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。
推薦閱讀:
※《精益數據分析》讀書筆記(中) | 商業模式+發展階段,決定你應跟蹤的指標
※20170328《Python基礎教程》 第1章基礎知識學習總結
※阿里巴巴霸氣的併購藍圖:阿里資本投資數據畫像
※如何建立數據分析的思維框架