編輯導語：用數據分析來指導業務問題，非常容易出現各種問題。比如數據分析指出某個早就存在的問題，卻沒有辦法給出一個具體的解決方法，或者業務人員嘗試解決無果之後，就會覺得數據分析是不可靠的。本文就數據分析作用展開讨論。推薦對數據分析感興趣的同學閱讀。

　　這是一個面試時經常被問到的問題，也讓很多同學犯難。要麼不知道從何說起，要麼回答完了被人怼回來。今天我們系統性解答一下。

　　首先，這個問題凡是直接回答“能幫企業賺錢/省錢”的，都會大概率陣亡。不是被面試官怼穿，就是在入職後深陷大坑，連試用期都熬不過去。

　　因為數據本質上就是個參謀，不是真正在一線戰鬥的士兵。

　　就像狙擊鏡倍數再高，最後打死人的是狙擊手，是子彈，是步槍，唯獨不是狙擊鏡一樣。想赢得一線戰鬥的勝利，需要的是經費、技術人員、業務團隊和老闆的審批權。數據的作用是排在隊尾的。

　　其次，直接回答“能幫企業賺錢/省錢”往往會被一句話怼穿：

　　你的分析報告包括沒包括執行方案？如果沒有包括，那落地都不是你做的，憑什麼說錢是你掙的。如果包括，你的方案有沒有資源人力投入，那你怎麼證明是數據分析起而不是資源投入導緻的效果？

　　當然，大部分數據分析報告，壓根就沒有配套的落地方案，這個問題到第一步就已經被怼死了。僥幸活到第二問的，也無法解釋。畢竟數據就是數據，數據能幫助業務但不能替代業務。

　　當然，也有些同學變身激情澎湃的吹吹哥，大吹一通：“身為一個數據分析師，我的能力真的好強。不需要投經費，不需要做開發，隻要拿着我的分析，鈔票就花花的來！”這麼浮誇的說法肯定會被懂行的人直接拆穿。

　　但萬一遇到的是一樣不懂行的，還真信了這番話，把吹吹哥招進公司，指望着一分析定乾坤。

　　那吹吹哥會大概率陣亡在試用期，因為根本沒有人會理他。誰會沒事聽一個新人哔哔。

　　沒有經費、沒有開發、沒有銷售，靠二行代碼一份ppt，能掙個屁的錢。

　　最後所有吹出去的牛逼，都會煙消雲散。

　　狙擊鏡，和狙擊手打死人是兩個概念。

　　數據分析輔助決策，和數據分析師來做決策是兩個概念。

　　數據分析助力業務，和數據分析就是業務又是兩個概念。

　　切記切記

　　那麼，正确的答法是什麼樣的呢？

　　首先，數據分析最大、最直接的作用一定是生産了數據。

　　這才是真正數據分析師們自己做出來的成績。

　　不需要花裡胡哨的包裝，數據本身是非常有價值的。就像開車一定要看速度和轉速表一樣，根本不需要模型，不需要思維，不需要概念，你開車不看速度表試試？就這麼簡單。

　　一、正确回答

　　1. 第一順位的回答

　　話術舉例如下：

　　填補了空白：

　　我新建立了5張促銷活動報表，使業務部門可以及時掌握促銷活動的情況；并針對業務部門常開展的3類促銷活動，新設計了标準的分析模闆，使業務部門能夠對比曆次活動效果，選擇更适合的方法。

　　解答了疑問：

　　業務部門對于使用哪個産品方案意見不一緻，我設計了ABtest，對兩個方案進行了數據驗證，數據上支持方案A表現更好。

　　支持了業務部門決策。（注意，很多時候數據并不是唯一的決策标準。所以即使做過ABtest，也不要把話說死，自吹決策都是我的測試驅動的，會被懂業務的人怼）

　　驗證了假設：

　　業務部門一直對XX渠道引流效果有懷疑。通過數據分析，我驗證了業務部門的假設，該渠道确實ROI不佳，且經過多次調整，效率仍然未見起色。

　　提升了效率：

　　我提升了跑數效率，把過往3天更新的數據，提升到了隔日更新，獲得了業務部門的好評，提升了決策效率。我設計了移動端報表樣式，提升了報表使用率，使業務部門更廣泛的獲得數據支持。

　　這四條都是通過數據報表、模型、試驗、分析報告能夠直接實現的效果。

　　是數據本身在發揮作用，所以可以作為第一順位來講。請注意上邊四句的順序，這個順序就是數據發揮作用的先後順序。

　　從0到1，新建數據的作用是最大的。

　　從0到1，效果容易觀察。并且完全沒有數據，兩眼一抹黑的情況，就像開車不看速度一樣，本身非常危險。從0到1的工作是最容易體現成績和最容易被認可的。

　　在業務舉棋不定的時候，提供數據标準，判斷哪個是70分及格，哪個是50分滾粗，幫助業務從1做到60分，作用是第二位大。

　　因為沒有數據支持下的粗放經營，就是很容易各種作死，就是很浪費資源。數據分析就是比拍腦袋靠譜。

　　至于優化效率，把業績從60分提升到90分，反而相當難做，實際起的作用也有限。

　　因為做出超凡的業績，要依賴的往往是不可複制的天時地利人和。這是業務部門發揮天才的時候。再牛逼的分析模型也沒法模拟喬布斯的大腦，大緻就是這意思。

　　所以小結一下：數據本身就是價值。

　　數據的價值更多體現在結束兩眼一抹黑的狀況，給業務部門提供正确的方向指示上。當然，業務部門如果看到了怎麼樣做效果更好，自然會引發第二步的動作：依照數據結論，進行決策。這就到了數據分析作用的第二步：間接促成業績。

　　2. 第二順位的回答

　　話術舉例如下：

　　發現了業務機會：

　　通過分析流失用戶屬性，對用戶進行綜合評估，我找出了挽留價值高，挽留難度低的用戶群體。業務部門采納了意見并開展挽留活動，比沒有進行分層挽留前，提升了用戶留存率5%。

　　發現了業務問題：

　　通過建立外呼響應率預測模型，對用戶進行評分，我找出了響應率較高的用戶群體。

　　業務部分采納了外呼評分名單，優選Top50%的用戶外呼，外呼響應率從2%提升到8%，從而節省了外呼人力/經費浪費，提升了外呼效率。

　　需要注意的是，上述話術很可能引發對方好奇，引出更多的問題，諸如“你是怎麼做出來的”“詳細談談經曆”之類。所以如果真的有經驗，單純交代數據是怎麼做的是遠遠不夠的，至少得以下三點加持：

　　（1）要講清楚分析的基礎

　　大部分項目并非從0開始做。

　　除非是參與一個全新的項目，還沒有任何業務設計。否則業務部門都有一些常規做法。

　　比如上述的流失挽留，有可能業務部門是在用戶7天/30天/60天不登錄的時候固定做喚醒，沒有做區分。數據的作用不是憑空捏出來了，正是因為有之前的數據基礎，所以才能通過分析來判斷好壞，形成經驗。

　　這些基礎是不可省的。很多面試吹的很大，入職做的一塌糊塗的數據分析師，都是因為沒有關注基礎，結果倒在新環境的爛泥裡。

　　（2）要講清楚分析方法的結合

　　大部分項目并非一個模型一竿子通到底。

　　還是拿上邊流失挽留舉例，至少需要五個步驟：劃分挽留群體，分析用戶偏好，對比挽留方案，預測挽留成功率，監控挽留效果。這裡至少可以拆分出五個分析專題出來。

　　在實際工作中，盡可能參與全業務流程，搭建一個分析體系，要比指望一個孤零零的模型管用的多。

　　（3）要講清楚業務配合條件

　　大部分項目并非數據一手遮天。

　　比如上邊外呼響應模型，外呼本身話務組水平、外呼産品的選擇、是否配合促銷政策、外呼時間段、外呼時間節點等等因素都會有影響。

　　這些都是得靠業務部門支持和配合，才能達到理想的狀态，單靠數據可算不出來。好的數據分析效果，一定是數據與業務相互配合得到的。

　　有了這個三點加持，數據如何助力業務，最終産生效益，就解釋的很完美了。

　　這種解釋方法會顯得很慫，可能有同學不理解，說：“有必要區分的那麼清楚嗎？我就說是我的分析搞出來業績，又怎樣嗎！”。這麼謹慎的區分，除了能規避開頭講述的問題外，還有個更深層的原因：

　　當人們不了解一個東西的時候，就會表現出兩種極端的态度，在沒有問題的時候對它不屑一顧，在出了問題的時候指望它一口續命。這種态度隻會讓科學堕落為玄學，讓科學工作堕落為賣保健品的假藥販子。

　　抛開數據分析運作的體系，去大吹特吹依靠一個神器的算法模型，一個牛逼的底層思維就能起死回生治病救人，本質是在害自己，是在禍害做數據的圈子持續健康的發展。

　　數據分析不是太上老君的仙丹，不是一口續命的神藥。數據分析想助力業務，從來都是建立在體系化運作的基礎上的。

　　先從0到1采集數據，建立數據監控體系；再從1到60的沉澱經驗，篩選方法，積累特征；再從60到90分的建立固定分析模型，持續提升業務效率。 這才是數據分析助力業務的路徑。這個過程看起來很慫，看起來很辛苦，不過确實可持續發展之路。

　　二、實操 大部分同學之所以回答不上來“你做的數據分析有什麼用”，是因為他們倒在了起點——根本不知道業務拿數據有什麼用。

　　甚至有很多人是工作了2年，連到底有多少業務部門，到底業務部門是幹什麼都不知道的。所以掌握業務部門的工作是一個好的突破口。

　　為了培訓新人講解“數據分析有什麼用”我之前簡單整理過一個各個企業的業務部門是幹什麼的，讓新人們先理解各個部門的職責，之後在見客戶的時候，一定要了解清楚，客戶是哪些部門有需求。

　　之後就可以按照0,1,60,90的方法進行介紹了。

　　比如今天要見的客戶，對銷售BI有需求，就可以先問：你們有沒有建立業績監測體系？如果沒有，就講從0到1的重大意義，講那些不做數據化管理的公司的各種亂象。

　　如果已經有監控，那就講從1到60的各種意義，講通過數據結果怎麼找出渠道問題，怎麼發現新渠道的機會。

　　如果連這個都有了，就将從60到90的各種炫酷操作，比如如何給渠道開發移動報表、如果做自動跟進提醒，如何打造數據小秘書等等。

　　這樣一梳理，新人也有能力和客戶清晰的聊上，比他們之前東一句西一句瞎吹一通好用的多。

　　同學們自己也可以這麼操作，對着上圖，搞清楚自己在服務哪些部門，然後一個個問：

　　他們的工作有數據報表了嗎，需不需要新建？他們的工作有評定效益了嗎，需不需要搞個科學标準，需不需要驗證标準？他們的工作有好壞評價，那好的為什麼好？差的為什麼差，有沒有梳理過原因？ 如此類推，不但能從看似平凡的工作裡，整理出數據的用處，連下一步還可以跟他們談什麼都清楚了。當然裡邊是以一個有電商部門的實體企業為例來舉的，大家可以舉一反三，補充更多。歡迎歡迎。

　　還有個更大的問題，就是經常你辛辛苦苦做了一堆，被甩了一臉：

　　“這個很常見啊！”“業務部門早就知道了！”“這個不做分析也知道啊！”“你能不能做出來業務部門一點點都不知道，又有重大意義的分析！”

　　#專欄作家#

　　接地氣的陳老師，接地氣學堂，人人都是産品經理專欄作家。資深咨詢顧問，在互聯網，金融，快消，零售，耐用，美容等15個行業有豐富數據相關經驗。

　　本文原創發布于人人都是産品經理。未經許可，禁止轉載

　　題圖來自Unsplash，基于CC0協議。

　　,