服务对象包括实体企业的老板们，而销售团队仍在采用最基础的电话外呼方式；
虽然身处互联网行业，但运作模式依旧围绕实体产品，从进货、销售到库存、收入和利润，每一步都与传统商业无异；
号称新零售，数据收集却混乱不堪，甚至不如传统的连锁店；
虽然被归类为传统企业，却在积极进行数字化转型，运用分销和裂变策略；
面对这些复杂多变的场景，仅仅高喊“我是互联网AARRR思维”是无法解决问题的。依赖模板来应对，结果往往不尽如人意。经过多年的实践，许多运营人员、产品经理和策划师已经掌握了基础的数据分析概念，如果此时还只是依赖于“SWOT、PEST、5W2H”等空洞的分析框架，那么数据分析师的职业生涯可能就要画上句号了。具体问题需要具体分析，这一点怎么强调都不为过。
此外，深入了解实际情况对于把握机遇至关重要。如果总是等待业务机会自己找上门，那么就和等待飞盘的狗没什么两样（业务提出一个假设，数据分析师验证一个假设，就像一只等待飞盘的狗）。只有对形势有独立判断，才能主动发现机会。
二、寻找发力时机
数据分析项目面临的最大挑战是日常工作的干扰。因此，并非所有事务都适合立项处理。时机的选择至关重要。
我们通常会在业务部门遇到以下情况时介入：
- 寻求创新
- 希望改善现状
- 面对新工作无从下手
- 遇到问题不知所措
- 常规方法未能奏效
在这些关键时刻，提出系统的解决方案，迅速独立解决问题，是至关重要的。
三、确认项目需求
在找到合适的时机后，与具体的业务方沟通并准备启动项目。在开始之前，必须明确项目需求，即项目铁三角：
这里有三点需要注意：
1. 数字、模型、报告本身并非最终产出。
业务从不了解到了解，从无计可施到有解决办法，从不知如何选择到明确选择，从没有准备到制定一二三级预案，这才是真正的产出。因此，不要脱离问题本身只关注数字。要从数字中推导出结论。
2. 切勿忘记时间因素。
时间紧迫时，应迅速得出结论；时间充裕时，则应分步骤输出。企业不是学校，不会给你很长时间慢慢准备。
3. 根据实际情况量力而行。
如果数据质量差、人手不足、缺乏分析经验，就需要沉着应对，逐步解决问题，不要期望一次性解决所有问题。
这三点对于项目的成功至关重要。历史上，许多数据分析师沉迷于追求“科学方法”，却忽视了项目管理和时间-投入的平衡，结果导致期望过高而实际成果有限，最终以失败告终。
在确认需求时，应避免直接询问业务方：“你们想分析什么？”这种被动的提问方式只会让你回到原点。业务方的回答往往会让你感到困惑。
例如：
- 你帮我想个办法吧（寻求执行方案）
- 一定是对手/天气/运气……（试图推卸责任）
- 我想分析用户心智资源（实际上没有相关数据）
- 只要有人工智能用户就会买单（方法不切实际）
因此，更靠谱的做法是逐步梳理需求，引导到数据分析可以解决的问题上，正本清源，客观地解决问题。具体引导方法有很多细节，稍后我们将结合具体案例详细讨论。
四、开展分析工作
需求梳理完毕后，接下来就是正式的工作。具体内容取决于分析议题，这里不详细展开。如果前期梳理清晰，中间过程自然会顺利。这里只强调一点：数据分析工作切忌拖延。拖得越久，人们对你的期望值就越高，最终失望也会越大。
因此，只要项目周期超过一周，就应该有周报，及时通知大家进度；如果项目超过一个月，必须有月度总结，与大家交流中间过程。特别是涉及算法的项目，业务部门往往期望过高，以为算法是万能的。因此，算法项目因业务期望值过高而失败的例子特别多。在过程中，具体的算法细节不必向业务部门汇报，但遇到的困难和预期的结论应保持沟通，适当控制业务期望，避免最后一刻才发现结果与预期不符，导致项目失败。
五、工作汇报
关于汇报，这里不再详细展开。陈老师曾更新过一个数据分析报告系列连载，大家可以关注公众号在菜单栏参阅。总之，在汇报时，要考虑目标听众的身份、目的，并结合项目目标进行个性化汇报。这样才能取得良好的效果。
基于听众的思考，即使同样的数据和结论，也可以有不同的表达方式，最终吸引听众的注意，让项目完美收尾。
小结
纵观整个过程，我们可以看到，成功的项目就是将数据方法应用于企业实践的过程。数据本身涉及统计学、数学、编程、数据库等专业知识，但其中相当一部分（如数据仓库、ETL）是为了保障数据的正常运行；相当一部分（如语义判断、图像识别）用于工业应用，无需过多考虑业务理解和配合；相当一部分（如统计学）适用于科学研究、农林牧渔业研究。
许多业务问题并非科学问题，而是实际操作问题。例如，O2O平台如何管理商户，新媒体平台如何发展本地客户，直播电商如何选款等，都需要将数据知识与实际工作相结合才能得出结论。
发表评论 取消回复