 問題定義 不知道讀者有沒這樣的體驗？就是領(lǐng)導(dǎo)交代任務(wù)給你，或者是朋友有求于你時，執(zhí)行力強的人很快就完成了任務(wù)請求，但是最后卻被告知這結(jié)果并不是對方想要的？這種情況很常發(fā)生在初入數(shù)據(jù)分析崗位的新同學(xué)身上，原因歸根結(jié)底就是沒有做好問題定義！ 在理解了需求所處的業(yè)務(wù)場景后，可以借助邏輯樹工具來對問題進行拆解，拆解的過程盡量要遵循MECE、“相互獨立,完全窮盡”的金字塔原理。 3. 預(yù)期價值 其實，很多企業(yè)都在討論數(shù)據(jù)分析師的價值在哪？從這一現(xiàn)象可以看出數(shù)據(jù)分析師需要時刻關(guān)注價值產(chǎn)出，圍繞價值的開展工作。 如果說前面定義問題是明確做什么，那在這一步就是要明確做到什么程度？ 比如面對銷售額下降的問題，做數(shù)據(jù)分析，最終是產(chǎn)出一份數(shù)據(jù)分析報告就好了，還是說需要介入到測試實驗，給出增長策略？如果是后者，那對銷售額的提升幅度要提升多少才有價值？是不痛不癢的1%還是要達到顯著的10%？ 如果不在價值層面做思考，并付諸價值落地的行動，最后很容易產(chǎn)生“價值在哪”的靈魂拷問，面臨被優(yōu)化的風(fēng)險。 數(shù)據(jù)探索 在業(yè)務(wù)理解階段，我們是站在業(yè)務(wù)層面與需求方溝通，但是數(shù)據(jù)分析的核心部分都是在數(shù)據(jù)層面進行的。所以在正式開始分析之前，我們需要把業(yè)務(wù)需求轉(zhuǎn)成數(shù)據(jù)需求，這個過程就是數(shù)據(jù)探索。 1. 數(shù)據(jù)初探與探索性驗證 拿到業(yè)務(wù)需求時的定義問題階段，需要數(shù)據(jù)的輔助：用數(shù)據(jù)透視業(yè)務(wù)，判斷現(xiàn)狀與描述是否一致。比如，業(yè)務(wù)說銷售額下降了需要分析，但是這個下降是和誰比？環(huán)比下降但是同比提升，同比下降，但是和競品相比是提升的。 這個步驟比較多的是使用探索性數(shù)據(jù)分析（Exploratory data analysis），或者說通過常見的統(tǒng)計指標(biāo)來對數(shù)據(jù)現(xiàn)狀進行剖析。 2. 數(shù)據(jù)需求 如果說第一步是在用數(shù)據(jù)驗證需求的有效性，那這一步則是真正把業(yè)務(wù)問題轉(zhuǎn)為數(shù)據(jù)需求。 此外，還需要判斷數(shù)據(jù)質(zhì)量及能做的特征工程，比如某些字段缺失率太高，這會影響特征的構(gòu)建。 分析模型 了解業(yè)務(wù)、明確數(shù)據(jù)需求后，就可以挑選合適的武器（分析方法、模型框架）上陣。 概括來說，有四種分析方法： 1. 比較分析 指標(biāo)的好壞、特征是否顯著等都可以通過比較分析的方法來實現(xiàn)，比如常見的歸因業(yè)務(wù)場景，本質(zhì)就是做比較，通過橫向、縱向的比較找出原因。 分析方法：比如T檢驗、方差分析、同比環(huán)比、同期群分析等 2. 相關(guān)分析 分析變量之間的相關(guān)性是重要的分析場景。比如業(yè)務(wù)中想知道提高廣告預(yù)算是否能、甚至是能提升多少的銷售業(yè)績？這樣的相關(guān)性分析或許能找到最優(yōu)投放ROI的配置方案。 分析方法：卡方、皮爾遜(Pearson)相關(guān)系數(shù)、斯皮爾曼(Spearman)相關(guān)系數(shù)、結(jié)構(gòu)分析等 3. 預(yù)測（有監(jiān)督） 不論是對企業(yè)銷售的預(yù)測、還是對用戶行為的預(yù)測，都能幫助提升業(yè)務(wù)效率，比如常見的預(yù)測用戶流失分析，及時得到高概率流失的人群名單，運營通過提前營銷干預(yù)，提高用戶留存率；常見的銷售預(yù)測能幫助企業(yè)在供應(yīng)鏈側(cè)做準(zhǔn)備。這類場景主要應(yīng)用的是機器學(xué)習(xí)中的有監(jiān)督分類模型。 分析方法：線性/邏輯回歸、決策樹、時間序列分析、貝葉斯等； 4. 發(fā)現(xiàn)（無監(jiān)督） 前面三種都是基于企業(yè)已知模式的分析邏輯，還有一種分析方法——無監(jiān)督的機器學(xué)習(xí)模型，可以應(yīng)對未知模式的分析。比如不知道應(yīng)該把現(xiàn)有人群分成多少個組來進行營銷最合適，就可以對人群基于核心特征做無監(jiān)督的聚類分析，得出有效分組的界限。 分析方法：Kmeans聚類、DBScan聚類等； 交付落地 交付落地的最佳實踐是讓數(shù)據(jù)和分析從理論滲透到業(yè)務(wù)中，對流程進行變革提效。 1. 方案評估 在交付給業(yè)務(wù)之前，需要先對給出的解決方案做有效性評估： 模型驗證與落地評價 分析如果涉及模型的開發(fā)使用，需要通過AB測試，或者ROC等指標(biāo)來證明模型在數(shù)據(jù)層面上的有效。在數(shù)據(jù)層面完成驗證后，回到業(yè)務(wù)分析需求，評估交付的方案在業(yè)務(wù)層面上的有效落地。 影響預(yù)估 數(shù)據(jù)分析是圍繞業(yè)務(wù)價值而展開的，所以在最后的落地，也得就價值進行討論，回答這個方案解決業(yè)務(wù)問題的途徑和程度： A. 途徑是對流程的優(yōu)化（降本提效）還是對數(shù)據(jù)的優(yōu)化（數(shù)據(jù)體系效率、數(shù)據(jù)質(zhì)量）？ B. 這方式能多大程度上幫助解決？比如對業(yè)務(wù)的提升是10%還是30%？是對單次項目的應(yīng)用，還是說可以部署到日常流程中，在更長時間、更廣范圍內(nèi)影響業(yè)務(wù)？ C. 此外，要實現(xiàn)這樣的效果，需要投入的資源是什么 2. 講故事 分析項目的落地需要多方參與，即使是業(yè)務(wù)能力豐富的分析師，由于流程邊界的存在也不可能每步都參與執(zhí)行。因此，確保項目能否有效落地的一個重要因素則是能否和業(yè)務(wù)達成共識。 如何做到？講數(shù)據(jù)故事：起因(需求定義)、過程(分析邏輯)、結(jié)局(重要結(jié)論)是否引人入勝(被認(rèn)可)。 這個過程需要制作PPT向上匯報、與業(yè)務(wù)溝通，甚至是做跨部門的演講。 3. 模型實施 不論是業(yè)務(wù)模型還是算法模型，最終都有一個“靴子落地”的過程--落地實施。模型測試有效、與業(yè)務(wù)達成共識后就到了模型的部署上線階段： 對于業(yè)務(wù)模型，如RFM，則是部署到業(yè)務(wù)流程中，應(yīng)用在會員管理、活動營銷等環(huán)節(jié) 對于算法模型，如推薦算法，則是部署到產(chǎn)品功能上線，可以以內(nèi)置算法、REST接口等形式落地 產(chǎn)品生命周期 接在分析生命周期最后的是分析產(chǎn)品的生命周期：以產(chǎn)品的思維看待數(shù)據(jù)分析，交付至業(yè)務(wù)落地的模型應(yīng)用就是產(chǎn)品。數(shù)據(jù)分析這個過程并不是靜態(tài)、單次的，而是一個PDCA不斷迭代升級的過程。（這個分析產(chǎn)品的定義包括分析服務(wù)、數(shù)據(jù)產(chǎn)品。） 1. 流程再造 從產(chǎn)品思維的角度，分析結(jié)論落地到業(yè)務(wù)流程中，對流程進行再造，提高運營效率。 2. 數(shù)據(jù)產(chǎn)品 當(dāng)數(shù)據(jù)分析流程成熟后，大量重復(fù)執(zhí)行的流程可以抽取出來，形成自動化的產(chǎn)品，用于服務(wù)數(shù)據(jù)分析（主要對象為數(shù)據(jù)分析師，也包括運營），這就是數(shù)據(jù)產(chǎn)品。分析師的結(jié)論模型就可以部署到現(xiàn)有的數(shù)據(jù)產(chǎn)品中，優(yōu)化分析效率。 3. 持續(xù)改進 之所以要從產(chǎn)品思維的角度來看數(shù)據(jù)分析過程，是因為要像迭代產(chǎn)品那樣去迭代分析模型：不論是優(yōu)化算法參數(shù)，還是調(diào)整分析框架，都能得到更優(yōu)的結(jié)論。 業(yè)務(wù)場景 在數(shù)據(jù)分析生命周期第一步的“理解業(yè)務(wù)”中，我們提到業(yè)務(wù)場景的重要性。 根據(jù)業(yè)務(wù)經(jīng)驗，筆者沉淀了一套便于理解的模型：業(yè)務(wù)場景 = 用戶 × 產(chǎn)品 × 場景 也就是說，要理解業(yè)務(wù)，就要了解用戶，熟悉產(chǎn)品，明確分析所處的上下文場景。它們決定了分析的目標(biāo)、處理邏輯以及落地建議。 更詳細(xì)的討論見：回歸到營銷理論，談?wù)劦降资裁词菢I(yè)務(wù)場景？ 能力三板斧 對數(shù)據(jù)分析有了底層認(rèn)知、了解業(yè)務(wù)場景后，就需要有看得見摸得著的“招式”來行動：思維方法、工具技術(shù)和項目能力這三板斧能組成不同招式應(yīng)對多變的問題。 經(jīng)常看到有人說數(shù)據(jù)分析如做飯，如果是這樣的話，在數(shù)據(jù)分析這個廚房里，工具技術(shù)就是鍋鏟、鐵鍋、勺子等器皿，思維方法就是切配、烹飪、打荷等技藝手法，項目能力則是最后的裝盤上菜。 思維方法 很多人學(xué)做飯，可能是因為在抖音或B站看到某個美食視頻，然后就開始按照視頻步驟備料烹飪。這個過程，也就是數(shù)據(jù)分析中學(xué)習(xí)思維方法的過程。數(shù)據(jù)分析也是先有思維方法，才能談得上是分析。 剛開始學(xué)做飯時，通常先學(xué)基礎(chǔ)的煎、炒、炸、烤、煮、蒸、燜、拌烹飪方式。這些基礎(chǔ)的能力在數(shù)據(jù)分析中就是統(tǒng)計學(xué)、相關(guān)分析、歸因分析等通用分析思維。 正如美食有八大菜系，分別滿足不同地域人群的口味，數(shù)據(jù)分析在不同場景下，也有不同的“分析”招式來滿足不同的業(yè)務(wù)需求： 用戶分析：同期群分析、漏斗分析、RFM用戶分層模型等 產(chǎn)品分析：競品分析、帕累托分析等 商業(yè)分析：PEST分析、SWOT分析等 ... 工具技術(shù) 習(xí)得了做飯的方法后，就可以選擇幾件趁手的器皿，來提高烹飪效率。 之所以不是先選擇器皿再研究做飯流程，是因為工具始終是工具，完成同一個目標(biāo)或許有多種工具可以實現(xiàn)，再不濟我用原始的土灶也能燒飯。 不過對于部分復(fù)雜的烹飪需求，也是需要選擇特定的器皿才能完成。