我们都知道，数据是死的，其本身是没有价值的。要让大数据发挥其价值，需要对数据进行分析或挖掘。数据分析或数据挖掘，是实现大数据价值的核心手段。
但是，哪些人最有可能做好数据分析和数据挖掘呢？
技术专家能不能做好数据分析？
常听到业务人员抱怨，说他们的数据分析部真是太差劲了！给了他们一大堆数据，结果技术部什么信息也没有挖掘出来。除了做了一些统计外，画了几张图表外，什么信息也没有给我们。平时见他们说大数据多么重要，大数据技术多么牛X，其实到真正解决问题时一点用处也没有。可见，大数据的泡沫有多大！
业务专家能不能做好数据分析？
技术人员也在不断抱怨，说业务部门的人不负责，光是给我们一大堆数据要我们分析，也不告诉我们要干吗？要达到什么目的，我们只管做技术分析，我们哪知道数据呈现什么信息，哪知道数据怎么使用啊？
这，就是现实！这就是数据分析中最常见的问题！
业务人员，不知道数据分析能够做什么，不能够做什么。
数据分析人员，不知道从哪些方面哪些角度去分析数据。
管理者，拿到分析结果后，不知道怎样解读数据使用结果。
每个人都不知道在数据分析项目中，各自的职责是什么，所以才相互埋怨，相互指责。
数据分析的目的，是解决商业问题的。
一个完整的数据分析过程如下，从要解决的业务问题出发，将业务问题（或管理问题、营销问题等等）转化为数据问题，再使用数据分析方法来提取数据中的信息，最后将分析结果从业务层面进行解读，从而做出合适的业务决策。
明确业务问题
明确业务问题，这是业务人员的职责。
我们要解决什么样的业务问题？达到什么样的目的？需要业务人员把工作中面临的困惑和问题提出来。
明确业务问题，这是数据分析的起点，也是做数据分析的先决条件。
是要有业务问题，然后才知道应该收集什么样的数据，做什么样的分析。收集数据、分析数据都是要围绕业务问题来的。有了业务问题，我们才知道需要收集哪些数据，利用什么分析方法来分析数据，否则，没有目的，所有的工作都是浪费。
所以，不是先有数据，再去分析，而是先要有业务目的，才进行数据分析。顺序不能反了，这是必须要搞清楚的事情。
当然，也不排除在有些情况下，在不明白应用场景的情况下，先收集数据，然后再思考这些数据怎样用。这在互联网公司是经常遇到的事情，但传统行业的业务模式基本清晰，应该要先梳理主流业务，然后指导数据分析部进行数据收集和分析。
将业务问题转化为数据问题
业务问题的转化，这需要业务专家和数据专家共同进行。
一个大的业务问题，在业务逻辑上是怎样的，应用从哪几个方面来思考，应该将其分解成哪几个小的因素，每个因素涉及到哪些数据，应该通过什么指标来衡量，这些如果业务专家不参与的话，是没有办法实现的。
比如，市场精准营销的问题，这个宏观的问题怎样才能转化为数据问题。分析师是没有精准营销的概念的，不知道影响营销的因素有哪些，但业务专家却十分清楚精准营销要收集六种主要信息。在业务专家的配合下，数据分析师才能够将其细分，将其转化为数据的收集和评估指标，然后才得以继续进行。
数据分析过程
数据分析过程，一般是由分析师主导的。
在明确要解决的业务问题，收集到需要的原始数据之后，分析师就开始就数据进行处理，包括数据统计、数据建模、模型优化与评估。
通过合适的分析方法来提炼数据中包含的业务规律和业务问题，或者提炼出数据间的关系，找到影响业务问题的关键因素，甚至可以预测业务未来的发展趋势。
数据解读
数据解读，这也需要业务专家和分析师共同进行。
数据分析的结果依然是数据，当然为了直观，也可对分析结果进行可视化。分析结果必须要上升到业务层面进行解读，否则也是没有意义的。
数据的变化，意味着业务的变化；数据间的关系，意味着业务因素间的关系。从数据到业务，需要业务专家和分析师共同解读，然后，再基于结果，提出相应的业务对策，这也主要是业务专家的职责。
上面一个完整的数据分析过程，可以看得出，要做好一个数据分析项目，既要懂业务，又要懂分析，所谓“三分技术，七分业务”。
选择合理的工具
技术人员整合、处理数据，业务人员拿到可直接分析的数据做业务分析。业务分析的实际操作又要懂可视化涉及又要懂得一些常规的例如SPSS、SAS等统计分析工具的使用。不妨使用一些零代码易操作的工具，比如可视化工具Tableau，可供前端多维度分析的大数据BI工具FineBI.
一句话，数据分析需要业务专家和数据分析师的相互配合，需要团队协作。单凭某一个方面的专家，是不足以做好数据分析的。
作者：傅一航
文章出自：微信公众号-大数据专家傅一航
联系客服
