@周哈哈哈
数据分析专家，10多年工作经验。
先后任职于艾瑞咨询，电信，网易，美图等。
现于某互联网独角兽担任数据部门负责人，
致力于企业数据化管理和应用，
利用小团队，创造大价值。
“数据人创作者联盟”成员。
书接上文，数据团队核心价值是3PSA，实现通道则是ABC矩阵，那么对于非数据团队的人员，要如何去利用数据团队，为自己的业务赋能和创造业务价值呢？本篇是谈价值的最后一篇，主要面向非数据从业者，希望能够有助于数据团队与非数据团队更好地合作。以上场景来自于数据工作日常，几乎所有的分析师或者数仓都会遇到类似的质疑，但非数据团队的宝宝们，数据和其他所有的产品一样，也是要产线工人（BI）生产出来的，咱们买披萨不会在它还是团面的时候就交付吧？所以，请务必尊重数据生产规律，就像我们也尊重运营、产品、市场等都有其专业性一样。具体而言，数据的生产过程可以简化成5个部分，数据采集、数据清洗、数据存储、数据分析和数据呈现，就像披萨的生产一样，数据采集就像基本的采购环节，所有生产的来源，数据采集的来源主要是业务库；数据清洗顾名思义就是洗菜，如果没有洗净残留的农药什么的，那么很容易得急性肠胃炎甚至扑街，当然如果说买过来的就是净菜，那么清洗的成本是可以大幅降低，但是采购的成本就不低了，也就是在数据采集的时候业务库的数据要足够干净；数据存储可以理解成洗干净的菜需要有地方存储，以方便使用，在数据生产流程中通常是数仓来承担这部分功能；数据分析包括了数据提取和分析，包括了从仓库里取出洗净的原料，有时候可能是仓库里的也不干净，也会包括二次清洗的环节在里面，同时，也包括了完整的烹饪过程，每个分析师的角度观点不同，取的数据和分析的结论不同，就像不同的厨师做出来的披萨也不尽相同。当然，如果是统一流水线的披萨，限定了时间、克重、步骤的，那是数据产品实现的内容，比如自助取数类的产品，这种场景下业务自己就可以根据条件获取数据。数据呈现是菜品的摆盘，好的披萨色香味俱全，那么摆盘也是其中比较重要的环节，放在纸盘还是木盘，给顾客的感觉是不一样的，同样的，越精致的摆盘越消耗时间。总体而言，想要有价值的数据，就跟想吃美味的披萨一样，需要时间，否则要么烫死、要么毒死、要么难吃死，也就是数据要么残缺、要么无效、要么整个都得推倒重来，得不偿失啊宝宝，浪费的是大家的时间和精力。那你要问我，老板的紧急需求来了怎么办？讲道理，一开始就是需要降低老板预期的，错的数据会导致错误的决策；如果真的那么急用来的决策的数据，一下子拿不出来，那么说明平时的积累不够，又或者这个需求本身就是存疑的。
“哈总，作为我们数据小白，要怎么去学习数据分析呢？”作为非数据专业从业者，了解数据分析，理解数据工作，提升数据思维，最基本的建议是，掌握农场思维。这不是让大家去运营一家农场，而是五种基本数据思维的合集，具体而言，主要是流式思维（flow
thinking）、锚定思维（anchoring）、剃刀思维（Occam's razor）、多维分析（Multi dimensional
analysis）和结构思维（Structural thinking）。
（1）漏斗图是典型的流式思维演示，其中应用最广泛的是海盗模型AARRR，把整个用户运营流程分成不同的漏斗，获取（Acquisition）、激活（Activation）、留存（Retention）、营收（Revenue）和分享（Referral），每一步的转化漏斗都是可以用来分析和改进的地方，既是业务流，也是数据流。深入理解业务流，并且转化成数据流，是一种很好的数据思维。（2）瞄定思维核心在于对比研究，不知道大家是否还记得罗老师扇巴掌的经典桥段，起因是跟星巴克店员关于中杯、大杯和超大杯的辩解，罗老师说的很对啊，我要的是这三杯里面较小的一杯，这就是锚定思维，小不是绝对的，而是相对而言，中杯相较于大杯就是小，且没有更小的话，他就是小杯，你要说espresso也有杯子的话，那也就是看锚定物。（3）奥卡姆剃刀的核心是，“如无必要，勿增实体”，原本是产品设计里面的经典理论，但同样也适用于数据思维的场景之下。我们经常会碰到的情况是，非数据从业者或者说需求方，拿了个一百来字段的报表需求，要求数据团队开发跟进，其中很大比例的是想到哪儿就是哪儿，或者为了字段而凑字段，觉得这个数据我也要看，那个数据我也想了解。宝宝，真的给你做成看板的话，你看不过来的，给你10个指标你记得住就很让人佩服了，一百多指标，这真不是叠罗汉。所以，还是多多寻找北极星指标吧。（4）多维分析适用于不同对象和场景，主要是基于业务和经验的尝试，无论是上卷、下钻、切片等方式，不断去寻找数据分析的切口和角度，既不能一叶障目，也不能钻牛角尖。简单的多维分析例子，比如说销售额下降，可以去看区域的数据、单品的数据、人群的数据、渠道的数据、转化的数据等等，总之，去寻找到更贴近实际情况、更具有可解释性的角度。（5）结构分析即下探拆解的穷举，金字塔原理中的MECE法则，即对于一个重大的议题，能够做到不重叠、不遗漏的分类，而且能够借此有效把握问题的核心，并解决问题的方法，这也是数据思维的重要组成部分。另外，财务领域常见的杜邦分析，也是典型的结构思维的应用。首先，请务必尊重数据生产规律，就像尊重你自己的专业一样；其次，明确数据需求，至少要配合数据团队来了解数据需求的背景，协助你明确数据需求；最后，如果可能的话，多了解学习数据的基本知识，多沟通、多思考。归根结底，合作本身是包含了双方，不是单方要求，而是双方配合，共同完成某件事情。
发表评论 取消回复