数据分析的 8 个状态

2 评论 7902 浏览 24 收藏 11 分钟

编辑导语:流量时代,数据尤其重要,数据分析是对数据进行分析使其产生相应的价值。因此正确的数据分析非常重要,它有助于品牌了解用户和市场。本篇文章中,作者分享了数据分析的八种状态,我们一起来看看吧。

看了刘思喆老师写的「数据分析师的生存手记」,其中把数据分析的工作流程分成 8 个状态,我觉得很有启发。

下面谈一谈我对这 8 个状态的理解和思考,为了方便理解,我修改了原文中一些状态的名称。

一、新的需求

数据分析工作流程的第 1 个状态,就是忠实地记录新的需求,纯粹地站在需求方的角度,不加任何评判地收集原始的需求。

这个状态借鉴了ORID 焦点讨论法的第 1 步,也就是真实地记录客观的事实。

关于 ORID 焦点讨论法,我从网上查了一些相关资料,看到下面这个例子,感觉比较恰当。

假设昨天晚上在下班的路上,我遇到一条狗(O 事实),当时我很害怕(R 感受),心想应该怎么办(I 思考),为了避免被狗咬,我最终决定绕路走(D 决定)。

数据分析的 8 个状态

二、需求确认

需求确认是分析任务成败的关键,针对不同的情况,应该采取不同的对策。

1. 需求方无法清楚描述问题

刘思喆老师说,这类需求方的专业技能不合格,会祸害上下游,「fire」掉就可以了,绝对不可以手软。

关于「fire」这个英文单词,有「开除」的意思,不过我理解刘思喆老师在这里表达的应该是「拒绝」。

对于一般的数据分析师而言,需求方可能就是自己的老板,恐怕没有「开除」的勇气。遇到这种情况,我个人建议加强沟通交流,主动多问一问具体情况,搞清楚需求方的真正意图。

2. 需求方将很多问题混杂在一起

这种情况非常普遍,数据分析师需要应用 MECE 原则,帮助需求方梳理业务,变成相互独立、完全穷尽的问题,并了解其中的主要矛盾和次要矛盾。

3. 需求方无法和数据进行映射

这种情况也相对比较普遍,一般企业是通过「角色前置」来缓解这个问题,比如设置「产品经理」的岗位角色。不过有的时候,前置的角色可能不合格,这就需要数据分析师在「数据确认」环节给予专业的建议。

4. 需求方提出了错误的数据需求

想象一下,数据需求本身就不对,你作为数据分析师,居然漂亮地执行完成了……结果需求方不满意,又提了一遍,后面可能还有第三遍……最终需求方可能很不满意,数据分析师吃哑巴亏。

当出现这种情况时,建议数据分析师在执行之前,先进行合理的沟通,指出数据需求本身的不当之处。

5. 需求方无法预判可能的分析结果

这种情况很正常,毕竟很难碰到非常完美的需求方。我认为此时数据分析师应该多一些包容和理解,多站在对方的角度看问题,自己先学会预判,然后再帮助对方学会预判,为对方排忧解难。

假如遇到需求方不仅掌握业务和数据之间的关系,而且懂得利用数据分析的结果,来指导下一步的行动,那么数据分析师应该好好珍惜。

三、 数据确认

当需求确认清楚之后,接下来需要确认数据源,可能会遇到 3 个问题。

1. 期望的数据没有存储

作为数据分析师,如果你能帮助改善这个问题,让企业的数据更加完备,那么你的影响力将会得到提升。

2. 数据分散在不同的位置

在传统企业,这个问题非常普遍,可能还没有建立数据仓库。对于互联网企业,这个问题体现了数据仓库设计的不完备。

如果不是经常性的问题,临时解决即可。如果是经常性的问题,建议数据分析师主动了解底层的数据逻辑,编写自动化的代码,在可能的情况下,交付给数据仓库团队。

3. 数据源错误

这个问题非常致命,如果数据源不对,后面的分析结果可能造成误导,让需求方做出错误决策,后果不堪设想。

所以,数据分析师提高数据敏感度也很重要,在做数据分析之前,一定要先确认一下,数据源是正确无误的吗?

四、需求实现

在需求实现的过程中,数据分析师要管理好自己的分析代码。

以 Python 为例,尽量使用 Numpy、Pandas、Matplotlib 等比较成熟的包,用 Git 做好代码的版本控制,特别注意代码注释和提交信息的可读性和完整性,让数据处理的每个步骤都清晰易懂。

另外,配合使用 Jupyter Lab 之类的工具,能大大提升数据分析的工作效率。

一方面,我们要把好的经验和方法,沉淀为固定的流程步骤,实现工作的流程化。比如一个数据报表,用怎样的格式和规范,读者容易抓住其中最有价值的信息?

另一方面,我们还要实现流程的工具化。因为总有人会「偷懒」,总有人会逾越流程,总有人会偷偷地绕过流程。所以,我们要适应用工具来辅助流程的执行。

如果流程工具用起来不适应,怎么办?

华为早年引入集成产品开发(简称 IPD)的流程,大家刚开始也不适应。

任正非说了一句话:先僵化、后优化、再固化。

五、交付

突出主要分析结论,这是数据分析交付的重要内容。

如果分析没有结论,就不能称之为交付。

交付的内容,包括文字、表格、图形等要素。文字表述要条理清晰,表格制作要标准规范,数据可视化的图形要选择合理。

数据分析的 8 个状态

六、 复盘

很多数据分析工作,最终停留在「交付」这个状态,数据分析师交付结果之后,往往没有去跟进后续的效果情况,没有对分析的价值进行判断,没有进行复盘总结。

交付之后,不妨思考一下,我们通过数据分析,帮助需求方做出了哪些正确的决策?给企业带来了哪些价值?与当初预期的目标相差多少?关键因素有哪些?假如重新再做一遍,怎么做才能做得更好?

在复盘总结的过程中,可以锻炼数据分析师对业务的理解能力和对价值的预判能力。

七、等待

当你发现目前还不具备分析的条件时,那么可以选择等待一下。

比如说,当需求还没有确认清楚的时候,应该等待需求方有空的时候,把需求沟通确认清楚。当缺少必要的数据源时,因为巧妇难为无米之炊,所以也需要耐心等待。

当然,在等待的时候,可以先思考一下大致的分析方向,以便让后面的实现过程更加快捷。

八、拒绝

当需求肯定无法实现的时候,要明确地予以拒绝,不要给人模棱两可的答复,此时要避免让需求方有很大的期待,结果因实现不了而导致失望。

九、写在最后

本文总结了数据分析工作流程的 8 个状态,为了避免被贴上被动、低价值、重复劳动的标签,数据分析师要主动完善自己的工作流程,优化自己的工作状态。

最后,我把数据分析的 8 个状态之间的流转,用一张流程图串联了起来。

数据分析的 8 个状态

以上,希望能够对你有所启发。

 

作者:林骥;公众号:林骥(ID:linjiwx)

原文链接:https://mp.weixin.qq.com/s/WXKHwRNO9cvwKtbl1aUCYA

本文由 @林骥 授权发布于人人都是产品经理。未经许可,禁止转载。

题图来自 Unsplash,基于CC0协议

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 算是大开眼界了,本非专业人士对数据分析的全过程也算有了一个大致的了解

    回复
  2. 最好的学习方法就是跟有结果的人学习,这篇文章真的是从起点开始一直到最后真的是给了我很大的启发。

    回复