项目：在特定时间、特定条件下�?*具体产出**�? 有了具体产品的产出，KPI/OKR 文档好交差；领导对你满意度提升；升职考评的时候有更多资本；跳槽也有更多可以写简历的东西�? 所谓“优秀”的项目，指的是比“我跑个数据”更有说服力的产出�?## 一 、认识服务对�? 做项目，最重要的当然是搞清楚目标；搞清楚目标，第一步当然是搞清楚为谁服务。这是数据分析新手与老鸟之间的最大差异�? 往往没入行的小白，满脑子都是“模板、模型、公式”。以为只要对着模板 copy 一份就算是完成工作了。刚入行的菜鸟们喜欢笼统地说：业务。可业务并不是一个孤零零的、独立的个人。业务两个字背后，是非常具体的、复杂的含义�?
菜鸟眼中服务对象
业务
老鸟眼中服务对象
行业 toB toC toVC
企业 行业地位 增长速度 发展方向
部门 销�?/td> 运营 产品
等级 部门总监 部门经理 小兵
动机 寻求求助 证明自己 甩锅

具体问题具体分析，是数据分析的最基础要求，也是做好项目的第一步。因为这五大要素和它们的具体形态，决定了我们的数据分析可以做到什么程度，应该做成什么样子，做成什么样才能满足需求�? 行业+企业→数据基础 可做分析的素材，开展工作的难度 对数据的认知程度，数据基础知识�? 行业+部门→工作职�? 分析需要涉及哪些流程，哪些人员 有哪些相关措施、制度、活�? 有哪些历史遗留问题，过往经验�? 部门+等级→关注重�? 本人 KPI/OKR 是什么，当前指标表现是什�? 哪些分析指标反映了他的问题，有多严重�? 等级+动机→具体要�? 希望从数据分析得到什么结�? 实际上可以帮他解决什么问�? 哪些可以帮上忙，但被忽略�? 理清具体问题非常重要。过去我们常说传统企业如何如何，互联网企业如何如何，在渠道融合发展的今天，实际上二者之间边界越来越模糊。如果不具体分析，往往会闹出很多笑话�? 比如�? - 曾是 toC 互联网企业，现在要发�?toB，完全不知道怎么和客户打交道�?- 名为互联网产品，可服务对象是实体老板，销售还在用最原始的电话外呼； - 名为互联网行业，可运作的仍是实体产品，进销存量收利一样都不差�?- 名为新零售，可数据采集一塌糊涂，连传统连锁店都比不上�?- 名为传统企业，可在做数字化转型，玩的是分销、裂变；

以上种种复杂场景，不是大喊一句“我是互联网 AARRR 思维”就能搞掂的。指望套模板结局就是死翘翘。况且经过这几年的历练，很多运营、产品经理、策划都学会了基础数据分析概念，这时候还抱着充满“SOWT、PEST�? w 2 h”一类空洞口�?ppt 模板，数据分析师就等着下岗吧。具体问题、具体分析，怎么强调都不为过�? 并且，了解清楚状况，对于下一步把握战机非常重要。如果凡事都等着业务找上门来才干，那就跟叼飞盘的汪汪没啥区别了（业务提一个假设，数据验证一个假设，宛如一只叼飞盘的汪汪）。自己对形势有判断，才好主动发现机会�?## 二、找到发力时�? 数据分析项目，最大的敌人是：日常工作。所以，并不是所有事情都适合立项目来做。时机非常重要�? 往往我们要挑业务部门的以下时机入手：

在这些战机时刻，抛出系统的解决方案，一鼓作气独立把问题解决掉。举个例子，常规业绩波动，扯项目没人�?机会�?1：首次出现重大问题（适合上追踪型项目�?机会�?2：不同业务出现差异，出现改善迹象（适合分析�?测试型项目） 机会�?3：业务条件分歧明显，过往规律被打破（适合分析�?预测型项目） 机会�?4：危机已度过（适合做经验总结/评估型项目） 机会�?5：新项目开始的基建型项�?机会�?6：高速增长期的重构型项目 ## 三、确认项目需�? 找好发力时机以后，与具体业务方谈妥，准备动身开工。在开工前一定要确认好项目需求，具体来说就是项目铁三角：
质量
时间
成本

数据分析的产出质量： 1. 看清形式（数据、报告）
2. 找到问题（分析结论）
3. 对形式判断（分析结论�? 4. 执行名单（分析结�?预测结果�? 时间：最迟什么时候要结果

成本：数据分析师的人手、加班时间、数据质量、业务配合度（缺一不可�? 这里有三点要注意�? 1、数字、模型、报告本身不是产出。业务从不了解情况到了解，从没有办法到有办法，从不知道怎么选到知道怎么选，从没有准备到一二三级预案，这才是产出。所以不要脱离问题就数论数。从数字里推出结论�? 2、时间千万别忘了。时间紧，尽量快速出结论；时间宽，就要分步骤输出，企业不是学校留大半年给你慢慢整论文�? 3、有多大锅下多少米。如果数据质量差、人手不足、缺乏分析经验，就沉住气一步步做，不指望一次解决所有问题�? 这三点对于项目成果至关重要，过往历史中有太多数据分析师沉迷于折腾“科学方法”，忽视了项目管理，忽视了时�?投入，结果画的饼大，煎的饼小，最后灰溜溜收场�? 这里要还要注意工作方式。确认需求，不是让你直接问业务：“你们想分析点啥”。这种问法太被动，又回到叼飞盘老路上。而且往往业务会回答的你摸不着脑袋�? 比如�? - 你帮我想个办法呗（找你要执行方案�? - 一定是对手/天气/运气……（企图甩锅�?- 我想分析用户心智资源（压根没数据�?- 只要有人工智能用户就会买单（方法不切实际�? 所以，靠谱的做法，是一步步梳理需求，引导到数据分析可以解决的问题上，正本清源，客观解决问题（如下图）。具体引导方法有很多细节可以讲，稍后我们结合具体案例，详细的说�? 老鸟们怀揣过往的经验、方案、对手做法、一步步引导业务给出目标，直接问，又变成叼飞盘了�? 需求确认方�?mermaid graph LR A["是否了解量化情况"] --> B["了解"] A --> C["不了�?] B --> B1["有判断标�?] B --> B2["无判断标�?] B1 --> B11["有分析假�?] B1 --> B12["无分析假�?] B11 --> D1["撑爆假设�?br>逐一找原�?] B12 --> B121["有应对预�?] B12 --> B122["无应对预�?] B121 --> D2["预测预案效果<br>跟踪执行结果"] B122 --> B1221["有参照预�?] B122 --> B1222["无参照预�?] B1221 --> D3["匹配参照�?br>与问�?] B1222 --> D4["拿问题逻辑<br>找方�?] B2 --> D5["立标�?br>定结�?] C --> C1["数据已采�?] C --> C2["数据未采�?] C1 --> D6["梳理指标<br>输出数据"] C2 --> D6

四、开展分析工�?

做完需求，后续就是正式工作。具体内容和分析议题有关，这里不展开讲。如果前期梳理清楚，中间过程自然顺利。这里只强调一点：数据分析工作切记憋大招。憋得越久，人们对你期望值就越高，最后失望就越严重。因此，只要项目工资超过 1 周，就得有周汇报，通知大家进度；时间超�?1 个月，一定要有月总结，拿中间过程和大家碰一下�? 特别特别是用到算法的项目，往往一听到算法业务部门都以为是神兵下凡，所到之处必然望风披靡。所以，算法项目死于业务期望值过高的例子，特别特别多。过程中，具体的算法过程不用向业务汇报，但是遭遇的困难和期望输出的结论，要经常保持沟通，适当控制业务期望，避免最后一刻才发现货不对板，最后身败名裂�?## 五、工作汇�? 汇报的时候，要考虑目标听众的身份、目的、结合项目目标做个性化汇报。这样才能取得好效果�? 菜鸟眼中的数据分析报�?- 分析背景 - 分析目标 - 指标含义 - 数据来源 - 数据清洗 - 建模过程 - 分析结论 - 业务建议

老鸟眼中的数据分析报�?- 谁在听？ - 他关心什么？ - 数据能怎样帮到他？ - 什么样的语言他听得懂�? 基于听众的思考，使得即使同样的数据，同样的结论，也能有不同的表达形式，最后抓住听众眼球，让大家感兴趣，给项目完美收工�?
部门 部门职责 行动方式 核心关注�?/td>
销售部 直接对业绩负责，出业绩！ 快速找到方法，然后各个业务线，各个团队复制、复制、复制，执行力最重要 这个月业绩有多少 我能不能借力活动作出业绩 如果能，还有没有人没借上东风 我怎么都没借上东风的人借上
市场�?/td> 打辅助，提供活动作为工具 需要较长时间筹备（方案、系统、物料、宣传）策略性很重要，策略不对，努力白费 活动有没有效？活动有没有效！ 如果有效，下个月还做不做�?如果没效，加码还来得及不�?/td>
供应�?/td> 做支撑，保障产品供应，维持库存平�?/td> 筹备周期非常长（备货、周转、生产排版）且开弓没有回头箭（生产线一旦启动就不能停），需要打提前�?/td> 如果活动持续，现有库存能维持多久 如果活动火爆，是否要增加供应 如果要增加供应，是否需要马上行�?/td>
同样的活动总结报告，三拨人听，可能有三个完全不同出发点，看菜下饭，组织语言，非常重要�?/td>

六、小�?

纵观整个过程，我们能看到，做好项目的过程，就是把数据方法应用于企业实践的过程。数据本身有统计学、数学、编程、数据库等专业知识，但其中相当部分（比如数仓、ETL）是为保障数据本身的正常运行；相当部分（比如语义判断、图像识别）是用于工业应用，不用考虑业务理解和配合；相当部分（比如统计学）适用于科学实验、农林牧鱼研究�? 大量的业务不是科学问题，而是实操问题。O2O 平台如何管理商户，新媒体平台如何发展本地客户，直播电商怎么选款等等问题，都得把数据知识和实际工作结合才能输出结论�