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