数据分析师需要具备哪些能力？（三）
如何体现数据分析师的价值？
一、实际工作的数据分析师
数据分析师应该做什么工作，怎么理解每块工作的内容？
数据分析师的工作根据公司规模、公司所处阶段、数据分析师工作经验、数据分析团队的架构与定位，数据分析师工作内容会有不同的侧重点。
很多从事数据分析的伙伴都以为数据分析师，应该是通过数据对业务团队决策、公司管理层的决策进行“指点江山”的。但是实际的工作内容是做数据分析报告、构建机器学习模型、打造数据产品等，做的都是非常有“技术含量”的活。
举个例子，业务团队要做一场促销。数据分析师理想状态应该这样：
- 进行各种数据分析，告诉业务小伙伴，根据你的目的，你应该设计什么样的活动，投入什么样的资源，针对什么样的用户群。
- 收集数据发现活动效果很好，一定是平时活动效果的N倍。然后继续下一次迭代。
这是很多数据分析师认为应该的工作状况，当然这也是大多数数据分析师的梦想状态，因为像很多大公司中的数据分析师的确是在实践着这个“梦想”。而不是活动前、后都只是叫数据分析师提个数据，做个报表。
上述案例场景通过数据分析发现机会点指导业务进行精准营销，的确应该是数据分析师价值最重要体现之一，但要实现这个场景，需要企业数据文化、公司的数据质量、公司的业务规模、公司的数据团队能力……（要实现这些内容需要很多前提条件）
而实际上，数据分析师的工作，大部分时间都是在做数据需求和数据报表这二块内容的。这也就导致很多数据分析师工作一段时间后都会面临着困惑，感觉自己就是一个取数工具、一个提报表需求的人，从而产生了一些迷茫与疑惑。
其实，数据需求处理和数据报表开发这两个内容，是数据分析师的基础工作，如果这两个基础做不好，后续的“高大上”、“有技术含量”的事情也是很难做好的。因为这两个基础如果做不好，那么就说明对业务的理解比较粗浅，对业务理解不够深入，那样的话也就很难做出高质量的分析，很难做出一份高质量的数据分析报告的。
比如说很多伙伴写的数据分析报告，往往都是在罗列数据（也就是简单的描述性分析，没有结合业务场景导致分析不够深入），感觉PPT做了很多图标、很多数据，但是当你问他们这份报告的结论是什么？支持结论的数据是什么时？这份数据分析报告的阅读对象是谁？往往他们自己也不清楚，这样就会导致分析的结果都可执行性不大。
二、数据分析师价值体现
数据分析师工作如果从“价值体现”来看，可以划分成两个阶段，这个价值体现没有高低之分，只是公司在不同阶段和具体场景需要的数据价值去匹配，只有适应与不适应之分：
1）看事实数据发现问题
通过准确、及时、完整、相对客观的数据指标与数据体系，来监控业务状况、定位业务问题点，从而随时随地知道业务进度、知道业务是否有异常，并根据分析异常数据的需要对常用维度进行拆解（杜邦分析法和假设检验）。
比如：销售额异常分析。在知道KPI完成进度VS时间进度的情况下，进行维度拆解分析。（1）按品类拆分的进度，知道谁好谁坏；（2）按客流、客单拆分，知道是哪个因素导致；（3）按区域、门店拆分，看哪个区域、哪个门店有问题。
请牢记一个原则，如果维度拆解后的数据指标没有人为这个负责，找不到责任人的话，那最好还是不要用这个维度（可以换个维度进行拆分）。目前能达到这样的数据状态的企业还是非常非常少多，特别是传统的企业（互联网类型的可能好点）。
2）挖掘数据价值找到问题答案
这个阶段更多是“洞察”，对数据进行深入的分析，也就是“数据分析商业洞察”，挖掘出隐藏在数据背后的规律，从而支持各种商业决策。在实际工作中，根据具体的业务场景可能会需要不同的数据分析方法。
例如：做用户的分类，可能会做一个“顾客聚类”模型或者“用户画像”与“用户分层”模型；对用户流失可能会做一个“用户流失预测模型”。
不管是哪个阶段，千万要记住，数据分析的核心是“解决问题”，不是“技术含量，技术复杂度，用什么工具”。
三、价值体现应用场景
准备从事数据分析师及刚从事数据分析师的同学一定要记住。最怕那种不懂装懂，上来说问你处理过多大数据量，你做过多个机器学习模型，你做过多少个数据产品！搞得没有做过这些内容，好像数据分析就没有任何价值似的。
我们举个例子来说明这两个阶段价值体现的具体使用场景。如某个企业，某周业务团队发现本周销售额没有达到之前设置的目标，假设是月累计完成率。我们假设有两种数据分析场景：
1）通过数据拆解定位是某个区域的销售远低于目标(常用假设检验)
数据分析师如果对业务很理解，可以会假设各种原因。例如：是否缺货、是否竞争对手搞活动、是否取消与第三方的合作、是否定价过高、是否服务质量下降、是否促销效果不好、是否商品品质不好、是否客流下降、是否客单下降……. 会形成各种商业场景问题的原因假设，基于各种假设来利用进行验证分析。
如果对业务不熟悉，也可以通过对各种相关数据指标来进行对比，找到可能影响的关键因素。例如：如果客流下降，是否某个价格带的商品太少？或者缺少引流品牌？是否缺少足够多的引流商品？一般是通过把当前的数据与这个区域的历史数据纵向对比分析；与其它区域的横向对比进行分析发现。
2）如果是所有区域都下降，而且下降幅度相差不会太大(常用假设检验)
可能就是公司整体商品策略、价格策略、促销策略，或者整体的社会环境导致用户的购买力下降，形成相关假设后，一样用数据去验证这个假设。假设销售的下降，是由于某类型顾客流失率在持续上升导致，那业务需要针对这类顾客进行针对性营销动作以做挽回。这个时候可能需要“机器学习”这种有“技术含量”来支持：
①-1构建机器学习模型
通过构建机器学习的预测模型，为每位顾客的流失概率打上标签，根据流失概率来提前做预测，一个顾客如果已经流失了，挽回的可能性一般是很小的，或者要挽回的代价很高，对于用户购买相对高频商品的公司来说，一般都会对流失用户提前预测。
①-2构建智能营销数据产品
对每个用户由各种根据数据分析生成的标签，例如：价格带偏好、品牌偏好、购物时间偏好、购买金额偏好、高价值标签、活跃度标签等；也会有各种机器学习模型构建的标签，例如：通过不同场景的聚类，打上相应的标签，像生命周期标签；对用户的流失概率建模，打上流失概率标签等。
利用数据内容，业务可以设置一个规则，系统可以每天定时计算，也可以用户产生新数据后实时计算，从而更新用户的标签或者各种概率值。当用户满足某个值的时候，自动匹配哪种类型的营销手段，以哪些触达方式促销用户。
会员或者活动运营的同学可以及时看到各种报表统计数据来看营销效果：数据分析师可以不断的迭代机器学习模型，用新的数据不断持续优化模型，提升预测准确度。
业务同学可以将营销效果与数据分析结果相结合，不断的迭代与优化对应的营销方式。数据分析师，从职业发展来看，随时发展可以走技术路线：机器学习、数据产品方向；或商业分析方向！
②当然，也可以通过数据分析，寻找找到几个关键数据指标来划分，这时候针对是一个类型的顾客，而不是一个顾客，这样也可以提升营销的效率。
二种都是解决问题的方法与工具，都是能解决问题，在精细度上有一定区别，但前面一种“成本”也比较高，我们数据分析师也一定要考虑最重要一个衡量指标：ROI。所以根据实际情况和资源来决定用什么方法。
注意：数据分析核心还是要懂业务、懂商业逻辑。用“假设检验”的思维去做数据分析，往往是一个优秀的数据分析师的最重要的“特长”。这个特长可能是书上学不来了，得靠自己不断的实践、不断的问为什么形成。
四、理解“数据事实”（与数据口径）
把基础数据工作做好往往是深入理解商业逻辑的重要方式，基础做好了，才能把相对高大上的数据分析内容真正做好，看事实数据，是基础，是核心，也是关键。
我把数据临时需求、数据报表这两个部分的价值更多在于“看事实数据”。这两个内容提供好后，对业务价值是：看数据，通过数据直观、清晰了解业务实际情况，是否有异常？如果有异常，业务异常发生在哪？从而可以快速做出相应的商业动作。
为什么叫“事实数据”还包括两个含义：
一个是数据是正确统计。
是指在数据统计过程中，“数据代码的开发与实现”是正确的，没有统计错。例如：销售金额，不会统计成销售数量，不会因为数据表、数据字段用错、写SQL代码逻辑写错而导致统计结果出错；这种更多是避免“技术”上的错误导致数据不准确。
一个是指数据指标定义要符合分析场景，没有被“人为修饰”过。
数据的加工是根据特定场景，按实际需要进行定义的。数据反应真实的业务状况、业务表现。
举个例子来说明一下：转化率=订单量/UV；还是会员数/UV；
1）应该是用订单量还是会员数？应该用什么状态的数据？创建产生的订单/会员？支付产生的订单/会员？还是支付成功的订单/会员？
2）UV是指访客，访客是按cookie统计？还是按用户的设备号统计？数据指标定义实现没有所谓的“百分之百”准确，在特定场景下根据数据要反馈或者分析的特定问题，我们应该使用更真实的数据指标。就我们上面的转化率，如果汇报的同学想表达“特定”观点，可以针对性定义某相的数据指标。如果不是根据相对“客观”真实反馈数据的话，可能呈现的数据指标会出现截然不同的二个结论。
有时候会听到说，“数据会撒谎”，数据本不会撒谎，就看用的或者加工数据的人怎么处理，数据是用来反映问题，帮助解决问题，不应该让数据成为掩饰问题的手段。
经验小分享：
一、应该让业务看到真实数据，保证数据一致，各个出口看到的数据指标不打架，至少应该是关键数据指标不打架。这种关键指标应该是定义好，不允许更改的，如果要更改也必须是管理层来确定。
二、在实际很多企业中，能做好数据临时需求、数据报表构建好，就已经能解决企业很大的问题，对任何业务团队的来说，可以准确、及时、完整的看到数据，就能通过数据很好的看清楚业务状况、业务结构。
“通过数据，可以很直观反馈业务是否健康，是否有异常，利用数据可以快速的监控、定位业务的健康状况。”
“帮助业务团队做决定，最重要的是要搞清楚问题是什么，什么是最为重要的。如果问题都还没有搞清楚、没有定义清楚，凭感觉就简单的做出各种决策。这是“拍脑袋行为”，在目前竞争环境下，已经不再适应！”
当前面这些基础做好后，才有可能去谈如何做数据分析，因为做数据分析最大的前提是要清楚定义问题之后才能分析。
