營銷轉數據，兩年半到P7，我都做了哪些事兒？

01-25

緣起

標題含義：傳統行業的三年管培後，2014.12轉型做數據，先後經歷艾瑞、攜程，於2017.9入職eleme的新零售事業的P7數據分析師。從當初的降薪轉型到現在的P7職位（待遇接近阿里P7），希望把自己的經歷寫出來，記錄思考過程，也供大家參考。

為什麼要從別人的經歷裡面學習：有沒有發現智慧著作很多是偉人言行和經歷的記錄？《論語》是記錄孔子及其弟子言行的書，佛學中的「經」都是記錄釋迦牟尼故事和言行的書（除了《六祖壇經》是記錄慧能的言行），《窮查理寶典》是記錄查理芒格的言行的書，以及很多名人傳記。代入場景來體會他們的所思所想，從言行中來體驗/總結智慧/規律，再用於自己的現實問題。我把自己的經歷寫出來，希望就這個場景（零經驗轉行數據）下的問題，提出我的方案和結果。

誰也不能教會誰任何東西。

--美國教育家. 卡爾.羅傑斯

後發優劣：我的經歷是「零經驗轉行數據」的一個非常有力的實證，當能看懂我做的事情以及各階段的想法，重新走這條路的時候，你應該比我進步快很多（後發優勢），兩年或者一年半到P7。但就像美國教育家卡爾羅傑斯所說「誰也不能教會誰任何東西」，這些東西如果理解之後不去使用，我多說無益，你理解並做了多少才是你自己的。

與艾瑞結緣

當初懷著不做一眼能看到20年後樣子的技術性工作，從上海交大雙控研究生畢業之後進入一家民營企業，輪崗於戰略/品牌/渠道管理，發現這樣的生活不是我所想要的，偶然的機會接觸數據，從本來沒有價值的數據裡面找到些價值（find value out of nowhere），於是開啟了「數據自由之路」。

第一份數據工作在艾瑞諮詢，因為前同事的引薦而獲得面試機會，面試官正好也是從業務轉型數據，他希望我能夠帶來一些業務導向的數據思維，接受我降薪進入。（對於我第一次轉型，只會用excel來處理分區域分產品的銷售數據，而後一年我開始在工作中學習sql / python / tableau / omniture等工具。所以我直到現在都認為，工具是最容易學習的，最重要的是你對數據的興趣和理想/信念帶來的堅持不懈。

艾瑞的工作內容：

傳統行業的營銷/廣告投放策略：比如傳統品牌方A有一筆廣告預算，拿出B%給艾瑞做諮詢，了解目標用戶在電商下單之前的行為特徵，哪些環節可以明顯影響用戶的購買行為？是電商加車的側邊低價，還是垂直內容網站的軟文？通過全網用戶行為路徑分析、商品交叉關聯分析、用戶畫像、廣告價值分析、搜索關鍵字分析、轉化漏斗分析等等來推薦廣告投放策略，最終用戶可能花費50%的預算來達到之前100%的投放效果，因為精準地理解用戶。
網站數據分析服務：利用 omniture 或 GA 給用戶提供網站分析解決方案，從埋點方案設計、觀測指標選取、報表設計搭建以及後續問題定位及處理的全套服務。
報表整合服務：主要基於tableau/永洪的報表工具，對於甲方（主要是集團客戶）散落各處的數據進行整理並做可視化展現，不同層級的查看許可權管理等。

在艾瑞的工具使用：

sqlserver：數據的存放、提取與分析工具，主要在項目中使用，同時涉及存儲過程。
python：用於網頁爬蟲和解析，分詞的處理等。
Tableau：報表整合服務。
Omniture：網站在線分析工具。

（相關文章，請參考：《月薪20K的數據分析師都在做什麼？》）

艾瑞的工作收穫：一年時間，主要是通過項目來磨練工具使用熟練度，對於數據分析有初步的認識；但是從數據分析解決問題的角度來講，基於乙方提出解決方案，可能很難測量落地後的效果及反饋改進，缺少驗證導致繼續進步找不到方向。所以希望進入一家甲方公司，來實際見證數據到底對產品迭代能夠產生多大的作用？到底能從數據中賺多少錢？有數據和沒有數據有什麼區別？

思考如何做好數據分析師：在這期間，我一直探索如何成為合格的數據分析師的方法，偶然發現拉勾網的JD可以用來找到端倪、解決一系列問題，比如區分初級和高級的數據分析師的標準是什麼？工作年限和薪資的關係是什麼？基於這樣的困惑，我索性把拉勾的「數據分析」相關信息都爬取下來，寫成文章在知乎上分享給同樣思考的人，案例有力地證明了我主動用數據解決問題的意識。

（相關文章，請參考：《從拉勾網看數據分析師如何變得值錢？》）

加入攜程

如願進入攜程機票產品部做數據分析工作：

我本著見證數據推動產品迭代的目的進入攜程機票，但當時狀況是前台產品部門對於數據的認可非常低。因為各種原因，導致數據的獲取效率低下，從各個渠道拿到同維度指標結果不一致，大家寧願拍腦袋做決定。我入職後第一件事，驗證各個來源，包括不同部門寫的在不同平台上（sqlserver/hive）的sql，我都會跑一遍，找到數據差異的原因。

先將信任感建立在我個人身上，只要是我出具的結果，我能告訴你為什麼這個數據跟其他人給你的不一致，為什麼我取的數據更貼近業務邏輯。再通過對我的信任轉移到對數據的信任，開展針對PM的培訓，包含對報表/指標的理解和使用、ABTest的分析常用方法、SQL語法以及報表製作，讓他們建立數據的自信以及提升數據的使用效率。有效幫助PM實現提出假設、驗證假設的分析閉環。

（這段經歷，請參考2016年總結：《給30個PM拉了一年Sql，我學到了什麼？》）

常規業務分析的瓶頸：

2017上半年，我發現日常的數據分析對產品迭代的必要性，但這適合產品經理來做。因為在提出假設和驗證假設的兩步驟分析中，提出假設是關鍵，而sql只是驗證假設的很小的一步（是一個工具），提出假設是基於業務意識和數據意識基礎上的綜合實力。我在2016年補足了PM的sql技能之後，完成他們的分析閉環，使其勝任日常的分析工作。

我認為，被動接受需求並沒有完全發揮數據分析師的能量，主動從數據中找出可以迭代的方向，才是數據分析師真正的價值。經過半年的整體梳理及不斷breakdown，發生的幾個案例讓我明白，能把推動產品迭代這件事情做絕的人，不是具備產品意識的數據分析師，而是具備數據意識的產品經理，因為這件事情最重要是用戶心理的把握、交互的理解，以及對整個流程的把控等PM的核心領域。

（關於這段經歷，請參考《當談到攜程機票產品經理的數據意識，我們在談什麼？》）

攜手eleme

我現在傳統的業務分析上瓶頸非常明顯，希望藉助演算法來突破。在業務規則限制較少的場景下藉助演算法來探索解決問題的方法。經過雙向選擇後，我加入餓了么新零售的數據分析團隊，在多sku多用戶的場景下去解決複雜的業務問題。

（關於offer獲取，請參考《P7數據分析的offer，你準備好了嗎？》）

業務分析轉型演算法的考量：

feature特徵工程：找feature的過程，演算法的一個非常重要的部分是找feature以及特徵工程。很像業務分析中的發現問題來找原因，比如說最近CR的下降，從節假日因素、PPC投放因素、發布日期因素等等排查；而我們做二分類預測的時候，也是根據這些因素（feature）來判斷，只不過人腦可能只會同時納入3-4個因素來計算影響，而機器可以同時N個因素考慮。
工業領域應用的演算法都可以被學會。學術領域層出不窮的新方法和非常多的數學公式可能會嚇跑很多想學演算法的人，但其實工業領域普遍應用的演算法還是通用演算法（最近深度學習會加深難度），大部分情況下不會用到從paper公式來寫演算法（不過現在有越來越複雜的趨勢）。「十大主流演算法」能夠理解原理、每個參數代表什麼意思，演算法在主流場景中的應用效果，在kaggle上進行驗證效果，這可能是轉演算法的一條可以踐行的路。

後記

這些是我到P7之前所走過的道路，不一定是全局最優，只是盡量在找發展的梯度方向。至少現在回過頭來看，走的彎路在可接受的範圍之內。我像一個被蒙上眼睛行走在黑暗的人，沒有人告訴我未來的路要怎麼走，「閃電之下我無處可躲」（成吉思汗語，取自電影《蒙古王》），我只有主動去思考怎麼走才不會掉坑裡（「我知道自己未來會死在哪裡，我就絕對不會去那裡」--查理芒格），藉助從數據找價值的信念、以及帶來的堅持，亦步亦趨。希望對正在路上的童靴，有一些幫助，拋磚引玉，激發對於未來的思考。

（關於我如何從馬雲演講中學習思維方法，請參考《如理理解馬雲演講「十年後沒有數據分析師的職業」》）

共勉。