如何避免做一个数据工具人

来源：一个数据人的自留地     作者：@sven

01

关于数据分析的问题

很多时候，会被一些刚刚入门或者入门两三年的同学问：数据分析就是提数据吗？为什么我感觉我像个工具人一样天天写SQL做报表呢？！

每到这个时候，我就想起来了我入行的那个夏天，每天乐此不疲的跑着SQL。好像自己那会儿没有思考过这个问题，也没有怀疑过说数据分析师是不是就只干提数据跑SQL的活儿。

当然，这里说到这个问题，我其实是非常赞同大家去思考并发出这个疑问的。我在这些年的工作中不断的总结思考数据分析到底是做什么的，也非常的不赞同我们一直做这样的活儿。SQL boy，表哥表姐，数据工具人，数据清道夫。

那反过来问，你如何才能不做这样的活儿呢？我们不仅要提出问题，还需要养成思考问题答案的习惯。抱怨解决不了问题，不是吗？

首先我认为，作为一个入门的同学，日常工作偏工具人，是可以接受的。但是这个可接受的节点，是我们还不了解业务的时候。当我们了解业务之后，就不该再花大量的时间去做这样重复性高且价值不高的事情了。

这就要求我们，在做这种重复性的提数据的活儿的同时，不仅仅是为了满足业务方需求，更重要的是，我们还需要构建自己对业务的认知。我们需要了解到，业务在做什么，业务要解决什么问题，业务和业务之间的联系是什么。我们需要构建一个业务大图，填上不同的业务板块，填上业务板块之前的联系。当然，我们可以用纸画出来，也可以在脑海中构建。

在我们了解业务，构建了业务大图，对业务有了清晰认知之后，我们就算是完成了“始于业务的阶段”。这时候，我们应该主动去用发现那些业务中可以做的各路分支，就如同一棵树，有非常多的枝条，每一个业务上可以做的点，我们都可以看到，这时候，我们又需要结合业务的目标，以及我们的能力和兴趣，去找到某个点，分析思考该如何做，这时，我们就到了“高于业务”的阶段。最后，我们根据自己的分析思考，给出业务自己的落地建议，并将这个过程，通过一个通俗易懂的故事来告诉业务方去实施，我们才算是到了“反哺业务”的阶段。

可以看到，数据分析每个人都会经历三个阶段，始于业务，高于业务，反哺业务。

在始于业务的阶段，我们确实是会做大量的提数据的工作，但是，要想从中解脱出来，我们还需要迈向下一个步骤。

当然，迈向下一个步骤，我们可能还需要一点点经验沉淀，以及优化思考的sense。当然这其中需要很多的项目经验，还依赖于你对于自己经验的整理，并将这些经验抽象成可以复用的方法论。网上方法论一搜一大堆，但那些都属于知识，只有经过长期的练习和不断的实操，这些知识才能转化为技能。

但我也想要说明一点，我们的“高于业务”，并不是说我们通过描述统计告诉业务是什么。就如同去面试一样，我们简历上就有自我介绍，为什么面试官还要我们自我介绍？！因为他想知道我们的观点！

这也是业务方看到数据最想知道的，你从这个数据中得出了什么观点。这个才是核心中的核心。这个观点可以不对，但一定要有自己对于数据的观点。因为随着这个习惯的养成，以及与业务方的不断磨合，我们才能提出对的观点，才能养成良好的数据敏感度。

02

生活中的分析

很多时候，我们在JD中都能发现数据分析的影子，比如招一个产品经理岗位要求会数据分析，招一个运营同学也需要会数据分析。看起来数据分析越发的变成了一种基础技能，而非一个具体的岗位。但是仍旧会有很多的公司在招数据分析师，增长分析师，战略分析师。

我与一些身边的同事朋友交流，有些做运营的朋友猜测数据分析师会慢慢变成数据运营，产品的朋友也越发觉得不需要数据分析师，自己就能做很多报表和分析，要分析师干什么？！

咱们先抛开这些观点不看，不管以后有没有数据分析这个岗位。我们先结合实际想想，在日常生活中，我们会遇到哪些问题可以利用数据分析的想法。

举几个小例子。

为了“偷懒”，我们可以计算从出门到地铁，需要多少分钟，匹配一下，地铁的间隔时长及到站时间点，就可以更精确的到达地铁站，减少等待时间。

为了“省钱”，我们会在点外卖时拼单，或者分成几份点。因为这样，我们可以更多的使用满减红包。

为了“适配”，我们在找工作时，会考虑先要不加班，其次离家近，再其次有加班费之类的。

这些我们在生活中经常使用，不论是点外卖，找工作，还是赶地铁，都会算一算，哪种对自己更有利。但是反过来思考一个问题：为什么我们会这么做？

因为很多时候，我们认为这样能为我们生活带来一定的方便，可以得到一些附加利益。计算地铁间隔时间，我们可以在床上多睡几分钟；拼单点外卖，我们可以少花钱；找工作的适配，我们可以尽可能地找到“钱多事少离家近”的轻松活儿。而这些，都是实实在在能够落地的，为我们生活带来便利的小日常。

如果运用到实际业务中，我们站在用户角度，如何让用户体验到我们产品的价值呢？比如，为了帮用户“偷懒”，我们可以简化用户注册流程，做一个新手引导，降低用户第一次使用产品时的成本。为了让用户“省钱”，我们可以给用户推荐更适合他的内容，节省用户寻找成本。为了让用户“适配”，我们可以将内容标签化，供用户选择他更钟意的内容。

这些都是我们可以从生活中迁移到业务中的小事。但正是这些小事，构成了我们的生活，也构成了用户每一次使用产品的过程。精细化的理解和服务用户，才是提供更好的用户体验的基石。

所以，随着互联网的发展，后续还会不会有数据分析这个岗位，我认为并不重要。重要的是，分析其实并不局限于某个岗位，局限于某个特定的工作，分析可以融入生活，融入业务中的方方面面，只要我们去不断的拆分，站在用户的角度，总能找到可以优化的方向。成就用户，也成就我们自己。

03

关于分析的思考

上面我们说了，生活中有点点滴滴的分析例子，可以优化的点，业务同样。但是，上面的这些例子，都是比较皮毛的。我们如果再深入的思考一下，在生活中这些点点滴滴里，我们如何做的更好，为自己带来更多的便利呢？

延续上文的例子，如果我们想要在赶地铁时更节省时间，或者避免由于其他因素导致的问题，我们是不是还可以计算自己的速度，以及根据出门时间与地铁到达时间的间隔，判断自己需要走路还是跑步。

如果我们想要更便宜的外卖，是不是可以货比三家，查看同样的食物在每一个店铺中可能的便宜的金额，从而找到优惠最高的商家。

如果我们想要找到一个“钱多事少离家近”的工作，那么我们是不是可以先圈定一些公司范围，在这些公司范围中去筛选，我们可以去哪些公司面试，可以去哪些岗位工作，这样是不是就比无头苍蝇似的、撒网似的投简历更高效？！

业务同样，我们不仅要思考哪些点可以影响用户，为用户带来便利，还需要将这个点拆分为具体可以度量的因素。

比如上文说到的简化注册流程，那么该简化注册流程中的哪些步骤；

建立新手引导，那么新手引导具体由哪些引导构成，告诉用户的方法是什么；

将内容标签化，那标签可以分为哪些类别，这些类别中由粗到细的粒度分别是什么，建立了标签后，如何给用户使用。

这些，就是拆分的过程，以及拆分后的实际落地。无论是对于业务同学，还是对于分析师来说，拆分和落地都十分重要。不要讲那些空泛的统计数字，我们需要理解数字中代表的含义是什么，以及数字由哪些变量构成，这些变量如何映射到业务中。

只有这样，拆分数字背后的业务，解读数字的含义，我们才能发现数字中可以优化的方向，和落地的方向。

总结来说，通过解读数字，我们可以得到怎样的结论，可以表达出怎样的观点，才是数字的意义。因为数字本身是没有意义的，只有落地到具体的业务场景，数字才具备了意义，业务才被数字所度量。

当然，这些拆分和落地，都需要不断的学习，沉淀，复盘。学习可以让我们了解具体的原理，让我们在做业务时有头绪；沉淀可以让我们在下次遇到同样的问题时，知道该怎么做；复盘可以让我们不断的总结自己的知识，优化提升抽象出自己的方法论，让我们对问题有一个通用的解决方案。

前期，我们可以多去学习，尝试使用一些成熟的方法论，比如5W2H，人货场，AARRR之类的。先学会用这些方法论，因为方法论结合到业务，也需要一个磨合和理解的过程。

中期，我们可以去学习了解一些底层的数学理论，比如一些常用的朴素贝叶斯，全概率公式，马尔可夫链，概率分布。因为5W2H，人货场，AARRR，告诉我们的是如何拆分一个业务场景，而这些底层数学原理，告诉了我们如何量化业务，以及如何优化业务。

最后，我们结合在工作中的项目经验，以及数学理论，拆分方法的落地过程，逐渐理解出自己对业务的理解，对分析的认知。这会儿，我们就可以算作有了一个通用的方法论雏形了。

后续，就是在不断的落地的过程中，去优化完善自己的方法论，最终达到“一招鲜，吃遍天”的理想状态（真的就是一个理想状态）。

就我自己对分析的理解，身边朋友的一句话我很赞同，“用数学逻辑串联业务，讲一个情景优化的故事”。我们不仅需要理解业务，还需要了解数学逻辑，还需要会讲故事。三者缺一不可，当然，这些我们都可以慢慢积累沉淀，有了方向，我们也知道了该往哪个方向学习了，不是吗？

在很多时候，我们不仅要知其然，还要知其所以然。套路你会用了，这OK，没问题，但是闲下来，希望你也能去思考一下，背后的原理，为什么这么做，才是最重要的。

希望大家以后无论做业务还是做分析，都能持续学习，在这条路上深耕并有所成就。我一直相信一句话：当一个流程的转化率没有到100%的时候，就还有提升的空间。希望你在做任何的过程中，这句话也能伴你左右，只要没到极致，就还能提升。