怎样将分析结果转变为价值？

很久以前，你我都做过物理题。记得当时老师经常唠叨，“先认真审题，理解题意，再想办法，最后写下来做”；“审题啊！审题啊！说了几遍为什么不听，找思鹰？“了解老师的良苦用心，历经磨难，你我都顺利完成了学业，不用复习，不用复习，不用复习。然而，人生不如意，你我又走上了数据分析的道路。转化为现在的视角。我们做数据分析的目的是解决问题，换个词，有用。那么你做的分析有用吗？怎样分析才有用？是业务直接将分析结果转化为价值。也许按照这样的路线来做分析，更有用。先审题(了解业务，作为方向)思考方法(分析思路，设计分析方案)下笔(选择分析技术，开始分析)。可以看出，常规和我们做的问题一样，但是，物理问题也做了很多，我们都忍受了多么痛苦和疲惫，为什么这里的数据分析，或者有很多问题？私下里，做题是一个人的事，而现在做分析，成了一个组织的事，衔接出了问题。做数据分析可能失败的场景：分析结果是错误的分析结果是正确的，但没有鸡蛋，结果不能产生价值，根据分析结果，可以给出建议的方向，但非常空，不能落地分析结果，建议方向正确，也有着陆计划，但业务不执行第一个场景是罕见的，以下场景经常遇到数据分析。举个栗子。场景a：6月18日，公司与JD.COM进行了618推广。业务结束后，我找到了老王，说:“老王，我们的活动结束了，给我一个分析，让我看看活动的效果。“老王接到收集数据、处理数据、制作模型和绘制报表的任务。最后得出结论:“本次活动期间，UV环比上周末增长150%，综合转化率增长27%，订单量增长110%，销售额增长85%。其中，江苏省订单比例最高，达到27%。。。。“业务:“你想解释什么？你想告诉我活动真的很好。明年还会推广618吗？这时，老王只能期待他一脸懵逼的表情来萌翻业务。场景b：业务：“老王，我觉得公司的综合转化率有点低。你给我一个分析，看看问题是什么。”老王一直采用聚类分析算法、主要成分分析、相关银行分析等挖掘手段，结合大量的访问数据、用户数据和订单数据。成功发现，40岁以上的男性群体综合转化率超高，平均达到47%。因此，建议业务制定新策略，增加用户群体的访问量。可以提高整体转化率。业务:“但这群人平时很少上网。”。老王又孟逼了。场景c：老王:“我做了一个用户流失预警模型，发现a类行为特征用户注册后30天左右流失概率最大，b类行为特征用户40天左右流失概率最大，c类行为特征用户50天左右流失概率最大。那么我们只需要对不同行为特征的用户进行准确的照顾，在不同的时间点推广广告或发放优惠券。能有效降低流失率”。业务：“老王，你说的很对，但我们公司很小。实现这种精确交付的成本太高了。我们每天都很忙，核心内容体验还没有做好。以后再考虑你的建议。这很难。业务:“老王，你说的很对，但是我们公司小，实现这样精准交付的成本太高了。我们每天都很忙，核心内容体验还没有做好。以后再考虑你的建议。很难。。。“老王他已经很努力了，但分析结果并不令人满意。我们经常看到数据分析师抱怨：我的工作不够重视，他们让我提取数据，最多做一个简单的处理；业务决策不看数据，都依赖经验；业务会议，讨论计划从不打电话给我，不参考我们的意见。同时，我们也可以听到业务方的抱怨：数据部门提供的结果不是我想要的；数据部门太天真，提供的解决方案太多漏洞；数据部门的人不了解业务。他们能用一些数据来指导我们吗。我认为业务与分析之间的联系存在问题。业务不相信数据。当分析结果与他的想法不同时，首先是怀疑数据。他的分析只是为了验证他的观点。我见过一家数据分析做得很好的公司。一是bi经理是产品经理，懂业务，懂产品，懂运营，所以他带领团队做的分析项目自然符合业务需求。另一个是公司将数据运营提升到一个很高的水平，培养公司业务的数据意识，了解数据分析的思路，认同数据分析的价值，知道如何利用分析结果。可以是数据分析师向业务迈出更多的一步，也可以是业务人员向数据迈出更多的一步，使两个方面有一定的重叠。做好这个连接，数据分析可能会更有用。嗯，你迈出的这一小步，是你们公司的一大步。一方面，培养整个公司业务的数据意识需要时间和困难。另一方面，作为一名数据分析师，我们也应该对业务有更多的了解，从而将“业务需求”转化为数据需求，进一步将分析结果转化为有意义、有价值的解决方案。同时也可以反过来完善自己的知识体系，提高自己的业务理解能力和数据分析能力。问题来了，如何了解业务，只能说，除非你改行，否则世界上没有捷径。你能想到的方法是在交流之前进行交流。当业务需要分析活动的效果时，问更多，你关心什么指标？哪些参数会影响活动的有效性？当业务需要分析转化率时，问更多关于影响转化率的因素和提高转化率的方法。都是公司的，没事请生意吃饭。没有什么是一顿饭解决不了的。如果是这样，那就吃两顿饭。你不仅了解生意，还了解生意。交流听起来很简单，最难做到，尤其是大多数数据分析师来自数学、统计学、计算机等科学和工程。有些人会期待一个更简单的方法。举例来说：数据部门只做技术，分析都交给业务部门怎么样，我们购买bi工具，让业务实现独立分析。你说用bi来节省工作量，降低时间成本。我相信你给bi这么艰巨的任务，更不用说bi工具的分析能力有限了，无法实现深度分析和挖掘。业务部门的数据意识增强了吗？没有统筹规划，各业务部门的分析结果相互冲突怎么办？业务部门的分析结果并不客观，对公司来说，是最好的吗？因此，工具和技术只是整个数据分析系统的辅助，业务和思路是核心和重点。谈技术，然后进入第二个衔接点。互联网公司一直处于技术的前沿，技术可能不是问题（如果你告诉互联网公司你的技术不好，我希望他们的程序员加班太多，打人的力量会减少），更有可能是技术的选择。我认为互联网行业的数据分析需求一般可以分为三类：业务日常需求，主要是辅助业务日常工作指标监控和数据呈现，为管理和决策提供支持，也为以下有针对性的挖掘分析提供主题有针对性的挖掘分析，为运营和产品改进提供数据依据，对第一类和第二类需求具有一定的驱动价值，有用的开源报表，有用的商业报表，有用的bi，有用的echart，有用的excel。对于第三类需求，Sas是有用的，spss、python、r甚至有用c 的。对第三类需求，有用的sas，spss、python、r甚至有用c 是的。说哪种技术或工具是最好的，我相信不，如何选择，更多的是结合业务场景，有时同时使用各种工具，是最好的。我认为如何做好这一点是要有清晰的分析思路和熟练的分析技巧（了解各种工具）。也就是说，打开第二个连接点。对许多分析师来说，这比第一个连接点要容易得多。但我想说的是，分析手段的选择不仅要考虑分析实现的可行性，还要考虑分析成本，主要是时间成本。R语言现在广泛应用于互联网公司。我认为这也是因为它提供了大量的统计函数和算法，降低了数据分析的成本。当然，它的开源优势是不可或缺的。同样，对于第一类和第二类需求，在选择实现方案时也要考虑成本。相比之下，这两种需求的实现难度较低，相信对于任何一家公司来说，都不是核心技术。有些人坚持使用excel，有些人坚持代码。当然，具体的选择也应该与业务场景相结合，但总的来说，如果有办法在一天内实现，尽量不要花两天时间进行开发。例如，与开源report或echart相比，一个好的报告工具，如finereport，仍然节省了一定的时间和成本。节省的程序员也可以清洁。以上是我对互联网行业数据分析业务的浅薄看法。如有不当行为，欢迎批评、纠正和沟通。