数据分析师如何逃离“茶树菇”怪圈？

本文编自3月4日数据动力私享会（北京站）特邀嘉宾丁家远分享个人观点。

丁家远，资深数据分析师，中国到家服务开创者与领军企业——58到家数据分析负责人。

前面两位演讲者分享的是数据产品，我认为数据产品和数据分析师的关系可以理解为：数据产品是一把犀利的兵器，作为业务里面的数据分析师，我们更主要的任务不是天天把兵器系在腰间，而是要用于清除业务当中的障碍，也就是说驾驭兵器。

我们这个行业包括整个社会都在谈信息化、数据化，每个人都想成为信息时代的弄潮儿。我想问大家，我们究竟是成为了数据时代的弄潮儿还是被淹没在信息和数据的海洋之中，已经呛的喝了个水饱？结合这些年的数据分析工作经验，我想谈一下关于数据驱动业务发展，以及我们数据分析部门与其他部门是如何合作的体会。

一、 数据分析师陷入茶树菇（查数姑）怪圈？

第一，谈谈数据分析师这个职位。

很多人做着做着就会陷入一个怪圈，沦为茶树菇（查数姑）这个角色。

我面试过一些数据分析师，我问他主要工作内容是做什么？他说接到一些业务部门和产品部门的需求，将他们提的数字反馈给工程师，让工程师给跑出来。我说：如果你消失了，他们直接对接行不行？他说：好像也行。所以我就觉得这个很奇怪，我说：难道你的工作职责是帮RD（研发工程师）挡需求的吗。他说：好像是的。这是数据分析师没有理清自己的定位。

有很多数据分析师接到一个问题时，就马上想要执行，想要快速得到结果。实际上，他应该首先要问需求提供方，究竟要做什么事情、什么目的。问题没有定义清楚时就快速做执行，这种执行是没有价值的。

如果问题提出来了，定义清楚了，数据分析师帮助去实现。在把数据结果给需求提供方之前，可以再问对方一句：你拿这个数据做什么事情，预计什么时候看到结果和反馈，我们到了那个时间点一起看反馈结果。这样的完整的过程才谈得上是一个闭环。

只有通过这种方式才能让需求上升到一个高水平的层次，而不是说任何人都能给数据分析师提需求，如果这个需求没有质量，而你作为数据分析师要全部执行，那岂不是淹没在需求之中吗？

二、 执行思维太重，分析思考不足

第二点，数据分析师接到一个命题，不要说赶紧出几个定义指标、赶紧做统计。还是那个问题，执行的思维角色太重了，分析思考问题还不足。

以一项业务经历来说，之前我刚接到一个货运业务，也是一上来做了好多统计、报表，每天有多少客户下了多少订单，有多少订单完成等等，但是这个事情执行了一两个月之后，看单个用户原始数据时，发现一个用户在5分钟、10分钟之内连续下了两三单、三四单。我觉得这个数据很奇怪，就把产品流程体验了一遍，发现有些时候用户在下需求时，需求没有人响应，他就把需求取消了，再下订单，这样导致短时间内产生很多订单。回到业务场景里面，其实你关心的不是产生多少订单数据，而是用户提了多少次货运需求，因为只有货运需求才有价值。

把这个问题提出来之后，我们整个数据体系要进行重新改造了。之前的取消率一会儿是50%、一会儿是60%，我们天天的被这个波动率搞的很激动，也不知道所以然，现在弄清楚原因就知道需求满足率了。所以不要一上来就做统计，而是要先把自己假设成用户，体验一遍完整的流程，然后在后台看看自己的数据。只有对自己的记录和明细进行一番分析思考，看别人的才会更有心得。

三、 一定要重视设计数据模型

数据模型是什么？数据模型是数据分析业务人员与产品系统、业务系统之间做的对接层的东西。

我们数据分析师不能直接分析系统里面的数据，原因是我们的产品、系统会升级迭代，但是我们业务主干流程是不会变的，即技术系统可以快速迭代，而业务方向、业务模式很难快速进行迭代。

打个比方说，我们在对接业务，比如说在线交易系统，经历过好几个版本的迭代，包括营销方式（有时候可以用优惠券、有时候是买券，有的是先接了支付宝后接了微信等）。在这个系统里，我要用原始数据是不可能的；所以我就先做一个中间层，新定义出核心问题，比如我们收用户多少钱，用户优惠是多少钱，是什么形式的优惠，把这个问题定义清楚了，基于中间稳健的数据模型，就能安心进行数据分析。

四、 趋势大于绝对值？

很多人做数据分析，说整个电商流程转化率是50%、60%。提出这个数字时，如果没有行业数据，你不知道自己正处于什么方向。有的人说：我的优化目标是70%。但这个优化真不是那么简单，数字不你想提升到什么程度就可以提升到什么程度，这个时候往往趋势比较关键。因为看到趋势才能看清自己是否处于上升阶段，与历次比较正处于什么阶段，如果有同行的数据参照最好不过。

当然绝对值也很关键，对于公司的大量分析都很重要。把数据推到执行层面，要驱动一个业务部门或者驱动一个层次达成执行的时候，只说趋势是没有用的，要定义明确指标、目标和KPI考核，这样才能明确要做什么事情。

五、 数据体系体现管理精神

数据分析体系的构建与管理是要结合在一起的，一个好的数据体系、好的指标体系能够体现出公司的管理精神。

怎么说呢？

定义一家公司业务数据体系时，并不是说一定要拆解成多个指标，更重要的是，每个数据指标背后应该有对应的业务部门或管理部门对它进行负责，通过一个部门来实现对一个指标的绑定。比如定义流量指标，那得明确出哪个部门是负责流量这件事情；定义转化指标，就得明确哪个部门是负责转化这件事情等。如果说一个指标定义之后，发现三四个部门都与它有关系，那这个指标就是失败的，它没有明确的归属关系和权责人，就像会议结束之后，大家不知道怎么分解自己的工作，这又有什么用呢。

六、 分析师如何与高层对话？

数据分析师在对待不同部门或者不同层级对象时，应该如何与他们做好的配合和对接？

对待公司高层和战略层人员来说，更重要的是把数据核心结果给他。比如，我们公司图表达到2000多种，但我只给我的老板看五张报表，如果我把两千多种报表给到老板，他肯定就该炸了。老板每天打开手机或者电脑，想快速知道昨天或者上周公司发生了什么事情，让他在两千多种图表当中自己分析，这不可能。所以对于高层或战略层来说，我们要定义公司核心的关键数据，并保证这些数据帮助老板理解定义我们的中期问题（长期问题看战略眼光，中期问题看战术执行。上周发生了什么，这是执行细节问题，遇山修路，遇水架桥即可）。

以打车软件作为案例：某打车软件经过几个发展历程，每个历程的关键点和矛盾是不一样的。前期的关键数据是司机数量，这个时期要定义出当前活跃的司机是多少；下个阶段定义的关键数据是有多少人在该平台打车，就是客户量有多少。这时候做红包运营，最重要的指标是我们的新客是多少，获取新客的成本是多少，覆盖了多少城市，新拓展的城市单量有没有快速提升；第三个阶段的关键问题是合并，价格上涨之后，用户能不能接受新的定价标准，这时候的重要指标是不用优惠券还会使用该平台的人是多少；司机补贴下降之后，还能不能接受新的收入……起风时大家一起飞，风停了，能不能平稳降落？作为数据分析师要定义一些概括性的大问题，同时还要解决阶段性问题，并通过数据指标将它体现出来。

七、 少即是多

定义核心目标，不必让所有角色都自助分析。很多人都想要掌握数据分析、做数据分析的洞察者。我觉得有时候蒙住双眼反而会让数据更有执行力，这也是执行和管理的一种艺术。

以上，是我结合这五六年做数据分析的工作经历与实践经验的分享，谢谢大家！

Q&A

Q：怎么理解有的公司有单独的数据分析部门，而有的公司还各业务线都有数据分析师？

每家公司对数据管理岗位的定义是不一样的，有些公司会定义为技术岗，有些公司会定义为业务岗，这个要取决于公司发展到什么阶段以及数据部门在公司有什么样的话语权。比如说阿里、腾讯他们业务模式不一样，阿里是数据驱动，有一个大部门来做电商企业数据运营、数据整合；而腾讯是产品驱动，它会把数据分化到每个部门里，在公司里整个资源共享是很难的，比如说游戏部门跟媒体部门的数据不能互用，数据分化到各部门需要管理上明确分工，同时要设置合理的竞争机制。

Q：数据分析师基于数据处理问题，现在有各种各样的数据处理工具，哪些公司适合应用这些工具？

这主要取决于一个公司的数据部门或者是技术部门、信息部门在经历过什么样的阶段。我刚才说的模型的搭建都是由数据RD做的事情，包括稳定的、可靠的数据产品和数据平台。如果前期没有单独的数据分析师或者是单独服务于数据分析的数据RD来说，如果说有了数据工具，你的数据技能可以稍微往后放一放，专注于做数据分析。比如，BDP这个产品，在我们公司已经服务两三年了，业务人员可以自主进行数据分析；但如果没有这样的工具，那你需要掌握很多技能并且做很多前面提到的工作。所以是看企业在经历什么阶段了。