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