2021- 07- 04 11:25

“你有没有做过高级的数据分析？”这个问题一出，又问劈了很多同学�? 妈耶，平时都在跑取数单，啥是高级的数据分析见都没见过，咋回答。今天系统解答一下�? # 通俗解释，什么算高级

问一个简单的问题：汽车上如果没导航，能不能开车？答：绝对可以。实际上导航普及也没几年时间。但没有导航，开车会异常麻烦：找不到路；错过路口兜一大圈；傻乎乎堵在路上不会绕……总之开车效率低了很多�? 这时候，只有各种路况牢记于心的老司机才能又快又准的抵达终点——这是人们通常心目中的“高级司机”。如果你去采访他，他一定有很多“高级开车方法”可以分享�? 但是有了导航以后，开车学习成本极大降低，以前菜鸟连路都找不到，现在按着导航走，也能大差不差地到达终点。虽然高级的司机肯定还是会略快一点，但是高级程度已经大大下降了——因为结果上的差距拉近了很多�? 虽然老司机们口头上还是会有很多复杂的，难以学习的技巧，但是结果的差距相近，让人们不再那么迷信他们。反而开始吐槽他们的各种恶习：加塞、压实线、变道不打灯…�? 所以我们看到，所谓的高级有两种理解：

1、业务上的高级：被少数高人掌握，结果上又快又准，口头炫酷复杂�?、技术上的高级：能帮助大量菜鸟，结果上提升效率，操作简单轻松�? 那么问题来了：数据分析，算是技术呢？还是业务呢�? # 高级的数据分析，需要什�? 之所以举导航的例子，是因为数据分析和导航非常类似�?

	导航软件	数据分析
非刚需产品	没有导航，车照开，开了好多年�?/td>	没有数据分析，生意照做，做了好多年了
使用简�?/td>	输入起点，点确认	打开报表，看�?/td>
需要大量基础数据	GIS 数据：官方地图、实地外采、航拍工�?PI 数据：数据采集车、手工采集、地址反向编译、网站抓取、信息购�?/td>	注册数据、消费数据、行为数据、第三方数据埋点、接口、ETL、数�?/td>
需要积累经�?/td>	常规路线记录、存储、预计算	常规报表，经验判�?/td>
需要算法辅�?/td>	路径规划、实时动态调�?/td>	预测、分类模�?/td>
能极大提升菜鸟水�?/td>	新人看了也能开到目的地	新人看了也清楚问题在哪里，要做到多少
无法胜过老手的操�?/td>	老手路面经验碾压导航规划	老手业务判断比数据预测准的多

所以理论上，最高级的数据分析成果，就应该类似导航：

	导航软件	数据分析	常见问题
设定目标	司机输入目的�?/td>	业务设定目标，数据分析帮忙理清量化的目标数�?/td>	很多时候业务给的目标是模糊的，类似“提高业绩”“用户增长”到底从多少增加到多少，根本没谱，这时候需要数据分析推导而出，提示问题�?/td>
现状展示	导航读取当前定位信息	现状报表，看清楚目前目标数字是多�?/td>	注意，很多报表只有现状，没有目标，没有评价标准，因此现状好不好，完全无从谈起
计划提案	提示当前位置到目的地有多远、有几条�?/td>	现状报表，基于现状和目标，计算按自然增长/常见手段，预计达标时�?/td>	很多数据分析师不懂业务，缺少积累。比如做活动有几种形式，每一种能拉升多少业绩，一无所知，自然无法参与提案
计划选择	提示每条路长度、红绿灯数预计到达时间，供决策用	预测/测试每种策略的效果，供决策用	不见得非得用预测模型。不方案情况下，可以用业务模型推演，有方案情况下可以�?Abtest，看数据质量和时间紧迫度�?/td>
计划确认	交给司机选择路线	交给业务选择方案	最忌讳数据分析把自己当老板，指点江山让业务干这干那，等着被喷�?/td>
过程监控	监控过程，发现堵车点	监控过程，发现问�?/td>	过程监控需要数据支持，最怕为了赶着上线没做好埋点，后期一塌糊�?/td>
问题调整	给出更优方案	给出解决建议	不见得所有问题都得追溯到原因，也可以拿着解决方案来试试，只要能遏制住问题就行，具体原因不一定重要�?/td>
结果复盘	保存行车记录及关键信息（比如 ETC 收费数）以便核对	保存相关数据，积累分�?/td>	最怕最后变成甩锅、邀功大会，掌握结果重要，立场更重要

真正高级的数据分析，是体系化作战，以业务流程为保障，以数据采集为基础，以报表为骨干，以数据产品为卖点，兼有业务经验沉淀与模型辅助，是一套简单易用的工具体系（如下图所示）�?

但是，如果在面试或者对外交流的时候，经常有些不懂行的人出来嘀咕：你这个做的不够高级呀。为啥呢？？�? # 为啥不识货的人那么多

越高级的数据分析，在菜鸟眼中越简单！因为其中太多脚踏实地干活的部分，完全不够炫酷、玄幻、高大上嘛！

他们会不停嚷嚷：

你要是试图给他们解释：这个只是看起来简单，需要打�?n 个系统，�?n 多埋点，采集 n 多数据，进行 n 次反复实验。就像你要跟他解释导航软件需要搞卫星遥感，街道实拍，预计算路径一样——他既听不懂，也不觉得很高级�? 他们会继续嚷嚷：导航不是很多人都能做吗，不就是输入一个地址吗，有啥难的。总之，对他们而言，操作简单就是方法简单，只要听懂名字就等于理解过程。他们渴望的是过程听不懂且效果出人意料地牛逼的玩意�? 是滴，菜鸟们需要的不是个数据分析师，而是个巫师。带着尖尖帽子，拿着魔杖，穿着灰色长袍，口中念着：阿瓦达克拉夫拉！然后变出一堆钞票来。你不张嘴，他掐指一算，便知施主今日星座运势——这看起来多高级�? 当然，行业里还是有识货的人，但是万一遇上这种菜鸡，还偏爱跟你较真：“你有没有啥高级的方法”，该咋对付呢？

如何提升数据分析的高级感

我们拿着似最简单的销售分析举个例子。注意，以下方法只适用于面对不懂行且豪横的坏人。本质上，这种质疑来自对数据分析工作的不理解，和对自身能力的过度自负。所以想要怼回去，刹掉对方的锐气，可以这么干：

第一步：反客为主�? 把他想抨击你的话，主动说了。走他的路，让他无路可走�?

常规的销售分析就是杜邦分析法- 常规的销售预测都是用时间序列- 常规的销售归因其实只能追到人/�? 常规的销售拆解就会乱拉区域品类交叉！- 常规的销售分析最后就是一句：“要搞高！�? 有啥用！- 责司的销售分析肯定没犯这种错误吧- 销售分层、能力评估模型肯定做了吧- 动态追踪与问题归因不用说也做好了吧- 十六类归因框架肯定也是齐备的�?

第二步：展示神迹�? 注意：评价数据分析方法是否高级，本质看效果。所以想说一个高级的东西，先讲，这么干有什么好处。（如下图）

第三步：引经据典�?

第三步：引经据典。本质上菜鸟们喜欢：模型、思维、范式这种巨牛逼的名字，所以起个牛逼名字。比如：“我用数据分析发现了与销售业绩关联度高的 5 个维度”，直接叫“构建销售五力模型”。是不是逼格一下上来了。类似的：“我按照 5 个维度对销售进行了聚类分析，划分为 5 个群体”直接叫“构建分层精准运营体系”……绝对好使！

第四步：繁花似锦�? 不要解释太多操作细节，解释多了，他听懂了，还嫌弃你不够“高级”。类似：“我按照 XXX 规则提取销售名单交给业务部进行跟进，经�?1 个月检验发�? 65% 预测正确�? 30% 出现误差”就太脚踏实地了。直接叫：“建立赋能系统，进行 5 轮迭代，持续优化模型效能”直接把人看趴下�?

在外行眼中，框框就是专业，圈圈就是正义，所以多花点圈圈框框图，别光用嘴说：第一步，第二步……这叫运作机制、迭代升级—�? 差不多几步下来，对方或是喷人锐气丧尽，或是被吹得心满意足。如果有诚意合作的就直接往下聊了。如果是故意找茬的人，也无从下口——因为他自己也没有高明到哪里去�? 那些天天吹高大上方法的人，一碰上数据采集，一碰上数据清洗，一碰上落地流程，基本都化成灰了。想反抗都反抗不了�? 陈老师每次去见类似的好高骛远的客户，都喜欢直接下载他们�?APP，或者去他们的门店逛一圈。核心就关注他们的数据采集流程，以及活动规则设定�? 当我切换到微信小号一遍又一遍薅新人羊毛，让我在销�?导购那里听到：“先生您随便填一下这个就好”，我都会截图、录音记录。之后再遇到跟我扯各种高级、智能、神奇方法的时候，就把这些基础数据质量问题甩出来给大家看，然后话题基本都转成：粪坑之上能不能盖摩天大楼，哈哈哈。效果群拔�? 当然，作为从业者，我们还是希望业内浮躁盲目的气氛少一点，大家多认真干活，这也是陈老师努力科普的原因。并且这里有些工作，比如预测业绩，比如预测响应率，还是需要用到一定算法，比直接跑报表有技术含量�? 有兴趣的话，本篇集齐 60 在看，下一篇我们来分享：如果做一个真正有用的模型。敬请期待哦�