数据分析能力分级模型，你在哪一级？

发布时间：2022-11-16 09:15 所属栏目：125 来源：互联网

导读：每天都在跑数，烦跑完了数，业务爱看不看，更烦好不容易提个建议，业务方当耳边风，烦烦烦很多做数据的新人都有这个困惑，今天陈老师给大家解这个局。这里问题的核心在于：如果不能按自己的建议做项目，是不是就不能提升数据分析能力了？回答当然是：否！

　　每天都在跑数，烦

　　跑完了数，业务爱看不看，更烦

　　好不容易提个建议，业务方当耳边风，烦烦烦

　　很多做数据的新人都有这个困惑，今天陈老师给大家解这个局。这里问题的核心在于：如果不能按自己的建议做项目，是不是就不能提升数据分析能力了？回答当然是：否！数据分析的能力晋级分为四个层级，所谓“按我的意见做”根本就不在这个晋级体系里。

　　那数据分析能力晋级体系到底有啥？结合一个具体例子，细细看：

　　第一层：跑个数
　　比如一个互联网业务，新用户获取数量，消费比例，消费金额数据如下：
　　
　　这个肯定是数据分析师整理出来的。这也是第一层数据分析能力。跑正确的数，是基础中的基础，如果连数都跑不出来，可以直接转行做利用数据的业务部门，比如用户运营、增长黑客、渠道推广啥的。

　　问题是：跑完了数以后呢？

　　第二层：提建议
　　如果只是被动地等着业务提需求→跑个数→再提→再跑，不但做得很辛苦，而且没啥价值产出。大家都不喜欢这个状态。因此至少应该把自己跑的数看一遍。在解读数据的基础上，找深入分析的机会点，提一些业务上建议，找一找数据变现的机会。

　　比如有一名数据分析师看到这个数据，提出建议如下：

　　图片

　　这个就叫：从数据到建议。先不管这个建议靠不靠谱，起码不再仅仅是就数论数了，有了对业务有价值的思考。

　　然而，这种建议很可能不会被业务接受。负责新用户获取的增长部门表示：“你这分析我早知道了，行业内有很多9块9引流的方案在做呀，我要做个不一样的，做个单价200元的新人大礼包！现在就是没人做所以才没人买，我做了就有人买！”

　　这时候，最菜鸡的一批数据分析师已经叹口气退出了，然后仰天长叹：“我怀才不遇！如果到一家数据驱动型公司，一定全公司的人都乖乖听我的话，做他个9块9的引流……”

　　而有点经验的新手数据分析师，会奋起反击，列出业务部门想法的错误之处：

　　错误点1：如果新用户真有消费力，目前也有200元的产品，累计购买率才7%。

　　错误点2：目前新用户仅识别手机号，如果给新用户太多优惠，很容易被薅羊毛。

　　错误点3：老用户中，有大量用户能买200以上，他们会冒充新人来薅这个大礼包。

　　注意：做到这一步，才算做到了“提建议”。提建议不止是对着数字拍脑袋，而是有论点，有论据，最好有正反向论据的支持（如下图）。
　　
　　然鹅，增长部门完全无视了数据的建议，就自己上200元的大礼包了。此时，新手数据分析师也退出了，然后仰天长叹：“我怀才不遇！如果到一家数据驱动型公司，……”

　　那么数据分析的老鸟们，此时在干啥？

　　第三层：做梳理
　　真正老练的数据分析师，根本不会牵扯到这种争论里。真正老练的数据分析师，根本不会死抓着自己的一种观点和别人吵架，而是根据MECE的方法，把可能的情况梳理清楚（如下图）。
　　
　　当任何一方提出业务建议时，第一时间做的，不是去吵好不好，而是先引导大家，建立判断情况好不好的标准。

　　比如：针对业务提的方案：

　　最佳情况：新用户业绩提升，老用户业绩不变
　　中间情况：新用户业绩提升，老用户业绩下降，且提升部分远远大于下降部分
　　最差情况：新用户业绩提升，老用户业绩下降，且提升部分小于等于下降部分（如下图）
　　图片

　　这三种情况，分别对应三种假设：

　　假设1：新用户真的更喜欢高价值产品礼包
　　假设2：新用户有部分人喜欢，另外有一批老用户也喜欢
　　假设3：新用户完全不喜欢这个礼包，都是老用户在薅羊毛
　　这三种假设对应的下一步分析动作也是不同的：

　　假设1后续：可以持续推进新用户礼包
　　假设2后续：深入分析新用户群体，区分出喜欢大礼包/低价产品的用户特征，对比两类用户长期价值，为后续策略做铺垫
　　假设3后续：放弃新用户礼包，尝试低价产品
　　综上，以下四个步骤，才是数据老鸟的工作重点：

　　1、设定监控指标

　　2、设定评价标准

　　3、提出分析假设

　　4、制定分析计划

　　这样做让运营和高层领导都很舒服，可以很清晰地看到方案的来龙去脉，并且用数据说话，而不是靠官衔、嗓门、资历来判定对错，也不会牵扯上各种无意义的口水战。数据才是判官，数据分析师只是宣读判决文件的书记员。

　　当然，很有可能领导们会说：“那站在数据分析角度，你认为会是哪种情况？”这时候数据分析师可以表达自己观点了。

　　自己的观点选哪一个都行，理直气壮地说：“从数据角度看，这个方案很傻逼，成功率极低”也是OK的。因为数据分析师的观点，只是一种观点而已，最终检验观点对错，还是得数据说话。这才是数据分析师的真正价值。

　　注意！如果数据分析的判断真的很准的话，那么不但能分析出来哪条方法是可行的，也能分析出来哪种方法不可行。数据分析的判断，不受“别人不听我的意见”的限制。

　　恰恰相反，如果业务一意孤行，且数据分析提前预判了业务的失败，那在老板心中对数据的信任反而更上一层楼。这种和业务的“对赌”，其实考察的是更高层的一种分析能力：数据判断力。

　　第四层：下判断
　　数据判断力是数据分析的终极阶段。就是基于数据能对业务走势做出准确的判断，并且能用数据修正自己的判断逻辑，让对业务走势的判断越来越精准（如下图）：
　　
　　如果真的能做到这一点，就是各种史书古籍中所谓的“算无遗策”的最佳状态了。如果数据分析师真达到这个状态，其实和一个合格的业务部门领导，在分析能力上已经没有差异了。如果能再强化一下对流程的管理能力，再补一下对下属的组织能力，就可以真正成为一个事业部级管理的大佬了。

　　遗憾的是，以上四个层级里：

　　大部分新手在第一层，只能当工具人。
　　少部分人晋升到第二层，但止于第二层，然后感慨自己“怀才不遇”。
　　只有极少部分人能做到第三层，这些人不是大企业的数据部门总监，就是专业顾问。
　　至于第四层，反而很少有数据出身的人能做到。倒是业务部门的领导兼任数据部门管理以后，强化了数据分析能力，更容易做到这一点。

　　这和专职的数据分析师在基础数据处理、数据质量上花了太多精力有关。精力投在技术层面多了，就没有余力顾及搞组织、建流程、挣资源这些事了。

　　不过这都是神仙打架的事。对刚入门的新手同学而言，终极目标就是做到第三层。不要让自己的思路止于：我有一个好点子。想办法梳理清楚各种可能性，建立检验标准与监控机制，利用数据结果不断修自己的判断，这样才能真正体现数据分析的价值，提升自己的数据分析能力。以上，与大家共勉。

（编辑：ASP站长网）