關于數據分析的問題

很多時候，會被一些剛剛入門或者入門兩三年的同學問：數據分析就是提數據嗎？為什么我感覺我像個工具人一樣天天寫SQL做報表呢？！

每到這個時候，我就想起來了我入行的那個夏天，每天樂此不疲的跑著SQL。好像自己那會兒沒有思考過這個問題，也沒有懷疑過說數據分析師是不是就只干提數據跑SQL的活兒。

當然，這里說到這個問題，我其實是非常贊同大家去思考并發出這個疑問的。我在這些年的工作中不斷的總結思考數據分析到底是做什么的，也非常的不贊同我們一直做這樣的活兒。SQL boy，表哥表姐，數據工具人，數據清道夫。

那反過來問，你如何才能不做這樣的活兒呢?我們不僅要提出問題，還需要養成思考問題答案的習慣。抱怨解決不了問題，不是嗎？

首先我認為，作為一個入門的同學，日常工作偏工具人，是可以接受的。但是這個可接受的節點，是我們還不了解業務的時候。當我們了解業務之后，就不該再花大量的時間去做這樣重復性高且價值不高的事情了。

這就要求我們，在做這種重復性的提數據的活兒的同時，不僅僅是為了滿足業務方需求，更重要的是，我們還需要構建自己對業務的認知。我們需要了解到，業務在做什么，業務要解決什么問題，業務和業務之間的聯系是什么。我們需要構建一個業務大圖，填上不同的業務板塊，填上業務板塊之前的聯系。當然，我們可以用紙畫出來，也可以在腦海中構建。

在我們了解業務，構建了業務大圖，對業務有了清晰認知之后，我們就算是完成了“始于業務的階段”。這時候，我們應該主動去用發現那些業務中可以做的各路分支，就如同一棵樹，有非常多的枝條，每一個業務上可以做的點，我們都可以看到，這時候，我們又需要結合業務的目標，以及我們的能力和興趣，去找到某個點，分析思考該如何做，這時，我們就到了“高于業務”的階段。最后，我們根據自己的分析思考，給出業務自己的落地建議，并將這個過程，通過一個通俗易懂的故事來告訴業務方去實施，我們才算是到了“反哺業務”的階段。

可以看到，數據分析每個人都會經歷三個階段，始于業務，高于業務，反哺業務。

• 在始于業務的階段，我們確實是會做大量的提數據的工作，但是，要想從中解脫出來，我們還需要邁向下一個步驟。
• 當然，邁向下一個步驟，我們可能還需要一點點經驗沉淀，以及優化思考的sense。當然這其中需要很多的項目經驗，還依賴于你對于自己經驗的整理，并將這些經驗抽象成可以復用的方法論。網上方法論一搜一大堆，但那些都屬于知識，只有經過長期的練習和不斷的實操，這些知識才能轉化為技能。
• 但我也想要說明一點，我們的“高于業務”，并不是說我們通過描述統計告訴業務是什么。就如同去面試一樣，我們簡歷上就有自我介紹，為什么面試官還要我們自我介紹？！因為他想知道我們的觀點！

這也是業務方看到數據最想知道的，你從這個數據中得出了什么觀點。這個才是核心中的核心。這個觀點可以不對，但一定要有自己對于數據的觀點。因為隨著這個習慣的養成，以及與業務方的不斷磨合，我們才能提出對的觀點，才能養成良好的數據敏感度。

生活中的分析

很多時候，我們在JD中都能發現數據分析的影子，比如招一個產品經理崗位要求會數據分析，招一個運營同學也需要會數據分析。看起來數據分析越發的變成了一種基礎技能，而非一個具體的崗位。但是仍舊會有很多的公司在招數據分析師，增長分析師，戰略分析師。

我與一些身邊的同事朋友交流，有些做運營的朋友猜測數據分析師會慢慢變成數據運營，產品的朋友也越發覺得不需要數據分析師，自己就能做很多報表和分析，要分析師干什么？！

咱們先拋開這些觀點不看，不管以后有沒有數據分析這個崗位。我們先結合實際想想，在日常生活中，我們會遇到哪些問題可以利用數據分析的想法。

舉幾個小例子。

• 為了“偷懶”，我們可以計算從出門到地鐵，需要多少分鐘，匹配一下，地鐵的間隔時長及到站時間點，就可以更精確的到達地鐵站，減少等待時間。
• 為了“省錢”，我們會在點外賣時拼單，或者分成幾份點。因為這樣，我們可以更多的使用滿減紅包。
• 為了“適配”，我們在找工作時，會考慮先要不加班，其次離家近，再其次有加班費之類的。

這些我們在生活中經常使用，不論是點外賣，找工作，還是趕地鐵，都會算一算，哪種對自己更有利。但是反過來思考一個問題：為什么我們會這么做？

因為很多時候，我們認為這樣能為我們生活帶來一定的方便，可以得到一些附加利益。計算地鐵間隔時間，我們可以在床上多睡幾分鐘;拼單點外賣，我們可以少花錢;找工作的適配，我們可以盡可能地找到“錢多事少離家近”的輕松活兒。而這些，都是實實在在能夠落地的，為我們生活帶來便利的小日常。

如果運用到實際業務中，我們站在用戶角度，如何讓用戶體驗到我們產品的價值呢?比如，為了幫用戶“偷懶”，我們可以簡化用戶注冊流程，做一個新手引導，降低用戶第一次使用產品時的成本。為了讓用戶“省錢”，我們可以給用戶推薦更適合他的內容，節省用戶尋找成本。為了讓用戶“適配”，我們可以將內容標簽化，供用戶選擇他更鐘意的內容。

這些都是我們可以從生活中遷移到業務中的小事。但正是這些小事，構成了我們的生活，也構成了用戶每一次使用產品的過程。精細化的理解和服務用戶，才是提供更好的用戶體驗的基石。

所以，隨著互聯網的發展，后續還會不會有數據分析這個崗位，我認為并不重要。重要的是，分析其實并不局限于某個崗位，局限于某個特定的工作，分析可以融入生活，融入業務中的方方面面，只要我們去不斷的拆分，站在用戶的角度，總能找到可以優化的方向。成就用戶，也成就我們自己。

關于分析的思考

上面我們說了，生活中有點點滴滴的分析例子，可以優化的點，業務同樣。但是，上面的這些例子，都是比較皮毛的。我們如果再深入的思考一下，在生活中這些點點滴滴里，我們如何做的更好，為自己帶來更多的便利呢？

延續上文的例子，如果我們想要在趕地鐵時更節省時間，或者避免由于其他因素導致的問題，我們是不是還可以計算自己的速度，以及根據出門時間與地鐵到達時間的間隔，判斷自己需要走路還是跑步。

如果我們想要更便宜的外賣，是不是可以貨比三家，查看同樣的食物在每一個店鋪中可能的便宜的金額，從而找到優惠最高的商家。

如果我們想要找到一個“錢多事少離家近”的工作，那么我們是不是可以先圈定一些公司范圍，在這些公司范圍中去篩選，我們可以去哪些公司面試，可以去哪些崗位工作，這樣是不是就比無頭蒼蠅似的、撒網似的投簡歷更高效？！

業務同樣，我們不僅要思考哪些點可以影響用戶，為用戶帶來便利，還需要將這個點拆分為具體可以度量的因素。

• 比如上文說到的簡化注冊流程，那么該簡化注冊流程中的哪些步驟;
• 建立新手引導，那么新手引導具體由哪些引導構成，告訴用戶的方法是什么;
• 將內容標簽化，那標簽可以分為哪些類別，這些類別中由粗到細的粒度分別是什么，建立了標簽后，如何給用戶使用。

這些，就是拆分的過程，以及拆分后的實際落地。無論是對于業務同學，還是對于分析師來說，拆分和落地都十分重要。不要講那些空泛的統計數字，我們需要理解數字中代表的含義是什么，以及數字由哪些變量構成，這些變量如何映射到業務中。

只有這樣，拆分數字背后的業務，解讀數字的含義，我們才能發現數字中可以優化的方向，和落地的方向。

總結來說，通過解讀數字，我們可以得到怎樣的結論，可以表達出怎樣的觀點，才是數字的意義。因為數字本身是沒有意義的，只有落地到具體的業務場景，數字才具備了意義，業務才被數字所度量。

當然，這些拆分和落地，都需要不斷的學習，沉淀，復盤。學習可以讓我們了解具體的原理，讓我們在做業務時有頭緒；沉淀可以讓我們在下次遇到同樣的問題時，知道該怎么做；復盤可以讓我們不斷的總結自己的知識，優化提升抽象出自己的方法論，讓我們對問題有一個通用的解決方案。

前期，我們可以多去學習，嘗試使用一些成熟的方法論，比如5W2H，人貨場，AARRR之類的。先學會用這些方法論，因為方法論結合到業務，也需要一個磨合和理解的過程。

中期，我們可以去學習了解一些底層的數學理論，比如一些常用的樸素貝葉斯，全概率公式，馬爾可夫鏈，概率分布。因為5W2H，人貨場，AARRR，告訴我們的是如何拆分一個業務場景，而這些底層數學原理，告訴了我們如何量化業務，以及如何優化業務。

最后，我們結合在工作中的項目經驗，以及數學理論，拆分方法的落地過程，逐漸理解出自己對業務的理解，對分析的認知。這會兒，我們就可以算作有了一個通用的方法論雛形了。

后續，就是在不斷的落地的過程中，去優化完善自己的方法論，最終達到“一招鮮，吃遍天”的理想狀態(真的就是一個理想狀態)。

就我自己對分析的理解，身邊朋友的一句話我很贊同，“用數學邏輯串聯業務，講一個情景優化的故事”。我們不僅需要理解業務，還需要了解數學邏輯，還需要會講故事。三者缺一不可，當然，這些我們都可以慢慢積累沉淀，有了方向，我們也知道了該往哪個方向學習了，不是嗎？

在很多時候，我們不僅要知其然，還要知其所以然。套路你會用了，這OK，沒問題，但是閑下來，希望你也能去思考一下，背后的原理，為什么這么做，才是最重要的。

希望大家以后無論做業務還是做分析，都能持續學習，在這條路上深耕并有所成就。我一直相信一句話：當一個流程的轉化率沒有到100%的時候，就還有提升的空間。希望你在做任何的過程中，這句話也能伴你左右，只要沒到極致，就還能提升。