哪些人能做好數據分析？

最近研讀《帆軟數據應用研究院 》中一些企業數據管理的深度案例，一直在思考，「數據分析」這個皮球應該是由IT技術員來踢還是業務人員來踢。最好的結果肯定是專人做專事，誰受益誰主導。於是，我就思考，哪些人最有可能做好數據分析和數據挖掘呢？

技術專家能不能做好數據分析？

常聽到業務人員抱怨，說他們的數據分析部真是太差勁了，給了他們一大堆數據，結果技術部什麼信息也沒有挖掘出來。除了做了一些統計外，畫了幾張圖表外，什麼信息也沒有給我們。平時見他們說大數據多麼重要，大數據技術多麼牛X，其實到真正解決問題時一點用處也沒有。可見，大數據的泡沫有多大！

業務專家能不能做好數據分析？

技術人員也在不斷抱怨，說業務部門的人不負責，光是給我們一大堆數據要我們分析，也不告訴我們要幹嗎？要達到什麼目的，我們只管做技術分析，我們哪知道數據呈現什麼信息，哪知道數據怎麼使用啊？

這，就是現實！這就是數據分析中最常見的問題！

業務人員，不知道數據分析能夠做什麼，不能夠做什麼。

數據分析人員，不知道從哪些方面哪些角度去分析數據。

管理者，拿到分析結果後，不知道怎樣解讀數據使用結果。

每個人都不知道在數據分析項目中，各自的職責是什麼，所以才相互埋怨，相互指責。

數據分析的目的，是解決商業問題的。

一個完整的數據分析過程如下，從要解決的業務問題出發，將業務問題（或管理問題、營銷問題等等）轉化為數據問題，再使用數據分析方法來提取數據中的信息，最後將分析結果從業務層面進行解讀，從而做出合適的業務決策。

明確業務問題

明確業務問題，這是業務人員的職責。

我們要解決什麼樣的業務問題？達到什麼樣的目的？需要業務人員把工作中面臨的困惑和問題提出來。

明確業務問題，這是數據分析的起點，也是做數據分析的先決條件。

是要有業務問題，然後才知道應該收集什麼樣的數據，做什麼樣的分析。收集數據、分析數據都是要圍繞業務問題來的。有了業務問題，我們才知道需要收集哪些數據，利用什麼分析方法來分析數據，否則，沒有目的，所有的工作都是浪費。

所以，不是先有數據，再去分析，而是先要有業務目的，才進行數據分析。順序不能反了，這是必須要搞清楚的事情。

當然，也不排除在有些情況下，在不明白應用場景的情況下，先收集數據，然後再思考這些數據怎樣用。這在互聯網公司是經常遇到的事情，但傳統行業的業務模式基本清晰，應該要先梳理主流業務，然後指導數據分析部進行數據收集和分析。

將業務問題轉化為數據問題

業務問題的轉化，這需要業務專家和數據專家共同進行。

一個大的業務問題，在業務邏輯上是怎樣的，應用從哪幾個方面來思考，應該將其分解成哪幾個小的因素，每個因素涉及到哪些數據，應該通過什麼指標來衡量，這些如果業務專家不參與的話，是沒有辦法實現的。

比如，市場精準營銷的問題，這個宏觀的問題怎樣才能轉化為數據問題。分析師是沒有精準營銷的概念的，不知道影響營銷的因素有哪些，但業務專家卻十分清楚精準營銷要收集六種主要信息。在業務專家的配合下，數據分析師才能夠將其細分，將其轉化為數據的收集和評估指標，然後才得以繼續進行。

數據分析過程

數據分析過程，一般是由分析師主導的。

在明確要解決的業務問題，收集到需要的原始數據之後，分析師就開始就數據進行處理，包括數據統計、數據建模、模型優化與評估。

通過合適的分析方法來提煉數據中包含的業務規律和業務問題，或者提煉出數據間的關係，找到影響業務問題的關鍵因素，甚至可以預測業務未來的發展趨勢。

數據解讀

數據解讀，這也需要業務專家和分析師共同進行。

數據分析的結果依然是數據，當然為了直觀，也可對分析結果進行可視化。分析結果必須要上升到業務層面進行解讀，否則也是沒有意義的。

數據的變化，意味著業務的變化；數據間的關係，意味著業務因素間的關係。從數據到業務，需要業務專家和分析師共同解讀，然後，再基於結果，提出相應的業務對策，這也主要是業務專家的職責。

上面一個完整的數據分析過程，可以看得出，要做好一個數據分析項目，既要懂業務，又要懂分析，所謂「三分技術，七分業務」。

選擇合理的工具

技術人員整合、處理數據，業務人員拿到可直接分析的數據做業務分析。業務分析的實際操作往往還需要懂Excel、SPSS、SAS等統計分析工具的使用，還要考慮美觀的可視化（好向領導交代），數據分析與可視化結合不妨使用一些Tableau / FineB I/ Qlikview之類的BI工具。

一句話，數據分析需要業務專家和數據分析師的相互配合，需要團隊協作。單憑某一個方面的專家，是不足以做好數據分析的。