解析丨数据分析的四个层次是什么？

随着数据时代的到来，每个人都说大数据分析，但说到这一点，真正能够从数据中获得洞察力和指导行动的案例并不多见。数据分析更多地停留在验证假设和监控效果的层面上。很少有人通过数据分析获得洞察力，很少有人通过分析直接指导行动。如果我们对数据分析有更深的理解，数据可以从洞察到行动发挥更大的价值。对于分析的四个层次的个人理解，数据分析是分层次的。从数据分析的开始到促进行动的实现目标，需要经历许多阶段。从上到下的相应分析水平包括：外观层、本质层、抽象层和现实层。图1分析的四层表象层，就像汽车仪表板一样，实时告诉你发生了什么，并及时做出警告提示等等，是what。分析师要做的就是建立指标体系，对各个维度进行统计分析。本质层，如诊断仪，不再停留在观察肉眼可见的表面症状上，而是检测身体内部的问题。在这个层面上，我们应该揭示现象背后的动机，找到规律。主要做的是进行案例分析，获得需求动机层面的认知，然后对个体进行聚类，获得全面的洞察力。抽象层，是一个特殊到一般的过程，抽象业务问题，用模型描述业务问题，是how。在这个层面上，我们所做的就是将问题映射到模型中，然后用模型进行预测，以减少不确定性。其输出主要是分类(标签)和排序(评分)。现实层通常是一个特殊的过程，将抽象的模型应用到现实中，告诉你如何行动，是when、where、whoandwhom。就像航标一样，我们应该始终护送业务，指导业务行动。其输出主要是规则和短名单。在明确分析层次后，要想从洞察到行动，需要四个层次的渗透和各个层次的深入。首先，分析要能够穿透各个层次，只有上下贯通，数据分析的价值才能立竿见影。其次，要深入分析的各个层次。第一，在表象层，要深入查看数据。主要体现在两个方面:1。从“点”到“线面体”，从看一个点的数据，到看线、看面、看体。一般来说，想看数据的人潜意识里想成为“身体”数据，但在沟通过程中却成为了“点”的需求，因为“点”简单易懂。然而，这次他们不能给出“身体”数据，下次他们会围绕“身体”数据提出各种“点”需求。这时，我们需要提前扩展和思考需求方的想法，所以我们不需要来回走动。2.*数据之间的逻辑关系，最值得借鉴的是平衡计分卡。从数据指标的角度来看，平衡计分卡是一个具有因果关系的指标系统。图2某银行平衡计分卡StrategyMap示意图平衡计分卡通过StrategyMap说明策略，通过KPI有效衡量，被评为“透视操作因果关系的绩效驱动器”(政治大学会计系教授吴安妮)、“将策略转化为具体行动的翻译机”(台湾大学会计系教授杜荣瑞)。平衡计分卡对我们的启发是，每个人都可以通过它整理出一套与自己业务相关的逻辑数据指标系统，以实现焦点和协调。二、在本质层面，深入了解商业模式，跳出现有的思维模式，建立新的心理模式。比如我们看淘宝，淘宝业务的本质是什么？答案之一是复杂的系统。众所周知，淘宝是一个生态系统，淘宝是典型的买卖双方ISV、阿里巴巴是一个由淘女郎等物种组成的复杂系统，是一个更大的复杂系统。复杂系统的灵感是*个人（系统内买卖双方等参与者），分析个人在群体中的地位和作用，分析群体的发展潜力、进化规律、竞争力、成熟度等，分析群体与群体之间的关系。同时，应适应相应的抽象层建模方法。三、在抽象层、微观上构建更抽象的特征，宏观上构建更抽象的模型。1.在现有的分析和挖掘框架下构建更抽象的特征(也可以理解为维度和指标)。这可以和现在最流行的Deeplearning技术进行比较。如果你识别一张图片，即使你获得了像素信息，深度学习也可以自动学习像素背后的形状、物体特征和其他中间知识，上层特征越接近真相。图3Deeplearning技术示意图(图片来自互联网)1、我们的启示是，在交易数量交易金额的“像素级”特征（指标）的基础上，我们可以考虑交易数量是否持续上升，营销活动的交易比例是否具有业务意义，更抽象，更接近业务特征（指标）。用抽象特征建模可以提高模型的效果，用抽象指标分析可以更贴近业务需求。2.在宏观方面，我们可以以更抽象的方式建模业务。前面提到淘宝是一个复杂的系统，我们也可以建模复杂的系统。对淘宝做一些适当的简化，做一个高度抽象的词，那就是“网”。节点是买家、卖家和其他物种，侧面是购买、收集、喜欢和其他行为之间的关系。整个淘宝都是大网。图4淘宝女装业务抽象模型示意图注：不同颜色表示不同的细分互动市场，点代表商店或会员，连接表示会员是商店熟悉的顾客，点大小代表商店熟悉的顾客，会员经常购买商店，越接近图片的中心越流行，越接近图片的边缘越反映个性化的需求。建立这个大网络后，我们可以进行深入的分析，如市场细分、个性化推荐等。四、在现实层面，要深入业务，不断提高对相关业务的认知能力。不要在心态上限制自己。分析没有边界。分析师应积极参与业务模式和产品形式的规划和设计。为了了解业务，我们应该在此基础上灵活运用模型的输出。例如，对于风险控制策略，如果已经有风险事件评分模型对风险事件进行评分和排序，分析师可以根据业务需要灵活设计模型的使用策略。例如，对于风险分数最高的时间，如果机器自动隔离，如果风险分数较高，则使用机器 人工审核的半自动隔离方式。模型死了，活用靠人。