歡迎關注天善智能,我們是專注於商業智能BI,人工智能AI,大數據分析與挖掘領域的垂直社區,學習,問答、求職一站式搞定!
對商業智能BI、大數據分析挖掘、機器學習,python,R等數據領域感興趣的同學加微信:tstoutiao,邀請你進入數據愛好者交流羣,數據愛好者們都在這兒。
作者:陳老師,在諮詢行業打拼了10+年,在如何診斷經營問題、建立分析體系、解決專項問題上有超過30個大型項目積累與實戰,天善智能特邀專家。
個人公衆號:接地氣學堂
很多同學有疑問:數據分析到底對企業有什麼用?數據分析到底能解決什麼問題?今天我們一次講清楚。所謂不識廬山真面目,只緣身在此山中。如果只站在數據分析本位角度看,很容易陷入各種花裏胡哨的名詞討論中。我們換種方法,設想一下自己是業務部門的人,看看數據分析到底有什麼用。
從一個最簡單的例子開始。設想下,你剛剛就任一個零售公司大區總監,你管着五個省300家門店。一個風和日麗的早上,你正悠閒的坐在玻璃房裏搓手機,忽然財務一個急促的電話把你從遊戲裏震出來,說這個月業績KPI沒有達標。那麼你的第一反應是:
A. 大罵“你是神經病嗎!”
B. 讓助理定機票,把300家店逛一圈
C. 立即給下屬各片區經理打電話,輪着日一遍娘
D. 拿起一包紙巾直衝老闆辦公室大哭:“經濟形勢不好,業績做不起來不管我事啊!”
你不會這麼選,對不對,隨便哪個都顯得自己太傻逼了。So,第一件事,當然是看!數!據!到底業績KPI沒達標是個什麼情況:
差多少達標?
什麼時候開始不達標的?
差距越來越大還是越來越小?
所有區域還是單個區域的問題?
沒有問題的是不是在變得有問題?
所有一切,都得數字說話。是滴,這就是數據分析的第一個用途了:定量描述問題現狀。或者我更喜歡把它叫:是多少。
看到數據,有的時間段高於目標,有的低於目標,所以下一步怎麼辦?你可能本能的想:高了表揚低了罵唄!是滴,確實有些沒水平的領導是這麼做的。問題是,作爲玉樹臨風的你怎麼可能這麼沒水平呢。想着自己剛剛到任,罵人太多要官逼民反的。因此你很冷靜沉着的要給問題定個性:到底沒達標是不是個事,是個多大的事。
類似的場景多的很,比如:
2億的總目標,差100萬和差1個億是不是一樣的問題?
本月過去7天沒達標,和過去27天沒達標,是不是一樣的問題?
本月12日有大促銷,所以累積到本月5號沒有達標,是不是個問題?
本月是2月,2月5日過年,所以累積到2月10日沒達標是不是個問題?
所以你看,沒達標只是個數據結果,不一定是個問題。要通過分析才知道,這個沒達標到底是不是個事。是個多大的事。有了輕重緩急的判斷,才知道調動什麼力量,用什麼辦法解決。這就是數據分析的第二個用處:樹立標準,給現狀下判斷。俗話說:是什麼。
這裏是個大坑,很多從業很久的數據分析師都會踩進去!“是多少”+ 標準判斷 纔等於 是什麼。很多隻會無腦跑數的數據分析師,往往本能的看到漲就認爲是好,看到跌就是認爲是差。既不懂業務,也不會和業務溝通,結果不瞭解業務的判斷標準,很難get到真正的問題,做出的分析自然不知所云了。
做完前兩步,如果是一個從業10年的大區總監,估計不需要分析也能憑經驗做判斷了。如果是一個靠資歷混上來的大區總監,估計不想分析直接上三板斧了。如果是一個靠關係混上來的大區總監,估計已經在去找老闆哭可憐的路上了。然而作爲正義感與顏值的你,肯定不會這麼lowB,你才上任沒經驗,還想多分析分析,於是有了以下三項分析工作:
通過數據分析找一下,爲什麼會不達標(原因分析,或者簡稱爲爲什麼)。
預測一下銷售走勢,看看預計業績缺口多大(預測分析,或者簡稱爲會怎樣)。
評估一下過往的措施哪個好用,然後上政策(評估分析,或者簡稱爲又如何)。
這三項工作是很多人津津樂道的“高級分析”。甚至還有人就直接把數據分析分成了三類:
描述性分析
原因性分析
預測性分析
認爲描述性的就是低級的,原因就是高級的,預測自然被認爲是最高貴的。“預測是數據分析的精華”這種奇葩口號都敢喊出來。
可爲啥之前描述性分析那裏說了這麼多,原因和預測講的那麼少呢?因爲這些玩意看似高深的玩意,現實中卻很少做!大家掐指頭算算,是不是自己的時間80%被耗在清理數據、更新報表、做描述性統計上去了。剩下時間,可能大部分還耗在寫評估報告上。偶爾找找原因,還是拍腦袋找居多。建模預測?不存在的。
其實原因之前已經解釋過:一來,找原因、做預測、評績效都是基於描述性分析的。二來,這些分析可能根本輪不到數據分析師來做,業務部門不是自己搞掂,就是壓根懶得去計較。結果,自然是數據分析大把時間都消耗在跑數上。只有數據,沒有分析
總結一下,數據分析能解決/部分解決五大類問題
是多少(數據描述現狀)
是什麼(到底現狀好不好)
爲什麼(出現這個事的原因是……)
會怎樣(預測一下,這樣的後果是)
又如何(總結一下,這個事的結論是)
這五個問題是環環相扣的。有了清晰的描述才能尋找標準,有了標準纔有好壞判斷,有好壞判斷才能思考爲什麼好/爲什麼不好。有了對原因的瞭解,才知道如何構建預測模型,才知道如何全面評估。
誒,這就完了?是滴,就完了!數據分析不是萬能的,有相當多的問題不能解決。最常見的,就是這三大類問題:
想不想(我想不想做這個事呢?)
能不能(我能不能幹這個事呢?)
會不會(我不會幹!怎麼幹!)
因爲這三大問題,和意願、能動性、創造力有關。數據分析方法需要數據才能分析,這就決定了它是一種後置的方法,很難預知創新;數據分析方法是理性、邏輯的代表,也就意味着在解決感性、創造問題上存在劣勢。認知了這一點,就能更合理的規劃方法,解決工作難題了。在企業工作中,一般要麼是交給數據分析的兄弟:市場與用戶研究來解決的。要麼是現有方案,然後數據做ABtest和效果評估。
然而在工作中,纔沒有人會這麼細緻的梳理呢。大家都是習慣性的丟一句:“你來分析下這個XXX嗎!”這時候,做分析的同學們就得有轉化能力,把這些似是而非的問題轉化成一個具體的分析問題。
比如“我想不想做這個事”,當然可直接回一句“你愛做做,不做拉倒!”可是稍作轉化,把它變成:“如果我做了XXX事會產生什麼影響?”這樣就把一個“想不想”轉化成了“會怎樣”,有了具體的行動就可以分析。當問問題的人看了幹會怎樣,不幹又怎樣的結果後,自然心裏有個判斷。
比如“我能不能幹這個事”,當然我們回一句:“有能力的人就能幹!”這種毫無意義的屁話。但是如果把它轉化爲“過往做成這個事需要什麼條件,你又具備了多少?”這個問題就變成了“是什麼”的問題,問問題的人看了自己與條件之間的差距,自然心裏也有了答案。
比如“分析下這個事怎麼幹”,如果轉化成:“過往的舉措有什麼效果”就從“怎麼幹”變成了“又如何”,當問問題的人看了原來ABCD方法各自是什麼效果,心裏也有答案了。
所以,數據分析方法在企業經營,個人生活中都有很多用處,關鍵在於我們如何使用它。數據分析不僅僅是某一條公式或者一串代碼。數據分析的真正魅力在於系統的、客觀的、有邏輯的思考。用這種思考去代替零散、臆斷、盲目。這纔是它的做大價值。有些同學會問:既然數據分析有這麼大價值,爲啥我做分析就是天天在跑數……哈,這就涉及到工作方法問題了。俗話說:“你若安好,跑數到老”數據分析師如果太安於現狀,不懂梳理需求,不會管理需求,不會邀功請賞,結果就是天天等着業務部門丟需求,那就真的跑數到老了……這個問題下一篇分享。
推薦閱讀:
嗶!您有一份程序員數學公式寶典,請查收
XGBoost之切分點算法
不喜歡現在的工作,該怎麼辦?
2018年終精心整理|人工智能愛好者社區歷史文章合集(作者篇)
2018年終精心整理 | 人工智能愛好者社區歷史文章合集(類型篇)
公衆號後臺回覆關鍵詞學習
回覆 免費 獲取免費課程
回覆 直播 獲取系列直播課
回覆 Python 1小時破冰入門Python
回覆 人工智能 從零入門人工智能
回覆 深度學習 手把手教你用Python深度學習
回覆 機器學習 小白學數據挖掘與機器學習
回覆 貝葉斯算法 貝葉斯與新聞分類實戰
回覆 數據分析師 數據分析師八大能力培養
回覆 自然語言處理 自然語言處理之AI深度學習