来源:一杯咖啡 一段思考
作者:胡淏
大家好,我是小z
分析师的价值在哪里,如何找到发力点,赖以生存的工具到底是什么,未来在哪里?这几个问题是所有从业者都会面临,也会迷茫的问题。今天分享这篇内容,系统的回答了上述的问题,干货十足。
分析师的商业价值
直觉驱动的困境
分析师是谁?做什么?产出的价值?
业务不同阶段下数据分析的发力点与交付
第一阶段:从零到一,直觉驱动业务野蛮生长
第二阶段:增长放缓,实验评估助力业务小步迭代
第三阶段:增长遇到瓶颈,数据驱动业务找到新目标体系与增长发力点
第四阶段:数据持续驱动细分人群的差异化策略迭代
分析师的工具
分析本质上是在做什么?
比较背后的思考体系
基础:维度、指标体系
方法:实验、异动归因、观测研究
未来分析师所处的环境
一、分析师的商业价值
直觉驱动的困境
我是统计科班出身,对数据较为亲近,毕业后便在互联网开始从事机器学习与数据分析工作。几年观察下来,发现许多业务虽然都会引入算法工程与分析师等这些数据职能,但是大部分的决策还是基于直觉来拍。当然,有些时候直觉是唯一的选择,例如产品从零到一的设计或者算法早期预测和排序目标的选择会更多参考行业内的成熟做法。但是当数据积累到一定规模,业务也已经过了早期高速增长的阶段的时候,如果业务还在保留「直觉驱动」的惯性,就会浪费掉许多增长机会点:你们身边的业务是否不经过 AB 实验就去判断一个策略是否应该上线?是否有算法团队半年以上一直在围绕有限几个指标来预测和排序,但是未曾用数据证明过这些指标对业务和用户体验的实际价值?又是否发现每个项目的数据看起来都不错,但是公司全局却没有增长?—— 当身边的业务出现以上现象,就很可能没有利用好分析的资源来催化自身业务的增长。
直觉驱动的困境就是在业务增长遇到瓶颈的时候,凭直觉做的每件事情在数据上都看不到任何正向的影响。当下企业是采用 OKR 体系自上而下层层拆解目标的。一个业务线的 OKR 里面的的「O」通常就是业务的 KPI,在这个体系下,不论是算法、运营、产品、还是分析,日常的项目都可以概括成「通过策略(i.e. KR)来提升 KPI(i.e. O)」的过程。策略的制定有两种模式,「直觉驱动」更依赖经验判断,「数据驱动」更多基于客观事实反推决策。因此,一个业务当下的策略应该更多依赖直觉还是数据就需要看清哪种模式当下提升 KPI 的成功率更高一些。业务开展早期,「直觉驱动」成功率更高,可能也是仅有的方案。但是随着业务发展,好的直觉会被逐渐穷尽,业务增长进入瓶颈期的时候,「数据驱动」的价值就会越来越大。
分析师是谁?做什么?产出的价值?
「宋世君:我们谈谈“DS 是谁”. 用心理学的术语, 这个其实是 DS 的“本我”。我们是一群在相关量化领域受过专业的训练, 并且希望应用自己的量化能力, 在数据中挖掘对业务有用的信息, 并且通过这些信息为业务发展提供助力但是同时又保持数据的中立性的人。......,从个体的角度, 这也意味着我们看待 DS 并不是看这个人的学术专业, 而是看这个人的动机和意愿。公司里跟数据有关的职能是多样的, 有些是把数据作为拿到业务结果的抓手, 要对业务结果负责, 这些是数据运营. 有些是把数据作为研发的对象, 对跟数据相关的这些产品负责, 这些是工程研发. 有些是基于数据做实时地在线实现, 这些是算法工程师的工作. 这些都是我们的合作伙伴, 但是我们又有我们自己的定位, 跟这些都不同. 我们应该为我们工作的中立性和科学性负责. 我们需要有业务的思想, 但是我们并不是要做业务本身, 我们希望做业务发展的催化剂。」
我非常认同世君老师上面这段话对分析师的定义。分析师需要兼备定量能力和业务思维,科学、中立的通过数据来互补业务直觉。「直觉驱动」的短板可以分为以下四类:1. 看不清自己的用户是谁、有什么行为,体验如何「= 拿不准用户」;2. 将顶层 KPI 拆解成若干抓手和子目标的时候,并不明确这些抓手和目标事实上是否可以提升 KPI,或者哪些抓手与目标更加有效「= 打法不清晰」;3. 难以评估策略对用户与 KPI 的影响「= 算不准影响」;4. 不知道业务健康度如何以及当下要采取的行动「= 看不清现状」。
补足短板的具体解决过程体现了分析师日常在做的事情以及数据分析的价值:
「拿不准用户」:用户画像细分、行为轨迹等分析帮助业务更了解用户:他们是谁,喜欢什么,什么环节体验不好,什么诉求尚未满足;
「打法不清晰」:通常业务完成某个 KPI 可以用到的抓手非常多,比如,内容平台的终极目标之一是用户留存,同时提升留存的抓手有很多,例如 CTR、赞读比、访问时长、公域私域相互导流等。不过,直觉并没有办法有效判断这些抓手哪个在当下最可能把公司最顶层一些指标提升上去。这时候,对历史数据的观测研究可以量化抓手与 KPI 之间的关系强弱,辅助业务排布各个抓手的优先级。
「算不准影响」:直觉无法判定一个策略对用户的实际影响,实验分析可以科学评估这些影响,帮助业务稳步向前迭代优化;
「看不清现状」:当大盘指标异常波动的时候,异动归因分析相比直觉是更加科学高效的方法来定位指标波动原因并提出解决方案。
二、业务不同阶段下数据分析的发力点与交付
良性的业务发展通常要经历从直觉驱动到数据驱动的过程,本节进一步展开这个过程并讨论不同发展阶段的业务特点与痛点,以及这个阶段数据驱动业务的打法。
这里采用 KANO 需求模型将数据分析需求分成三类:
基本型需求:分析师必须具备的能力与交付,是分析师做事情的行为底线。基本型需求完成不好的时候,再多的锦上添花也是徒劳,也会直接失去业务方的信任;
期望型需求:一般业务与分析师正式拉会所讨论的项目与预期就在期望型需求的范围,这部分需求完成的越及时或者越多,业务方对数据分析的评价也会越高;
惊喜型需求:主动分析,跳出业务的思考框架,数据分析产生的洞见帮助业务解决困惑,发现战略机遇,或者数据所提供的策略帮助业务完成难以达成的目标,就是惊喜性需求。惊喜性需求没有被满足业务不会不满,一旦被满足的时候业务的满意度是非常高的;
第一阶段:从零到一,直觉驱动业务野蛮生长
业务开展早期通常可以通过学习头部竞品的成功经验快速获得增长,同时,产品运营同学也很容易凭直觉在产品雏形中找到好的抓手。虽然从 0 到 1 开展业务是非常辛苦的,但是单从业务增长而言,这却是最轻松的第一阶段。数据分析在这个阶段会跑在业务后面紧跟,做好业务与数据的连接工作。业务在第一阶段对数据的需求就是 T+1 准确反映业务 OKR 指标表现,分析师及时做好 BI 角色支持,不要在业务需要临时看数据的时候连现成的 sql 都没有备好:
基本型需求:埋点、OKR 指标口径与常用 sql、数仓明细表;
期望型需求:建设业务指标体系,画像体系;业务日报(OSM),每天早上盯住关键指标并及时报备异常波动;用户生命旅程数据刻画(UJM);
惊喜型需求:
通过描述性统计帮助产品找到发力点:用户属性、行为研究帮助产品看清各个模块与内容上面的用户密度;产品漏斗转化率分析帮助业务看清产品各环节表现,找到转化瓶颈并重点改善体验。
比对分析竞品该业务早期的关键指标数据,大致判断目前的增长速度是否足够快,空间还有多大。
第二阶段:增长放缓,实验评估助力业务小步迭代
第一阶段临界终点的时候,直觉依然可以找到不少优化点,但是从大盘指标上已经可以看出业务增长放缓。这时业务就进入了第二阶段,这个时期巨幅影响大盘指标的策略会越来越少,也就很难通过前后数据对比看清策略的影响了:投石问路的过程中业务最怕的是听不清石头落地的声音,因此分析师在这个阶段为业务提供的关键价值就是引入实验机制,以 AB 测试为典型的统计方法可以精确、科学的度量每个实验的微弱效应,帮助业务在投石问路过程中「听到」方向。实验机制是业务第二阶段的高效解决方案的另外一个原因是,实验可以对线上同时运行的多个策略带来的影响分别进行准确估算,因此实验机制在速度和精度上都全面超越原始的事前事后对比法。在这个阶段,分析师需要充分发挥统计专业能力,做好实验方法咨询的角色并积极推进技术、业务部门之间协作打通实验平台:
基本型需求:
实验分析支持
为业务方提供统计专业咨询,e.g. 实验设计,AB 数据含义,统计指标的计算口径
期望型需求:
联动业务、后端、前端开发、BI 协同搭建实验平台
平台可以并行线上实验同时可以自动化处理实验分流不均、检验指标显著性
向业务普及 AB 方法与对业务的价值,出具实验分析白皮书强化业务对实验的信任
惊喜型需求:
将实验分析报告模板化,赋能业务在脱离分析师资源的情况下自主完成实验设计与分析报告
维护业务上下线的实验明细日志,包含实验 ID、业务策略、影响、上下线时间、上下线理由,季度性提供给业务去复盘总结
第三阶段:增长遇到瓶颈,数据驱动业务找到新目标体系与增长发力点
与第二阶段不同,在第三阶段开始的时候,策略的成功率与影响程度都大幅降低。这个阶段,产品和运营侧好的直觉基本被穷尽,算法侧已经把特征体系和技术选型迭代到了相对完备复杂的水平,再想提升预测精度是非常困难的,便开始频繁出现实验结果不显著或者负向的业务策略,业务增长正式进入横盘阶段。在业务缺少方向感的时候,数据驱动业务方向的选择就越来越被重视。分析师的话语权也开始变大,毕竟到了第三个阶段产品运营与算法团队初步具备了一定规模,不增长的后果是很难想象的。
因此,分析师一定在这个阶段有业务主人翁意识,开始深度思考业务问题并主动提出一些质疑来挑战 status quo。主动思考和分析,站在更加全局的层面去思考业务发展的关键问题是什么;开始频繁旁听业务讨论会,重点体会业务高层在会上提出来的问题以及流露出来的困惑点。这些对于分析师找到需要分析的关键问题是非常必要的,也是分析师在这个阶段产生影响的关键一步。
对于增长而言,第三阶段一个关键的指标是用户留存率。用户增量 = 新用户+沉默召回用户+活跃用户*留存率,业务早期的增长可以通过业务之间导流与拉新来完成,当业务成熟后,提升存量活跃用户的留存是最为经济的手段。所以分析师有必要用数据去验证策略/算法的目标与用户实际留存提升之间的关系,目标是不是错了?能够提留存的目标又应该是什么?这就是分析师要在第三阶段需要用数据来回答的关键问题。我之前刚接触一个做社区内容平台搜索推荐的业务时,该业务已经快半年没有什么算法策略提升过用户留存,分析团队在梳理这块业务时候发现业务和算法都在用 CTR、赞读比、收藏读比等有限几个指标来衡量用户的阅读体验并做排序。分析师基于 DID 建模分析发现当时大盘用户里面留存提升的群体通常伴随着上一期深度阅读量与 CTR 的显著提升,而赞读比、收藏读比与留存的相关性并不高。问题是,业务过高估计了赞读比、收藏读比的价值,并在排序的时候没有引入深度阅读相关的特征。团队后续推进了一系列的策略建议:首先是大幅提高了 CTR 的排序权重,这个简单的策略就打破了长达半年来业务留存率无法提升的困境;团队进一步在排序目标里面引入深度阅读概率、平均阅读速度等与留存关联性最强的指标,并设计了多目标融合的新指标指导算法排序和产品运营,带来了新一轮的留存增长,业务顺利走过了第三个阶段的增长瓶颈期。
平台的终极目标是流量、利润,这个顶层目标会在 OKR 体系下被拆解成二级指标,三级指标等子目标。无论是业务策略还是具体算法,它们都在直接影响一个子目标(e.g. 价格,CTR,时效性),无论他们在完成这个子目标的时候多么数据驱动,通常都在基于直觉假设他们的子目标与公司的终极目标是直接挂钩的。问题是,直觉是会犯错的,因此才存在业务第三阶段的瓶颈期,这时也就体现了数据驱动的价值。
基本型需求:通过历史策略和数据开展观测性研究,通过数据估算策略当下每个子目标对公司顶层指标的影响,联动业务制定并落地新的目标和增长方案;
期望型需求:积极主动创新,寻找更具增长潜力的新指标,纳入当前业务的子目标体系,提供子目标整合成统一一个目标的方案;
惊喜型需求:观测性研究方法工具化,赋能业务在脱离分析师资源的情况下自主完成目标优化。
第四阶段:数据持续驱动细分人群的差异化策略迭代
数据在第三阶段驱动业务增长的同时,业务也因此在每次评估策略影响的时候要兼顾更多的用户体验指标。在此基础上,业务增长到一定规模之后就要开始承担更多全局责任,开始承担孵化新业务的角色,这会进一步扩展业务的指标体系。走到这个阶段的业务通常是寸步难行的,因为每走一步都要经过互斥、此消彼长的层层指标关卡。在第四个阶段,通常是每个策略迭代都伴随留存不显著波动但是二级指标互有涨跌的现象。但糟糕的是,如果数据不能给出明确策略上下线的建议,业务便又退回到了直觉去决策。在这个阶段,不够克制、盲目上新的产品会变得臃肿,给用户带来产品功能复杂冗余的不良体验。
在这个阶段,数据评估层面需要做系统改善来保障决策的科学性。实际上很大概率成立的一个事实是:把所有用户当做一个大盘整体来评估用户体验是低效且失真的,策略在大盘层面的「表象影响」是细分用户群体层面的「实际影响」的累加,而「实际影响」在不同用户群体之间可能存在显著差异。下图内容平台的实验数据就是一个典型:大盘(左)数据表现出来的留存不显著+二级指标互涨跌实际上是细分用户群体后指标普涨、普跌、互涨跌。
分析师在这个阶段需要在细分用户群体粒度整合阶段二的实验能力和阶段三的观测性研究能力,打通数据驱动细分策略迭代的流程:
Step1:基于细分实验分析,策略在指标普涨用户群体上线,普跌群体下线;
Step2:产品运营与分析师联动展开用户调研与观测性研究,针对体验不良的用户群体探索新的增长发力点;
Step3:循环
在此基础上,分析师需要在这个阶段打磨到细分用户群体的异动归因分析能力,帮助业务及时发现问题和增长点。异动归因分析方法建设是另外一个比较大的话题,有兴趣的读者可以参考《解构平台,一套数据驱动平台增长与异动归因的理论与工具》,这篇文章针对异动归因一个点有更多细节上的展开讨论。
三、分析师的工具
分析本质上是在做什么?
分析本质上就是在「比较」。
好的分析就是一个「数据比较 -> 洞见 -> 业务优化」的过程。洞见离不开「比较」:无论是我们看指标走势,AB 差异,同比环比,或是回归分析模型中的参数,这些都是我们「比较」的不同形式。具体来说,数据比较来源于三种分析场景:
实验分析;
异动归因:日报周报解读,突发指标异动分析;
观测研究:增长抓手分析,未经实验全量上线的策略评估,长期战略规划。
AB 实验是在 AB 两组之间进行比较,异动分析是两个时间段之间的比较,观测研究实际上是在分析一个指标变化相比不变化对业务的潜在影响。
比较有两个要素:1. 研究群体和参照群体(Benchmark),2. 评估指标。
比较时所选择的 Benchmark 好坏直接影响分析结论的可信度。举个例子:「产品转化率是 5%,还有提升的空间」就是一种很常见的分析结论,但是这个结论本身毫无逻辑,为什么 5% 是较低的水平?提升转化率的抓手又是什么?这类分析的问题就是没有找到好的 benchmark。相比而言,「产品转化率是 5%,我们竞品的转化率是 8%,我们和竞品的主要差异是 xx,所以转化率还有提升空间,建议优化 xx」的可信度就更强,因为分析找到了参照,并且用 xx 作为辅助评估的指标。
比较背后的思考体系
和 AB 实验很类似,新业务策略的思考也是个比较的过程,只不过前者基于数据,后者则是在直觉中比较。工作中我们最频繁的基于直觉比较是在制定 OKR(Objective ~ Key results)的时候,对于每个 KR,我们都在比较:「有」相比「没有」这个 KR 对于 O 而言是好是坏。依照这个逻辑来讲,分析的价值在于分析可以提供直觉所欠缺的 O 与 KR 之间的「定量关系」。
我自己的经验是,把业务的诉求翻译成 OKR 的框架里面可以帮助我快速找到分析思路。一方面业务一般都是在面向一个具体的目标谈有待数据验证的策略思路,带入 OKR 框架成功率较高,另一方面解 O 与 KR 之间的「定量关系」的统计方法已经有一套完整的体系,这个后面我会再提及。
总结下,在对接一个业务需求的时候,分析师一定要搞清楚:1. 这个需求围绕的业务目标(O)是什么,什么指标去量化 O?2. 业务聊的核心用户群体是谁,什么维度可以量化这些细分用户群体?3. 潜在的抓手(KR)有什么,业务提到了哪些,我们又可以举一反三出来哪些?在这些问题搞清楚之前,先不要动 SQL 或者建模方法。
不难看出,分析的一个核心基础能力就是一套健全的画像、指标体系。
基础:画像、指标体系
无论是哪种场景,「比较」都要具象化到实际业务场景才能提出可落地的业务洞见,而具象化的分析依赖一个关键工具:画像体系与业务指标体系。这个体系对业务的还原度越高,分析质量也越高,因此分析师团队要不断去「养」自己业务的画像指标体系。最直接「养」画像与指标体系的机制就是不断去用,每次应用所发现的问题持续小步迭代解决。指标、画像体系建设的责任要落实到个人,整合团队业务分析师的画像与指标口径,持续优化体系的完备性可用性,并推动工作成果在业务分析、实验平台、业务运营平台上落地应用。
互联网业务通常属于多边平台模式,完备的多边平台画像需要包含供需+场景的刻画:
需求画像:用户 demographic,诉求归类(产品 = 诉求),用户行为、兴趣分类;
供给画像:供给形态、来源、品类、时效;
场景画像:时空,供求关系,竞争,大盘等外生因素刻画。
多边平台的业务指标体系在描述业务健康度,平台增长要么是拉动供需规模要么是增加匹配效率,因此业务指标体系包含以下三类:
供需结构指标:按照需求 + 供给画像细分后的用户数、供给分发规模;
匹配效率指标:供给分发转化率 e.g. CTR、ETA、成交率、交互率...;
体验结果指标:用户留存,人均消费与浏览时长;
画像与业务指标设计最考验分析师的业务理解程度,平时多留意资深一些的业务如何讨论用户和供给,会启发分析师优化口径的设计。在知乎遇见过一些糟糕的画像,例如一个刻画用户频次的维度竟然聚类出来六层,然而每一层都没有明确的业务含义;另一个维度直接按照高频、中低频、新、沉默召回来切割用户,简单、业务意义清晰,业务方自然会去用后者来看数据。或许在知乎见识过的最棒的用户画像,先将用户需求抽象成「看热闹」「长见识」「找解答」「来创作」四个大类,然后基于用户的行为链条来往这四类里面归,理解业务先于制定口径与技术选型,画像的应用价值与空间自然更加宽广,统计方法产生的价值也越大。
方法:实验、异动归因、观测研究
分析类型 | 维度(目标群体) | 指标(O&KR) | 统计方法 + Benchmark 选择 | 洞见与策略建议形式 |
实验分析: 实验设计 + 策略评估 | 细分群体,本质上要找到策略在不同群体上的影响差异,没发现「差异」,细分也就白做了。 - 明确策略的开发逻辑以及策略生效的用户群体, - 定性思考潜在受益、受影响的群体分别有哪些 - 基于这些业务思考,选择对应的用户画像维度 | 明确策略 -> 业务目标的实现过程,通过 3 层指标体现 OKR: 1. 公司顶层指标,e.g. 留存,利润率 2. 业务二级指标:包含策略针对性在提升的以及业务必看的二级指标 3. 证明业务策略实际生效以及策略强度的指向性指标 | - 2 sample t-test,Bootstrap 等方法做 AA 同质性检验与 AB 测试 - 不同质场景采用 DID 方法去除偏差; - AB 检验策略对 OKR 的显著影响; 对于存在跨边网络效应的业务,要通过更加复杂的实验设计尽量去除网络效应的干扰。 | 在细分目标群体的粒度下得出策略对 OKR 影响的评估,并讨论在哪些群体需要下线策略,哪些群体可以上线,哪些群体需要策略考虑增减影响强度 |
观测研究: 基于历史数据,对特定群体研究目标(O)和抓手(KR)之间的关系 | 观测研究在用户群体与增长抓手选择上更多带有探索性质。所以,在业务重点关注的目标群体基础上可以拓宽研究用户的范围。不同于实验,观测研究很难找到完全同质的 benchmark,因此要尽可能多利用目前的画像体系将异质的用户切分开,避免较大内生性的存在。 | 在对接一个观测研究需求的时候,分析师一定要和业务搞清楚:1. 这个需求围绕的业务目标(O)是什么?2. 业务聊的核心用户群体是谁?3. 潜在的抓手(KR)有哪些? 1. O:业务顶层或者当下重点提升的指标 2. KR:类似实验里面业务策略的「指向性指标」,KR 反映策略会直接影响的指标。 | 观测研究中对数据的处理以及统计方法的选择是非常重要的,观测研究是从历史数据中得出 O~KR 之间的相关性,但是好的数据与方法设计可以让相关性接近因果关系。常用的方法: - LR & General Additive Model, Tree-based Modeling, DID, Regression Discontinuity Design, Propensity Score Matching, Fixed and Random Effect/LASSO - 尽量全面的用数据刻画所有既影响 KR 又影响 O 的内生变量或者选择工具变量,并在上面方法中进行控制。这里需要比较透的业务思考和因果推断专业能力 - 对于时间序列数据,参考 Google 的 Causal Impact - 对于 KR 在不同用户群体对 O 影响不同的情况,可以参考 Causal Forest 方法来估算异质性 | 观测研究这类专题分析首先需要呈现给业务你对目前业务问题的理解。并且明确分析正在回答的业务问题是什么,业务思考通常服从 O~KR 的形式,因此可以在分析框架中明确分析在研究的 O、KR、核心群体分别是什么。 0. 不同用户群体 O 与 KR 的描述性统计分析,让业务对抓手和目标在数据层面有体会 1.细分群体分析 O 与 KR 之间的潜在关系,说明模型的业务性质,并对参数进行业务解读 2. KR 提升潜力分析,KR 是否可以被提升也是很关键的问题,可以从 KR 历史波动分析入手 3. 策略建议与实验设计 |
异动归因: 分析大盘指标波动原因+策略机会点 | 异动归因对于业务分析师而言通常是周例行的分析,有些时候也要快速针对业务指标的突变进行归因分析,这非常依赖:健全的供需画像与指标体系 + 系统的归因方法。在《解构平台,一套数据驱动平台增长与异动归因的理论与工具》一文中笔者针对异动归因这个话题有更多展开讨论。 |
四、未来分析师所处的环境
几年前我还是一名算法工程师,跳到阿里刚开始的时候很不习惯,因为许多日常人肉要做的工作都被数据和算法平台解决了,不夸张的讲,那时许多产品运营同学训练部署机器学习模型的速度都比我要快。AI + 数据的平台在逐渐释放那些高度重复的数据工作,那时候我意识到,如果一个 RD 脱离业务,时间精力花在调包换模型调参数这类事情上的话,ta 早晚被淘汰掉。
对于分析师来说,我们不得不思考的问题是自己每天的「分析」工作中有多大比例并没有在分析?目前来看,数据查询平台还没智能到通过拖拽形式来完成多数的取数需求,一些公司内不健全的埋点平台还有数仓还需要大量分析师花精力排坑填坑。也正是因为平台能力尚未成熟,产品运营自己分析一次数据的成本过高,就会有大量取数的需求提到了分析师团队,导致每个业务下都有一些分析师做了「数据的揉面工,业务的按摩师」。
最近还留意到两款明星数据产品,Chartio 和 SQLFlow,前者是拖拽式 SQL 与可视化的一站式平台,后者是在模型解释上做了一些增量工作的机器学习训练与部署平台。虽然还没有大规模商用,但是已经能看出趋势:SQL、数据可视化、训练与部署模型、模型解释相关工作的门槛会越来越低,数据感觉不错的业务同学可以直接通过这些工具来快速完成取数分析师大量的「分析」工作,还省去了不少沟通成本。所以未来一定会淘汰掉一些分析师,留下有业务思辨能力和定量专业能力的精英。
未来分析的工作还是离不开画像指标体系、实验评估、异动归因和观测研究,但是会更加关注这套体系的科学性与落地上面,也因此可能会分化出来两拨分析师:业务导向的分析师优化业务与数据的连接,挖掘业务表象的根因与战略机遇,并将洞见以画像与业务指标的形式做落地,指标与画像的工作直接优化了业务的分析质量和运营效率;模型导向的分析师优化基于数据做评估、归因、推断的科学性,并落地易用的数据产品,在此基础上,发现业务决策过程中不科学的环节,推动数据分析工具在这些环节的应用。因此我建议分析师在懂 SQL,基本的统计方法基础之上,增强自己的业务属性和数据科学属性:学习商业、经济学原理,理解基本的因果推断与计量方法,强化构建模型内核的 scripting 能力。