數(shù)據(jù)領(lǐng)域的名詞特別多，經(jīng)常把同學(xué)們繞暈。數(shù)據(jù)分析、商業(yè)分析、運(yùn)營(yíng)分析、銷(xiāo)售分析、數(shù)據(jù)挖掘、算法模型、統(tǒng)計(jì)學(xué)、智能分析、BI分析……似乎每個(gè)都和數(shù)據(jù)有關(guān)系，似乎每個(gè)又各自有一個(gè)領(lǐng)域的知識(shí)。

如何區(qū)別這些讓人眼花繚亂的概念，今天系統(tǒng)講解一下。

學(xué)習(xí)數(shù)據(jù)分析三類(lèi)常見(jiàn)錯(cuò)誤

正是因?yàn)橹R(shí)點(diǎn)太多，所以有同學(xué)很容陷入某個(gè)細(xì)節(jié)，結(jié)果產(chǎn)生三大流派：

 

▌理論流：喜歡搬書(shū)，尤其喜歡搬統(tǒng)計(jì)學(xué)，還有把高數(shù)搬出來(lái)的。似乎是理論越厚越好。實(shí)際上企業(yè)里相當(dāng)多的數(shù)據(jù)工作是全量統(tǒng)計(jì)，根本不需要用到統(tǒng)計(jì)學(xué)抽樣概念。

 

▌工具流：尤其以ESP（excel，sql，python）或者EST（excel，sql，tableau）流為典型，每天都在努力學(xué)習(xí)各種操作工具，可每一種操作工具，又止于最大值、最小值、平均值、百分比，最多再做個(gè)RFM聊以自慰。結(jié)果面試時(shí)候總糾結(jié)：到底這個(gè)算不算熟練。

 

▌思維流：總是把“底層思維”“核心邏輯”“內(nèi)功心法”掛在嘴邊，“分析無(wú)非拆解、對(duì)比”，對(duì)數(shù)據(jù)怎么采集一無(wú)所知，對(duì)數(shù)據(jù)質(zhì)量、數(shù)據(jù)治理一竅不通，結(jié)果就是真實(shí)工作中連個(gè)需求表都講不清……開(kāi)發(fā)看了直撓頭。

 

當(dāng)然，更夸張的是以上三個(gè)都信了，桌面擺了20本書(shū)每天看一章，結(jié)果頭昏腦漲還是不懂，那畫(huà)面太美真不敢看……

 

之所以有這些問(wèn)題，是因?yàn)閿?shù)據(jù)分析工作本身是一個(gè)交叉領(lǐng)域的知識(shí)，并非像財(cái)務(wù)會(huì)計(jì)那樣從理論到實(shí)操能用一套體系講完。真實(shí)的數(shù)據(jù)分析工作上呈業(yè)務(wù)，下接技術(shù)，每個(gè)子模塊都有豐富的內(nèi)容。如果不梳理出一條主線，很容易扎進(jìn)細(xì)節(jié)無(wú)法自拔（如下圖，數(shù)據(jù)分析師的技能樹(shù)）

從數(shù)據(jù)分析到數(shù)據(jù)驅(qū)動(dòng)

以一張指標(biāo)含義清晰，分類(lèi)維度含義明確的excel表為分水嶺，數(shù)據(jù)分析可以分成技術(shù)和業(yè)務(wù)兩部分。

從各個(gè)數(shù)據(jù)來(lái)源采集數(shù)據(jù)，ETL過(guò)程，數(shù)據(jù)倉(cāng)儲(chǔ)建設(shè)，數(shù)據(jù)庫(kù)中跑數(shù)提取出這張excel表的過(guò)程，是技術(shù)工作，涉及埋點(diǎn)、數(shù)據(jù)清洗、大數(shù)據(jù)開(kāi)發(fā)等眾多技術(shù)領(lǐng)域。為了方便提取數(shù)據(jù)。

如何解讀excel，把數(shù)據(jù)變成可以指導(dǎo)業(yè)務(wù)的行動(dòng)策略，是業(yè)務(wù)部分。

注意，業(yè)務(wù)只是一個(gè)統(tǒng)稱(chēng)，分成戰(zhàn)略、戰(zhàn)術(shù)、戰(zhàn)斗三層。戰(zhàn)略層是最宏觀的經(jīng)營(yíng)分析與企業(yè)發(fā)展方向分析；戰(zhàn)術(shù)層是具體的線下銷(xiāo)售、線上銷(xiāo)售、推廣渠道、用戶(hù)增長(zhǎng)、品牌營(yíng)銷(xiāo)、產(chǎn)品供應(yīng)等業(yè)務(wù)線的分析；戰(zhàn)斗層則是具體的運(yùn)營(yíng)活動(dòng)、媒體發(fā)布、獲取渠道、產(chǎn)品功能點(diǎn)等分析。

 

這些分析都是基于可獲取的數(shù)據(jù)進(jìn)行的，需要業(yè)務(wù)基礎(chǔ)知識(shí)和分析技巧的雙料加持才能產(chǎn)生效果。所謂業(yè)務(wù)基礎(chǔ)知識(shí)，是對(duì)戰(zhàn)略、戰(zhàn)術(shù)、戰(zhàn)斗三層基本做法的了解。一個(gè)人不可能在連汽車(chē)都沒(méi)見(jiàn)過(guò)的情況下開(kāi)好車(chē)，同樣，也不可能在對(duì)一個(gè)行業(yè)基本規(guī)則、操作流程、流行玩法不了解的情況下做好分析。

 

而分析技巧，則直接和數(shù)據(jù)質(zhì)量有關(guān)。數(shù)據(jù)來(lái)源豐富、數(shù)據(jù)質(zhì)量好的情況下，可以做復(fù)雜的分析模型，數(shù)據(jù)質(zhì)量不行，只能做基礎(chǔ)分析，長(zhǎng)袖善舞，多錢(qián)善賈就是這個(gè)道理。

分析技巧也和業(yè)務(wù)模式有關(guān)，越是能和用戶(hù)點(diǎn)對(duì)點(diǎn)溝通，即時(shí)交互的業(yè)務(wù)，就越有能力做個(gè)性化推薦與數(shù)據(jù)測(cè)試。只能在公開(kāi)場(chǎng)景溝通的，就很難做復(fù)雜的數(shù)據(jù)測(cè)試。

 

有沒(méi)有可能把這些繁瑣的過(guò)程，打包成一整個(gè)產(chǎn)品來(lái)實(shí)現(xiàn)？有，BI產(chǎn)品（Business Intelligence）就是這樣成體系的數(shù)據(jù)產(chǎn)品。

有趣的是，在BI產(chǎn)品推出早期(1996年)，人們并不懂得數(shù)據(jù)的價(jià)值，因此才發(fā)明了一個(gè)“商業(yè)智能”的高大上稱(chēng)呼，引起人們對(duì)數(shù)據(jù)產(chǎn)品的重視，而在2021年，人們已經(jīng)普遍認(rèn)識(shí)了數(shù)據(jù)價(jià)值，數(shù)據(jù)產(chǎn)品一詞才更容易被大家接受。

 

通過(guò)BI工具，業(yè)務(wù)部門(mén)可以輕松快捷地使用數(shù)據(jù)，極大提升效率。（如下圖，基于PowerBI的銷(xiāo)售數(shù)據(jù)儀表盤(pán)）

可見(jiàn)，從數(shù)據(jù)分析到數(shù)據(jù)驅(qū)動(dòng)，需要經(jīng)歷漫長(zhǎng)的過(guò)程，且能力上有明顯差異。剛?cè)腴T(mén)的同學(xué)，可以先對(duì)全流程有一個(gè)簡(jiǎn)單了解，之后根據(jù)個(gè)人工作職責(zé)與能力特長(zhǎng)，選擇更適合自己的方向。

數(shù)據(jù)分析與算法模型

從本質(zhì)上看，數(shù)據(jù)分析與算法是兩個(gè)應(yīng)用方向：

▌數(shù)據(jù)分析：數(shù)據(jù)分析對(duì)抗的是不確定性，核心任務(wù)是把可量化的流程、操作、行為量化，用數(shù)據(jù)化、科學(xué)化的管理，代替：“決策拍腦袋、承諾拍胸口、出事拍大腿”的隨意的管理。

▌算法：算法對(duì)抗的是低效率，核心任務(wù)是通過(guò)訓(xùn)練模型，把低級(jí)、重復(fù)、可標(biāo)準(zhǔn)化的操作轉(zhuǎn)移到機(jī)器完成，釋放人力資源，解決人力計(jì)算困難的問(wèn)題。

 

所以我們能看到，算法的成功案例，在工業(yè)界比管理界多，在業(yè)務(wù)流程比決策流程多。比如人臉識(shí)別，在身份驗(yàn)證、安防監(jiān)控、違章取證方面有大量應(yīng)用。

比如基于機(jī)器學(xué)習(xí)預(yù)測(cè)和線性規(guī)劃分配的調(diào)度算法，在人流控制、物流管理、派送分配方面有大量應(yīng)用。這些都是生產(chǎn)系統(tǒng)，和數(shù)據(jù)分析、商業(yè)決策沒(méi)啥關(guān)系。

 

和商業(yè)決策相對(duì)距離較近的是推薦類(lèi)算法。但注意：有推薦算法的推薦系統(tǒng)，都是平臺(tái)方用于應(yīng)對(duì)大量商品（數(shù)以?xún)|計(jì)的SKU）的情況，品牌方自己才幾百個(gè)SKU的商品，做商品管理的時(shí)候還是要根據(jù)產(chǎn)品調(diào)性、賣(mài)點(diǎn)、用戶(hù)需求，設(shè)計(jì)宣傳思路，主打文案、賣(mài)點(diǎn)、價(jià)格策略、售后服務(wù)、禮品回饋。這些復(fù)雜的商業(yè)決策還是需要人來(lái)做，靠的是數(shù)據(jù)分析的支持。

 

本質(zhì)上，算法崗位和數(shù)據(jù)分析崗位是兩個(gè)工作，但這并不妨礙做數(shù)據(jù)分析的人向算法崗位靠攏。如果一個(gè)做分析的同學(xué)，真的對(duì)業(yè)務(wù)不感興趣，更希望深鉆技術(shù)的話，完全可以向算法方向發(fā)展。做分析的同學(xué)，對(duì)于數(shù)據(jù)開(kāi)發(fā)有一定的能力積累，可以進(jìn)一步強(qiáng)化開(kāi)發(fā)能力。

 

強(qiáng)化的方向，當(dāng)然不是打開(kāi)SKlearn對(duì)著一個(gè)已經(jīng)處理好的數(shù)據(jù)集調(diào)參?？深A(yù)見(jiàn)的未來(lái)是：AutoML興起以后，調(diào)參俠第一個(gè)失業(yè)。強(qiáng)化的第一步，強(qiáng)烈建議從特征工程做起。

俗話說(shuō)：數(shù)據(jù)和特征決定了機(jī)器學(xué)習(xí)的上限，而模型和算法只是逼近這個(gè)上限而已。特征工程是最基礎(chǔ)也是最重要的工作（如下圖，利用特征工程提升預(yù)測(cè)效能）

 

縱觀Kaggle, KDD等國(guó)內(nèi)外大大小小的比賽，每個(gè)競(jìng)賽的冠軍其實(shí)并沒(méi)有用到很高深的算法，大多數(shù)都是在特征工程這個(gè)環(huán)節(jié)做出了出色的工作，然后使用一些常見(jiàn)的算法就能得到出色的性能。

因此，特征工程可以說(shuō)是機(jī)器學(xué)習(xí)成功的關(guān)鍵因素。并且這些基礎(chǔ)的工作，可以在比賽數(shù)據(jù)集上反復(fù)訓(xùn)練，通過(guò)大量實(shí)踐加深認(rèn)識(shí)，比起蜻蜓點(diǎn)水的敲一遍案例代碼連打字技巧，是一個(gè)更好的上手路徑。

快速建立分析的認(rèn)知

光看文字還不過(guò)癮？這里為大家準(zhǔn)備了一個(gè)連續(xù)3天的免費(fèi)直播，通過(guò)三位重量級(jí)數(shù)據(jù)大咖，站在商業(yè)數(shù)據(jù)分析角度，帶大家領(lǐng)略從數(shù)據(jù)采集到商業(yè)應(yīng)用的全過(guò)程，以及如何從數(shù)據(jù)分析，上手算法建模。整個(gè)系列直播分為三部分，詳情如下，歡迎大家掃碼報(bào)名參加。