数据分析的常见问题、对策，以及职业规划

最新推荐文章于 2022-05-01 20:58:19 发布

weixin_34315665

最新推荐文章于 2022-05-01 20:58:19 发布

阅读量239

点赞数

文章标签： python 人工智能

原文链接：https://my.oschina.net/leejun2005/blog/80143

版权

2019独角兽企业重金招聘Python工程师标准>>>

选摘自《人人都是产品经理》

我们要意识到，用户“怎么说”和“怎么做”不同，甚至经常有矛盾，有时候用户的行为比语言更能反映出他的真实需求。比如用户说在搜索买家的时候应该加一个“按交易额搜索”的条件，也许只是他某次特殊的需要使然，但如果我们听他的做了这个功能，之后通过用户行为的数据分析发现，只有1/10000 的人用过，那就表明我们被用户的说法骗了，但数据永远不会骗我们。不过，在数据分析时也会有一些特定的问题，下面让我们逐一分析。
第一，过于学术，沉迷于“科学研究”。
我在读研的时候，做的就是统计分析、数据挖掘相关的课题，所以工作中开始遇到数据分析的时候，我挺兴奋的，感觉可以好好地研究一番了。但渐渐我体会到，实际的生产和科研是有很大不同的。科学研究通常只注重“性价比”的性，只要结果好，往往不在乎投入，因为相对而言科研的结果不是为了马上应用，而是为了证明实力。但实际生产环境就更注重综合的性价比了，所以我们日常的数据分析方法也就显得不那么严谨了，我特指小步快跑的创业团队，他们可能不需要在每次分析前都去验证样本群体是否符合某种统计分布，也可能不需要用“人工神经网络”等“高科技手段”去预测产品将来的用户数，甚至给出“A>B”的结论时也用不着做“显著性检验”，一切的一切需要的只是一种感觉，一种对数据的敏感，对商业的敏感。现实和理想的差距
第二，虽然数据不会主动骗人，但我们经常无意或有意地误读数据。
无意地误读数据，举个例子，对一个人群，人们的身高用平均数来衡量是有意义的，因为我们知道身高属于典型的正态分布，中间多两边少，所以一个平均值就能了解群体的大致情况，而对人们的收入，就不能用平均值来衡量了，一个超级富豪和1000个零收入的人一平均，很可能得出人均收入100 万的荒谬结论。这个问题的对策，是学习统计学的知识，这是一个很实际的问题，我们经常在做决策的时候才想起来数据分析，但忽然发现，努力提高自己的水平。主动地误读数据，是比较有趣的现象。在提取数据之前，我们心中通常已经有一些结论了，无非是想验证它，而抱着这点思想，就总能找到数据来证明自己已有的想法，并且技术越娴熟的人越容易做到这点。对于这点，我想一个简单的对策就是对数据保持中立的态度，尽量不要“为了迎合一个观点而去找数据”，减少利益牵扯，比如为了证明老板的判断，或者为了保持自己之前拍脑袋的英明形象等，你明白我的意思。
第三，平时不烧香，临时抱佛脚。
这是一个很实际的问题，我们经常在做决策的时候才想起来数据分析，但忽然发现手头没有数据可分析。一次又一次地发生同样的情况……为了避免，我们应该在产品设计的时候就把数据分析的需求加进去，比如记录每个按钮的点击次数、统计每个用户的登录频率等，这也算一种典型的非功能需求，这样做对产品的可持续发展非常必要。

按照不同分析方法所能给人带来的智能程度，可以把数据分析能力划分为以下8个等级。
1. 标准报表
回答: 发生了什么？什么时候发生的？
示例：月度或季度财务报表
我们都见过报表，它们一般是定期生成，用来回答在某个特定的领域发生了什么。从某种程度上来说它们是有用的，但无法用于制定长期决策。
2. 即席查询
回答：有多少数量？发生了多少次？在哪里？
示例：一周内各天各种门诊的病人数量报告。
即席查询的最大好处是，让你不断提出问题并寻找答案。
3. 多维分析
回答：问题到底出在哪里？我该如何寻找答案？
示例：对各种手机类型的用户进行排序，探查他们的呼叫行为。
通过多维分析(OLAP)的钻取功能，可以让您有初步的发现。钻取功能如同层层剥笋，发现问题所在。
4. 警报
回答：我什么时候该有所反应？现在该做什么？
示例：当销售额落后于目标时，销售总监将收到警报。
警报可以让您知道什么时候出了问题，并当问题再次出现时及时告知您。警报可以通过电子邮件、RSS订阅、评分卡或仪表盘上的红色信号灯来展示。
5. 统计分析
回答：为什么会出现这种情况？我错失了什么机会？
示例：银行可以弄清楚为什么重新申请房贷的客户在增多。
这时您已经可以进行一些复杂的分析，比如频次分析模型或回归分析等等。统计分析是在历史数据中进行统计并总结规律。
6. 预报
回答：如果持续这种发展趋势，未来会怎么样？还需要多少？什么时候需要？
示例：零售商可以预计特定商品未来一段时间在各个门店的需求量。
预报可以说是最热门的分析应用之一，各行各业都用得到。特别对于供应商来说，能够准确预报需求，就可以让他们合理安排库存，既不会缺货，也不会积压。
7. 预测型建模
回答：接下来会发生什么？它对业务的影响程度如何？
示例：酒店和娱乐行业可以预测哪些VIP客户会对特定度假产品有兴趣。
如果您拥有上千万的客户，并希望展开一次市场营销活动，那么哪些人会是最可能响应的客户呢？如何划分出这些客户？哪些客户会流失？预测型建模能够给出解答。
8. 优化
回答：如何把事情做得更好？对于一个复杂问题来说，那种决策是最优的？
示例：在给定了业务上的优先级、资源调配的约束条件以及可用技术的情况下，请您来给出IT平台优化的最佳方案，以满足每个用户的需求。
优化带来创新，它同时考虑到资源与需求，帮助您找到实现目标的最佳方式。
上面的8级划分源自SAS网站的Eight levels of analytics，由IDMer编译而成，个人觉得其中的8张图片非常形象生动，网友@数据小宇军用两个图表将它们更好地展示出来了：