如何成为优秀的数据人经验分享

---

小飞象·交流会

“每一个不曾起舞的日子，都是对生命的辜负。--尼采

内部交流│12期

如何成为优秀的数据人

data analysis

●●●●

分享人：冰冰

‍

一个优秀的数据人需要具备多种硬技能和软技能。有全局观和专业度，要「懂业务、懂数据、懂分析、能推动分析项目落地」，既要有扎实的数学、统计学、数据分析等基础能力，又要熟悉业务场景和流程，还要有很强的项目推动能力以及沟通表达能力。

然而，在我们的日常当中，无论是初级的数据分析师，还是有经验的数据分析师，都会遇到这些问题，比如说领导给到你一个需求，你不知道他究竟想要什么，或者说你分析出来的东西不是他们想要的。第二种情况是我们是很熟悉分析工具以及分析模型，但是在实际的业务场景当中，我们不会将这些工具或者模型很好的融入到里面，这是为什么呢，这就是我们经常所说的缺乏数据分析思维。还经常遇到我们给出的一些数据分析结果以及建议方案不落地，或者方案说对于业务来讲，没有效果，没有什么帮助，又或者说整一个项目很难推动，没有人执行。最终整个项目也就不了了之等等相关问题。那么，到底如何拥有分析思维，如何高效的推动项目落地呢？成为一个优秀的数据人呢？

那么，本期邀请了高级数据分析师——冰冰老师，中山大学毕业，获得CPDA数据分析师证书，电商行业多年从业经验，擅长是做商业分析、供应链分析、经营分析、运营分析、销量预测，还有BI可视化，2022年FineBI官方大赛导师，公众号“冰云数据”创始人。

数据分析学习，在于将别人的知识转化成自己的知识，食之化尽，举一反三。根据多年工作经验和实际场景来阐述如何成为一个优秀的数据人。

将会为大家分享《如何成为优秀的数据人》的相关内容，分为三部分：

1、分清楚需求和要求

2、如何拥有数据分析思维

3、分析结果落地难，没效果？

（冰冰老师公众号）

为了更好的后面做好小飞象内部交流会，需要您帮忙做两件事情：第一，您想想这次为什么想参加这一期的交流会，以及希望在交流会中希望收获到什么？第二，在交流会结束后，请和我说一下您的收获和感受。（可以在公众号留言交流，小飞象内部交流会往期回顾）

做一个对世界充满好奇的人！在分享之前，我们可以先思考几个问题：

★你了解领导的需求还是要求么？

★你认为数据分析思维什么？

★你知道的数据分析项目落地的难点么？该如何应对？

......

这次分享将带领大家看看如何一步一步成为一名优秀的数据人。在分享的过程中，建议全程认真听，带着思考来听（去看），希望通过本次分享，来给大家做一次系统的数据分析可视化分享，来解答大家对于可视化的疑点，并给做数据分析的人员提供一些思路，有任何问题都可以随时交流哦！

正式分享

—▼—

▼

这一次分享当中我是根据我的实际工作经验，以及汇总同行交流的经验所总结出来的一些方法，希望对大家有所帮助。

首先，我们 需要分清需求和要求，那就是我们在日常工作中领导给到我们的一个需求， 我们要搞清楚领导你到底想要什么。  

那很多时候呢我们都会错把要求当做需求来做。比如说要做用户画像，聚类分析，要做预测算法，这其实这一些是具体的分析方法，而不是说具体的问题。我们要搞清楚什么是要求，什么是需求。  

我举一个日常工作中的例子，比如说领导要求我们做用户画像。 

一般会分这三种情况：

第一种是完全不清楚用户状况的情况之下。那这时候我们需要先呈现用户的一个状况如何。  

第二种是清楚用户状况，但是没有看过数据。那这时候我们是不是得有一个既有认知，然后我们用数据来验证我们这个既有认知是否合理。是否是正确的。

第三种情况是清楚了用户状况，看过了数据，那这种情况也会延伸到两个问题。第一个是没有明确的问题。如果你没有明确问题的情况之下，那你按照上一步的既有认知的指标，更新数据，去寻找问题。 第二个是已经明确问题。那明确问题的情况下，可以再去细分。究竟是新用户的问题，还是活跃度问题？还是首次付费问题？二次复购问题，还是高端客户端服务的问题呢？这些问题找到之后，然后你再专门针对这些问题进行分析。比如说用户注册问题，你可以是注册渠道或者流程专题的一些分析，比如是活跃度的问题，可以针对互动行为的一些专题分析，比如说是首次付费，二次复购，还有高端用户服务问题，都是活跃度的问题分析。

▼

根据刚才的这一个例子总结下来分为两点：

第一点是要确认我们分析的目的是什么。我们需要聚焦问题，排除各项的一些干扰。

首先要搞清楚哪一些是已知结论，哪一些是未知的领域可以避免“我早就知道了”这种尴尬。其次要找到真正的问题，避免业务说“你做这些有什么用”。我们在做数据分析的时候，我们可能一股气做了一通分析之后，确实是有很多模型和分析维度。但实际上对业务来讲可能是没什么用，因为这不是他们想要的。那结合以上两点是做出来才是他们想要的一个结果。 

▼

第二点是业务方面解决问题的一个限制。比如说业务方向要了解用户高端用户的画像，那我们的做数据分析是基于我们的一个系统采集，所以更适合做一些基础性的一些分析。

这时候我们应该要聚焦在高端用户从什么渠道进入有什么的消费习惯，对哪一些品类更加忠诚，这样更容易输出有价值的结果。  

▼

所以我们要分清要求和需求。我们可以考虑这三点：

1、真实痛点

痛点是用一个什么模型来解决这个问题。

2、真实困惑

这个问题有没有预判或者假设，通常我们在分析问题的时候，我们都会不断的提假设，不断地去验证是否成立，来解决这些困惑。

3、可行性

我们得出分析结论后我们的要怎么去解决，用什么方法，多久解决这个问题，制定解决的方案。

这三点对应下来，第一个是真实痛点，就是业务很想要。那我们通过各种假设然后验证解决他们的困惑，这时候是不是给人一种眼前一亮的感觉，第三个是可行性，可行性我们要考虑执行的可行性是非常有用的一个分析结果。分析出来或者给出的一些方案是否合理，是否有用，是否有效，这是我们分析之后的最后也是最重要的一步。  

—▼—

▼

明确问题之后，我们下一步需要做分析，很多人知道问题，但是卡在分析上面，不知道如何入手，这是因为我们缺乏分析思维。

那么，如何拥有数据分析思维，分为这三点：

1、具体问题具体分析

2、要把事实和标准理清楚

3、建立分析思路的一个基本流程

1）具体问题具体分析

上图表述，是不是清爽了很多呢？就瞬间有一个大概的人形能浮现在脑海中。像这种好，不错或者帅都是评价，那就通过事实加标准，再判断得到的评价，这是很自然的一个思考方式。所以，我们要分清楚哪些是事实，标准是什么，怎么判断，评价如何。

就刚刚这个例子，怎么去评价高富帅呢？他肯定是有一个标准和事实以及判断来得出这个结论的。比如说高什么是高呢？那它的标准是什么？它的标准是180以上。然后事实是181，对比标准判断后得出高的结论。那富的标准是什么？是资产加收入，比如有一套70平方的房子。是大厂员工且不是闲杂的岗位，事实上他有一套90平方以上的房子。而且是鹅厂的员工。这些都符合标准后判断为富。最后的帅的标准根据自己喜欢来判断。  

这个是通过标准加事实判断才得出这样一个结论的过程。

那我们再进一步思考，年收入30万，那阿姨是怎么觉得的呢？她是看人家工资了吗？还是看人家银行账户流水了，还是看到人家银行征信了？  

这通通都不是，这就是伪装成事实的感觉。 

所以我们第二步是尽量使用可靠的数据，而不是随意丢个数。数据就是有据可查的才叫数据。那比如说我把连入30万改成15年某某小区全款买下两室一厅的房，那是不是有据可查多呢？ 

比如在工作中，你可以这样说，这个月的整体销售额环比下降了30%，主要是1部销售额不达标，销量环比下降40%。客单价不变。其余2部和3部销售额都达标。

这样说是不是让人很明显的知道这个月的销售额下降是因为1部销售额不达标导致的，而且是因为销量下降40%，那这30%的销售额下降是不是有据可查呢。

2）把事物和标准理清楚

即使老人家真的很热心收集各种情报，觉得这个人很完美。等到推荐给他的女儿的时候呢，她的女儿依然很嫌弃，为什么呢？其实这里是有一个很重要的原因，就是我们的判断标准不一样，老一辈有老一辈的判断标准，年轻拥有人有年轻人的判断标准。他们觉得好的，我们未必觉得好，我们觉得好的他们也未必觉得好。 

所以说具体问题要有具体的归属人，站在问题归属人的角度看问题。

看上个图表，比如说长相好，工作好、父母好，这种老人家的标准，他们认为男的需要长得高，女的需要好生养。像政府企业、国企、银行这些金饭碗他们觉得好的岗位。父母好，那就是公务员有社保。可年轻人的标准又不一样。年轻人判断长相通常就很直接看脸。工作好，那就是大厂上班，父母好，就是不干涉，遇到事情，能搭把手帮上忙，才叫好。所以你每个人衡量的标准不一样。

那经过刚才的一个例子，回到我们这里，做一个练习，领导说业务用户流失严重，需要分析一下原因。那这时候该怎么做呢？ 

那如果有经验的数据分析师马上会联想到流失严重是一个判断，不是事实，他没有具体的数据也没有依据。那这个时候你要考虑一下领导是怎么知道这个严重性的，他有没有看到真实数据。如果没有看到那他是通过什么具体的事实产生这个判断的。如果有看到这个数据，是谁，是什么形式，什么时间提交给他的这个数据。那有数据，我们一般认为多少的流失率才是正常的。那如果没有明确的指标，那我们要参照什么时期，什么业务比较合适。 

特别注意的是：标准问题，很多时候我们做数据分析需要根据标准来判断，所以，标准问题很重要。

那我们需要进一步去具体化这一些问题。可以想到底是什么时间开始流失率高的，它是一次性还是周期性的？是季节波动性的吗？另外是从哪一个渠道流失率高的，是全局还是局部性的，有哪一些类型的客户流失率特别高，是新客户呢还是老客户呢？是整体呢还是局部呢？还有以上这些渠道客户群时间点是否与业务有很大的方向所导致的？还是说一些外部的因素所导致的呢？

那我们可以通过时间维度、渠道维度、客户维度，内部因素，外部因素着一些去具体问题。 

3）建立分析思路的一个基本流程

上图表述，一般建立分析思路的流程是这样，个别人或者个别行业在这个分析流程中可能也会有所增减。 

建立这个分析流程，我们需要辅助是什么呢？

首先我们必须有一个良好的数据采集，数据治理的一个基础。如果你的公司的数据是很乱的，你还要去东拼西凑去找数据，中间可能有数据缺失，那根本分析不出来，或者说分析出来的原因可能也是假的。 

另外要有良好的业务沟通机制，我们做数据分析，特别是业务部的数据分析，你一定要跟业务打交道，你不要自己做自己害怕沟通，怕被拒绝，平常要多跟他们聊一聊，打好关系，了解他们目前的一个业务状况。第三点是对业务逻辑要有基础的了解。这个如果我们没有在这个行业里面做过是很难知道的，通过外面的学习有所了解不多，所以我们一定要在这个行业里面多做多问啊，多沉淀。参加公司业务的培训，对业务逻辑有一定的了解。 

第四点是能观察到业务行动的结果，这个是很重要，因为这个是我们在分析结果之后提出一些有效性的建议。这些建议是否跟业务实际操作可以挂钩起来，他们是否能做的，而且做了之后是否达到预期的效果。所以你必须要了解到他们业务上行动结果是什么样。第五步是要区分非技术性的问题。 

这些是我们是需要建立分析思路的一些辅助，我们需要一步一步地去攻破。 

—▼—

分析完之后，我们可能会遇到提出的建议或者执行方案落地难，没效果，对于这些问题我们该如何去解决，主要分一下五点：

1、区分服务对象

2、清晰落地目标

3、区分输出层级

4、结合业务动作数据产品

5、产品化的最终结果

1）区分服务对象

我们需要有识别业务部门到底是什么人的这种能力，大家看一下上图，这个图是一个根据业务状况以及合作态度的一个矩阵图，分为这四种人：

第一种是骄兵悍将，就是业务做得好，态度又咄咄逼人。然后只有他们骂人的份，这时候就要小心了。

第二种是新兵锐将，这个时候他们业务是做得好，心态又放开，乐于听取别人意见，这种是很适合去跟他们合作一个项目的。

第三种是疲兵倦将，就是业绩做得不好，理由又多。喜欢很具体的问题，如果不能实打实的搞定，那就不要招惹他们，免得被喷。

第四种是虾兵蟹将。那这种很人能力一般。

区分对象后我们要怎么做呢。

对于骄兵悍将，我们首先要保护自己是地位，不要顶撞他们。通常这种都是领导主管经理层级别的，更要避免沦为他们的一个甩锅对象，先安分守己，避免出错。在谈其他。

对于新兵锐将是我们最优先考虑的合作团队。一旦发现了，尽早地去沟通，达成这个合作。

对于疲兵倦将，这些人问题是非常突出，喜欢甩锅的那除非你真的是很有把握的一个方案。那你们再跟他聊，不然的话尽量避免招惹他们。

对于虾兵蟹将，这些人谈合作容易，但是出成绩是很难的，基于他们的一些能力，那如果有一些尚有生机的活虾可以合作，尝试做一些小成绩。然后再争取后面更大的机会。 

2）清晰落地目标

我们选中的人之后，要清晰落地目标，让数据分析结果在一个部门落地生根。首先需要把公司目标、部门目标以及项目目标串联起来。项目目标服务于部门，部门目标服务于公司目标，以这种点线面的形式串联起来，这样让整个项目站得更稳，站得更牢。不然的话会发生项目没人做，或者进行到一半搁置的情况。 

举个例子，数据和物流部合作。那物流部会随着公司的大目标进行变化。所以如果你要丢一个大的全的一个报表，还不如聚集在一个小的目标啊，小部分快跑。我看到下面的表格，公司的目标是要提升客户体验，打造核心优势。那分到部门的目标是减少客户投诉数量，减少三级的投诉数量。然后再细分到数据部的一个小目标，谁在投诉，是集中还是分散，投诉什么，投诉哪一类的业务类型，投诉谁，是哪个小组，经常有人出错。

再来看第二个目标减负增效，给部门的目标是减少运作成本，维持一定的运转水平。数据项目是，这个一定运转水平是多少。那减少运作成本，是要砍，先砍谁，那不砍，换成谁。 

第三个大目标是力保业绩冲击新高，细分到部门目标，那就是全力保障618，双十一大促物流支持。再分到数据项目的一些小目标是预算有多少单。预计有多少单，预计需要多少运力，预计运力如何去分配。

我们的项目要跟部门的目标以及公司目标有息息相关，整个项目的产出是有价值的。

3）区分输出层级

业务部对数据理解在什么层级，我们要进行区分，不做跳跃层级的事情。我们来看下面这个流程图，首先部门的状态如何，分两种情况，有不知道的，和知道情况的，不知道情况的，我们先把数据报表做起来，然后看一下目前的情况如何。再汇报进行下一阶段的推动，那如果知道情况，我们能再看有没有标准，如果没有标准，我们需要判断标准，把这个标准给立起来。不然的话，我们后续做的所有东西做得好或者不好，没有一个具体的判断标准。   

那有标准的情况之下呢，又分无策略和有策略，无策略是战略层分析，优先做什么指标，先做什么后做什么，投入多少是什么样的形式。那如果是已经有策略了，又分无执行计划和有执行计划，无执行计划需要战斗层分析，有方法地评估，执行工作量的预估，还有执行团队的筛选。 

若有执行计划，又分为没有信心和有信心，若没有信心，那就进行ABtest，给出一些测试方案。如果有信心，就构建成一个监控报表。 

这个环节业务部思考问题从没有到有的一个过程，如果数据想要发挥作用，要先看业务部现在思考到哪个层级。卡住了，然后才好发力。 

这里值得注意的是，我们的一个判断标准一定要事先立，太多项目死于提高销量，增加活跃度，这种很泛很含糊的一些标准。那究竟是提高多少呢？增加多少呢？这个没有说，所以我们一定要做好事先判断的标准。  

比如说在我的工作当中，领导要我做经营分析。那我首先要了解领导他现在是不是知道目前的一个经营状态是如何，那当时领导是知道公司毛利率是下降的且负数，而且也知道是运费上涨导致的，而且是海运，知道这个情况之后我们先根据这个问题来定标准。标准是2个月内，毛利率转为正数。那我们的当时的策略是，第一个是先调价，把客单价调高，但是调价的同时为了避免大幅度的影响销量，我们会选取部分产品分批调价，像清货产品就没必要调价，第二个是将目前发海运的SKU转为其他渠道，卡航或者选择便宜的供应商，节省成本。这两个策略是同时进行，主要负责部门有运营部，计划部，物流部。明确执行计划后，我们每周都会进行两次的调价监控，没有及时调价的需要备注原因与提醒调价。最后我们经过两个月的努力，毛利率由负转为正数。

这是我工作当中的一个实际案例，大家也可以根据自己的行业代入执行。

接下来是分享一些新老手长出现的坑。  

第一、不做沟通。就是不管业务目前啥水平，如果你是穿插到业务部的一个数据分析师，不沟通肯定是不行的。 

第二、有沟通但是没有检验。不以为业务很数据思维，其实他们是通过经验来跟你做沟通的。很多时候你需要去进一步做数据去验证他们说的是否合理。 

第三、有沟通验证，但盲目自大。看不起做表格，然后觉得表格太简单，非得要做一个很牛逼的模型，然后一个模型定乾坤。

第四、有检验不自大，但太过于纠结。怕出错，沟通频率又低，自己也纠结细节，然后进度磨磨唧唧。其实也不用太过于纠结细节，只要你做出的东西业务是认可的，大方向是没有问题，而且是有效果的就可以了。 

4）结合业务动作输出数据产品

数据产出必须有一个固定的产品。为什么要这样子做呢？首先要插一个旗子，让大家记住我们数据部的一个成绩，其次要告诉没有合作的部门。我们能做出什么，奠定以后合作的基础。第三个是要告诉所有人，数据项目是有流程的，有能力，有时间成本的。如果你真的需要跟我们合作，那你就坐下来认真谈，不要随便丢几句话，或者说键盘咔咔一响，然后就丢一个需求给我们。第四点是只要业务用起来，数据输出到哪里，炫不炫酷根本不重要。    

注意这里说的一个产品是一个广泛的概念，不是死板的BI仪表盘，业务使用频率、认可度是第一位。

接下来看一下例子，要如何合理地控制商品和积压库存成本。

那我们先了解到商品的生命周期有哪一些，上架、预热、上市、热销、稳定、退市，它对应的业务流程有，上架准备业务需要做的是商品定位、评级，数据需求是商品定位是否科学，相比平时是否合理。到预热的状态，业务流程主要是宣传和预售，那这个时候，数据的需求是通过预售反馈预测第一批销量，验证评级合理性，上市之后，就是走量铺货。数据需求是根据销量变化，滚动预测未来的销量判断ltv。LTV是生命周期总价值。这是公司从用户所有互动中所得到的全部经济效益的总组合。如果想了解大家可以上网搜一下，这里就不细讲了。

到了热销环节，业务主要是做促销，还有变现。这时候数据需求是根据销量变化滚动预测未来的一些销量，然后预警库存的一些风险。 

然后到稳定期，业务需要控制库存避免库存积压。那这个时候数据需要制定清库存时期和力度残存，以及需求调配方法。 

最后一个退市，就是下架或者清货，数据要做的是计算多久清完这批库存，然后损失多少LTV。

5）产品化最终成果

像一些精准营销类的一些项目，比如说推荐系统，外呼、短信，这一些是务实的。接着是我们经常做的BI产品，仪表盘，这些都是老本行了，还有一些监控评估，测算体系。

—▼—

总结

以上就是本次分享的全部内容！

1、要分清要求和需求。可以考虑这三点：

●真实痛点

●真实困惑

●可行性

2、拥有数据分析思维，分为这三点

●具体问题具体分析。

●要把事实和标准理清楚。

●建立分析思路的一个基本流程。

3、我们该如何去解决落地难，没效果，主要分一下五点：

●区分服务对象

●清晰落地目标

●区分输出层级

●结合业务动作数据产品

●产品化的最终结果

数据分析成果落地难在做项目上，数据分析涉及的一些数据学统计学来计算科学这些理论。就是说，把自己所学的一些数据理念，加上项目上面，但是会忘了在企业，是为企业赚钱的目标，而不是在那里做专家做研究。 

把数据要落实到实处，产生效益，就得因地制宜，结合具体情况考虑。通常网上是有很多模型，RFM模型，ABC模型等等，并不是说每个模型都适合用在你当下的一个行业或企业上面。可能很多时候这个模型改一下就能用。你不改的话，可能还没那么好用，所以，很多时候都需要因地制宜，具体去考虑。

(涉及的知识点较多，更详细的内容请大家去公众号《冰云数据》中查看)

总之，一个优秀的数据人所具备就是运用数据分析工具的能力和丰富的项目实战经验。要对业务有足够深刻的理解，所做的数据分析结果才能给业务提出更好更有建设性的指导。而数据分析涉及很多知识点，不是一次分享能全部了解的。学贵在行，需要我们在以后的学习工作中不断地积累经验掌握工具，学以致用。能站在多方角度，发现问题，分析问题，解决问题，总结问题。

后期小飞象会继续为邀请各业的精英分享数据领域的内容。祝愿大家都能在自己所在的领域内，用数据思维，成就更好的自己，在可预见的未来，遇到更好的自己。谢谢大家！

······

敬请期待下一期

本次分享到此结束，再次感谢大家的收听，我们下期再会！

（本文由木兮整理，可能与演讲时略有遗漏，但整体思路精华都在）

✓ ……

图片来源于网络

若好的建议和想法，欢迎在下方留言

我们将尽其所能打造数据分析交流的理想之地