作者介绍
@阿北
一名数据分析师，长期主义者，专注于个人成长；
期望花时间做一些有意思、有价值的事情；
《大数据实践之路:数据中台+数据分析+产品应用》作者；
“数据人创作组联盟”成员。
做好业务分析的重点在于数据分析师要有良好的专业素养：一方面要有过硬的专业技能、了解业务；另一方面要能够通过合作和协调，让分析策略可以落地并正向影响业务。这些内容在书中都会有介绍，本篇文章主要先带大家了解业务和数据的关系，先建立宏观的认知。
01 业务和数据的闭环
业务和数据，可以理解为映射关系，数据是业务在数字世界里的另一个它。举个例子来说：你衣服鞋子的尺码、喜欢吃什么口味的菜、爱看什么内容的文章、什么时候起床和睡觉等等，所有这些个人的数据都在云端被记录着，它就是你在数字世界里的映射。网上之前流行的一句话很有意思：手机可能比你自己还要了解你。就是因为它里面存储了一个数据的你。
我相信大家都清楚，手机用的越频繁，越多个人的数据被记录，它就会越好用，然后你就会用的更频繁。业务和数据就是这样的闭环促进关系：业务越全面、越深入的被线上化，反过来数据对业务的赋能就会越大。
业务数据化：
业务线上化，存储业务所产生的数据，记录业务；
数据业务化：
分析收集的业务数据，评估业务状态，指导业务发展，提升效率；
图1 业务和数据闭环
02不同岗位的职责边界与合作
公司在追求业务商业价值最大化的过程中，会涉及到多个部门间的合作。下面我们就按照图8-1中的数据流转链路来梳理一下不同部门（岗位）主要的职责边界，以及整体是怎么串起来一起协调工作的。
业务产品经理：
负责协调研发、测试、设计等部门，从实际业务需求出发，上线产品；
数据开发工程师：
根据数据产品经理的需求，按模型、按主题等去加工业务数据；
数据分析师：
建立体系的分析框架评估业务状态，定位业务问题，指导业务的发展；
数据产品经理：
负责协调数据开发同学将业务数据模块化和体系化，同时将业务分析框架产品化，提升数据赋能的效率；
运营：
根据业务方向，通过短期的激励活动，引导用户认识到产品的长期价值；
在实际的工作中，涉及的部门会更多，比如还会有算法部门、研发部门、用户研究部门等等，这里就不一一展开跟大家讲了。具体的合作过程：首先是业务产研团队基于实际需求，上线产品，当业务数据被收集上来以后，会同步到数据仓库，数据开发工程师根据数据产品经理的需求对数据进行加工处理，数据分析师会全面有逻辑的去拆解和分析业务，并同数据产品经理一起合作把分析框架沉淀在数据产品上。数据分析师、数据产品经理和数据开发工程师一起搭建了整个业务的数据体系，然后对外输出：评估业务状态、数据支持运营活动、分析产品迭代效果等等。
03数据、信息和知识
接下来我们会就其中的数据分析环节展开来讲，在这之前，先宏观的了解一下从数据到决策会经历怎样的一个过程。
我们时刻都在被数据所记录着：年龄、身高、体重、消费金额、运动步数等等，如果只是单纯的去看这些数字是没有意义的，要用心去思考数字背后鲜活的业（灵）务（魂）。说到这里，阿北笑着又重复补充到：业务是有灵魂的！当我们从这些数字中发现业务背后的信息，再将这些数据和信息转化成一组规则来辅助我们决策（知识）的时候，数据就会变得很有价值。这个过程就是：从数据到信息，再到决策（知识）。
跟大家举个生活中的例子：体温39度是单纯的数字，背后的信息是发烧了，做出的决策（知识）就是需要去医院看病。
图2 数据-信息-知识
对于上面总结的从数据到决策的过程，我们往往会说成根据数据分析的结果去做决策，虽然这样的说法没问题，但不够直接，实际上我们是基于业务理解去做决策的，而数据是帮助我们加深业务理解的工具。数据赋能业务一般会经历四个环节：数据表现、业务原因、业务策略和作用方式。最开始我们通过数据去评估业务状态，发现业务表现异常，再全面的分析数据并结合一线的调研反馈，反复的进行猜想和数据验证，弄清楚数据表现背后的业务原因，然后思考解决问题的策略，再落地执行，监控后续效果并不断的迭代，直到问题被解决，业务发展进入正轨。
图3 数据赋能业务
再就刚才提到的生病发烧的例子详细解释一下数据赋能业务的过程：体温39度是数据表现，背后的身体原因是发烧了（业务原因），医生说需要打点滴退烧（业务策略），之后你就躺在病床上，护士过来给你输液（作用方式），这些流程走完之后，后续还会要求你持续的测量体温（监控落地效果），如果还一直不退烧的话，可能还需要继续去输液吃药（不断的迭代业务策略），直到最后体温恢复正常（问题被解决），身体进入健康状态（业务发展进入正轨）。
04业务策略的闭环
分析数据定位业务问题，基于业务理解，确定解决策略，到最终正向的影响业务，整个过程中，业务策略存在两个闭环：逻辑闭环和业务闭环。
逻辑闭环：
数据分析的过程，逻辑上要闭环，论据要能够支持结论的成立；
业务闭环：
策略在业务上的落地执行要闭环，不断的调整迭代；
图4 业务策略的闭环
这两个闭环是互相影响的，首先要做到的就是论证逻辑闭环，保证结论可以站得住脚。等真正落地执行的时候，业务上可能行不通，就需要基于新的业务理解去迭代论证逻辑，形成新的逻辑闭环，再去落地执行，直到在业务上可以跑通。
所以在数据分析过程中会常出现两类问题：
逻辑闭环相关：
不接地气，指的是策略的逻辑论证没问题，但离业务上跑通还很远；
业务闭环相关：
策略没有落地或者落地反馈周期太长，导致业务理解只停留在当时分析数据的节点，没有得到验证反馈；
那我们在工作中怎么判断业务策略是否接地气呢？主要分成两步：
深入思考策略成立的业务假设是什么？
调研判断业务假设是否成立？
举个例子：你设计了一套完整的针对B端商家的权益方案，希望牵引商家按平台的方向去做生意，假设权益方案在逻辑上没问题，但要真正落地有效的话，就会涉及到一些业务假设需要成立：
平台可以很好的触达商家，商家也能够理解权益方案；
权益方案细节，商家真的很在意；
……
接着就需要去调研这些业务假设是否真的成立？如果成立的话，那么该策略落地有效的概率就会很大；如果商家理解不了复杂的权益方案，或者商家对权益根本不在意，那说明该业务策略是不接地气的，就需要及时做出调整。当然，策略是否有效的前置调研验证是很有必要的，但有时候调研结果并不能直接推导出策略有效或者无效，那就需要设计好的落地方案，快速验证迭代。
最后也类比过来，判断某个人是否懂业务：如果这个人通篇都在讲数学逻辑，没有业务判断，或者有些业务判断明显是不成立的，那大概率这个人就不太懂业务。要做出正确的决策首先逻辑上要成立，另外在业务上也要行得通。
05人人都会数据分析的趋势
如今不论是企业还是个人发展，整体都在往数据方向转型，数据变得越来越重要。企业需要数据资产保持行业竞争力、产品需要根据数据分析的结果来迭代、运营需要通过数据来评估活动效果等等，越往后，数据思维、分析能力会逐渐变成横向能力被大家所掌握，人人都会数据分析肯定是未来的趋势。所以我觉得大家在这个窗口期选择数据领域是非常明智的。
本文摘编自《大数据实践之路：数据中台+数据分析+产品应用》，经出版方授权发布。
网友评论