數據分析的出路在哪裡

題圖來源：nipic.com

數據分析的出路在哪裡？類似問題出現在很多場景下：

有的是面試的時候被問到：你覺得這個職位長期發展的前景如何

有的是在各種群里的討論：Data Scientist 的出路在哪裡？為什麼做 Analytics 的活 title 卻是 Data Scientist?

有的是同事之間的交流：你接下來做啥？

問法不同，但討論的內容其實是類似的：數據分析 (Analytics) 有什麼用？

我們先看一下數據分析的幾個階段：

第一階段：沒有數據，更沒有分析

不管是產品也好，還是策略也好，憑的是從上到下的決定，靠的是經驗和感覺。

最後效果如何，沒有一個數據上的衡量標準，或者只有簡單粗暴的幾個數據：有多少人用（購買），收入多少，成本多少，最後賺了多少。

第二階段：有數據，看起來好像有分析

這個階段，數據多起來了，比如除了有多少人用，還有更多多維度的數據，比如年齡、性別、地區等等，也有了更多層次的數據，比如各種留存、拉新等方面。

分析方面則是有各種報表，看得眼花繚亂，很全面。

問題在於，這種情形下我們知道發生了什麼，可能知道得還挺詳細，但是並不知道為什麼會發生這些，以及接下來可能發生什麼。

於是進入

第三階段：有數據，有分析，有原因

這個階段開始引入 hypothesis 的概念，我們不但要知道發生了什麼(reporting)，還要知道為什麼會發生 (hypothesis driven).

知道了為什麼會發生，可以告訴我們以後做類似的事情，可能會發生什麼。

可能是通過 correlation analysis，找到一些互相有關係的線索。

可能是通過 A/B test，找到因果性。

諸如此類。

而在這個階段做各種分析，A/B test 的時候，需要有 hypothesis-driven 的概念，而不能僅僅是：來，我們看下數據是什麼樣子的。

比如 A/B test 能提供因果性，幫我們做決定是一方面 (launch product or not)，更重要的是能幫助我們積累某一領域的知識，諸如提高 metrics A 可以提升留存；進一步， 我們可以知道提高 x% 的 A 可以提升 y% 的留存；再進一步，我們甚至還能搞清楚，對於不同的用戶、不同的階段，這個 x% -> y% 是不一樣的。

而這也是 analytics 的工作會掛著 Data Scientist 的 title.

Scientist 的定義並不是工作方法多麼高大上，而在於其思緒方式：通過 hypothesis-driven，不但要知道發生了什麼，還要知道為什麼發生。

（當然另一方面也是因為 Data Scientsit 這個名字比較好聽了）

第四階段：知道發生了什麼、知道為什麼發生、知道接下來應該做什麼

跟上一階段的區別在於，我們不但知道發生了什麼 (reporting)，知道為什麼發生 (hypothesis-driven)，還知道接下來應該做什麼 (product/strategy leadership).

這個階段有很多難點：本身搞清楚應該做什麼就很難，還需要把這些東西 sell 出去，就更是難上加難了，而這恰恰是數據分析的出路（之一）。

不管數據分析做出了什麼結果，如果沒有把結論應用到實際 product change 裡面去的話，都是垃圾。

知道發生了什麼，比如 reporting，風險低回報低，因為不太能改變產品走向。

有些類型的數據分析，知道為什麼發生，比如 A/B test，算是能改變產品走向，至少能決定 launch / no launch.

上面兩點對於大多數人來說又是必不可少的，除去工作本身會有需要以外，還有很重要的一點是通過這些事情來跟合作者打下互相信任的基礎，比如 product/engineering/design/UX research.

如果一上來就拋出數據分析的結論說咱們組接下來應該做 ABCD，要麼他/她已經有了 track record，大家都很信任；要麼其實產品組也不知道做什麼，反正試試看唄。

所以大多數情況下，還是需要通過一些基本的項目打點基礎，讓 cross function team 覺得：哎不錯，這個人挺靠譜的，數據分析做出來的東西還是要信的。

接下來再慢慢提供產品的方向：我們接下來一個月應該試試做 A，可能會有預期的效果。

於是試了一下做 A，發現預期的效果沒錯，信任進一步建立。

於是再接下來：我們接下來半年應該試試做 B, C, D，其中 B 可能性比較大，但是回報也不會太大；C 風險比較大，但是如果成功的話回報也多；D 則是一個新的方向，做成做不成不知道，咱們試試看。成的話一起喝湯吃肉，不成的話再試試別的。

因為有了前面打下的互相信任的基礎，即使最後 C 和 D 都沒有做成，也不會被覺得是數據分析本身不夠 solid，瞎提供方向，而是這些項目本來就是有風險的。

當然了，如果沒有互相信任的基礎的話，很有可能大家也不會做 C 和 D，只會做 B.

對於大多數數據分析來說，階段二是基礎，階段三是應該做到的，階段四是好像能做到一些，但是還有很大提高餘地的。

而數據分析的出路和影響力，就來源於四。

這也是為什麼很多數據分析的職位看起來要求很低：第四階段做得如何，實在是太難量化了。

從某個角度來說，數據分析跟算命是類似的：先告訴你人生過去的幾十年發生了什麼，你一對比發現說得還真不錯 (reporting)；然後說你當下是不是有什麼憂慮，在擔心什麼 (hypothesis driven)；再說你要解決這些問題，需要做 ABCD ( product leadership).

算命先生想要產生 impact，就需要把 reporting 做得准，hypothesis 搞得清楚，這樣客戶才能相信，接下來才能忽悠。

當然，數據分析做的事情，跟算命的區別在於最後一點：如果算命先生說的不對，你也不能回頭去找他把攤兒掀了；而數據分析總是說得不對的話，攤兒可能真就沒了。

數據分析的出路在哪裡