哪些人能做好数据分析?

哪些人能做好数据分析?

最近研读《帆软数据应用研究院 》中一些企业数据管理的深度案例,一直在思考,“数据分析”这个皮球应该是由IT技术员来踢还是业务人员来踢。最好的结果肯定是专人做专事,谁受益谁主导。于是,我就思考,哪些人最有可能做好数据分析和数据挖掘呢?

技术专家能不能做好数据分析?

常听到业务人员抱怨,说他们的数据分析部真是太差劲了,给了他们一大堆数据,结果技术部什么信息也没有挖掘出来。除了做了一些统计外,画了几张图表外,什么信息也没有给我们。平时见他们说大数据多么重要,大数据技术多么牛X,其实到真正解决问题时一点用处也没有。可见,大数据的泡沫有多大!

业务专家能不能做好数据分析?

技术人员也在不断抱怨,说业务部门的人不负责,光是给我们一大堆数据要我们分析,也不告诉我们要干吗?要达到什么目的,我们只管做技术分析,我们哪知道数据呈现什么信息,哪知道数据怎么使用啊?

这,就是现实!这就是数据分析中最常见的问题!

业务人员,不知道数据分析能够做什么,不能够做什么。

数据分析人员,不知道从哪些方面哪些角度去分析数据。

管理者,拿到分析结果后,不知道怎样解读数据使用结果。

每个人都不知道在数据分析项目中,各自的职责是什么,所以才相互埋怨,相互指责。

数据分析的目的,是解决商业问题的。

一个完整的数据分析过程如下,从要解决的业务问题出发,将业务问题(或管理问题、营销问题等等)转化为数据问题,再使用数据分析方法来提取数据中的信息,最后将分析结果从业务层面进行解读,从而做出合适的业务决策。


明确业务问题

明确业务问题,这是业务人员的职责。

我们要解决什么样的业务问题?达到什么样的目的?需要业务人员把工作中面临的困惑和问题提出来。

明确业务问题,这是数据分析的起点,也是做数据分析的先决条件。

是要有业务问题,然后才知道应该收集什么样的数据,做什么样的分析。收集数据、分析数据都是要围绕业务问题来的。有了业务问题,我们才知道需要收集哪些数据,利用什么分析方法来分析数据,否则,没有目的,所有的工作都是浪费。

所以,不是先有数据,再去分析,而是先要有业务目的,才进行数据分析。顺序不能反了,这是必须要搞清楚的事情。

当然,也不排除在有些情况下,在不明白应用场景的情况下,先收集数据,然后再思考这些数据怎样用。这在互联网公司是经常遇到的事情,但传统行业的业务模式基本清晰,应该要先梳理主流业务,然后指导数据分析部进行数据收集和分析。

将业务问题转化为数据问题

业务问题的转化,这需要业务专家和数据专家共同进行。

一个大的业务问题,在业务逻辑上是怎样的,应用从哪几个方面来思考,应该将其分解成哪几个小的因素,每个因素涉及到哪些数据,应该通过什么指标来衡量,这些如果业务专家不参与的话,是没有办法实现的。

比如,市场精准营销的问题,这个宏观的问题怎样才能转化为数据问题。分析师是没有精准营销的概念的,不知道影响营销的因素有哪些,但业务专家却十分清楚精准营销要收集六种主要信息。在业务专家的配合下,数据分析师才能够将其细分,将其转化为数据的收集和评估指标,然后才得以继续进行。

数据分析过程

数据分析过程,一般是由分析师主导的。

在明确要解决的业务问题,收集到需要的原始数据之后,分析师就开始就数据进行处理,包括数据统计、数据建模、模型优化与评估。

通过合适的分析方法来提炼数据中包含的业务规律和业务问题,或者提炼出数据间的关系,找到影响业务问题的关键因素,甚至可以预测业务未来的发展趋势。

数据解读

数据解读,这也需要业务专家和分析师共同进行。

数据分析的结果依然是数据,当然为了直观,也可对分析结果进行可视化。分析结果必须要上升到业务层面进行解读,否则也是没有意义的。

数据的变化,意味着业务的变化;数据间的关系,意味着业务因素间的关系。从数据到业务,需要业务专家和分析师共同解读,然后,再基于结果,提出相应的业务对策,这也主要是业务专家的职责。


上面一个完整的数据分析过程,可以看得出,要做好一个数据分析项目,既要懂业务,又要懂分析,所谓“三分技术,七分业务”。

选择合理的工具

技术人员整合、处理数据,业务人员拿到可直接分析的数据做业务分析。业务分析的实际操作往往还需要懂Excel、SPSS、SAS等统计分析工具的使用,还要考虑美观的可视化(好向领导交代),数据分析与可视化结合不妨使用一些Tableau / FineB I/ Qlikview之类的BI工具。

一句话,数据分析需要业务专家和数据分析师的相互配合,需要团队协作。单凭某一个方面的专家,是不足以做好数据分析的。

公众号:数据分析不是个事儿

常年分享数据分析干货,不定期分享好用的职场技能工具。

近期,将在我的公众号里写一个“数据分析入门系列”,感兴趣的可以关注。

编辑于 2018-12-13

文章被以下专栏收录

    分享数据化管理之道。 关键词:大数据、数据管理、数据挖掘、数据产品、行业研究