感謝關注天善智慧型，走好資料之路↑↑↑歡迎關注天善智慧型，我們是專注於商業智慧型bi，人工智慧ai，大資料分析與挖掘領域的垂直社群，學習，問答、求職一站式搞定！
年底將近，雙十一大**在即，資料分析師們又到了一年最辛苦，最悲催的時間段。然而，有多少無意義的加班，是因為業務部門不會提需求所導致的。需求提的不合理，業務部門看了不解決問題，就會反反覆覆的再提需求。導致資料分析師們辛苦加班還不落好，背上乙個：「分析沒深度啊！」的壞名聲。
為了提高分析質量。陳老師總結了資料分析師可以回答&不可以回答的問題。資料分析師們可以對症下藥，在業務部門思路不清晰的時候，幫他們理清思路，找到他們真正關心的問題。業務部門的同學們自取學習，提公升資料能力，能讓你的方案思路更清楚，減少返工機會。思路不清，被老闆退回，反覆改到v28-7f.3版，倒霉的還是業務部門自己。
簡單來說，資料分析師可以回答三類問題：是什麼，為什麼，會怎樣。
資料分析師可以回答：是什麼
遇到綜合指標&對比判斷指標，業務方需要先給判斷邏輯。畢竟業務方才是對業績直接負責的部門。到底什麼指針對業務發展更重要，到底什麼程度才算好/壞，業務方才是最終裁判。對業務開展有利是最終判斷準則。如果業務方暫時沒有清晰判斷，資料分析師可以協助先計算資料分布，提高業務方判斷效率。
資料分析師可以回答：為什麼
為什麼：用資料分析問題產生的原因。需要指出的是，資料分析僅僅是尋找原因的一種手段。因為目前的資料僅能記錄一小部分使用者行為狀態。很多重要的原因無法被記錄。因此，資料分析更適合定位問題。剖析問題找到原因，可能需要使用者訪談，渠道走訪，親自體驗，產品測試等多管其下。
資料分析師70%時間要花在基礎的資料處理、資料計算、報表製作上。相比之下，每天都在一線奮戰的業務方，反而有可能對問題產生的原因，有更直觀的感受。因此，想精準的分析原因，最好的方式是業務方先提供業務假設：基於經驗，可能是在xx方面有問題。資料分析師通過資料進行驗證，質量就非常之高了。
資料分析師可以回答：會怎樣
會怎樣：用資料**未來可能的情況。這裡必須強調：不要高估所謂大資料、人工智慧、科學演算法的能力。資料分析師們**未來的基本邏輯，是：過去的情況會重現，過去發生的邏輯未來也一樣。完全憑空飛出來的黑天鵝是無法**的。本質上看，未來業績是多少，是靠業務方做出來的，不是算出來的。如果業務方不努力幹活，單靠演算法、公式、模型、又能怎樣？
因此，高質量的**，是建立在業務方準確的提供未來計畫之上。未來業務方將開展的計畫越精細，資料分析師們，就能越準確的衡量得失，判斷內外部因素影響。如果沒有計畫，資料分析師們，也只能假設現在的某些趨勢保持不變，簡單拍拍腦袋。
資料分析師不可以回答：怎麼辦
重要的事情說三遍：
分析「我該怎麼做」不屬於資料分析師職責
分析「我該怎麼做」不屬於資料分析師職責
分析「我該怎麼做」不屬於資料分析師職責
雖然也有分析兩個字，但是如何設計解決方案是業務部門的事。運營部門就該做活動方案，產品經理就該出產品方案，銷售部門就該想東西怎麼賣。這才是業務部門的本職工作。吵吵著：「你說我不行，你行你上啊」是玩忽職守的扯皮表現。如果連具體的業務方案都讓分析師來想了，分析師也乾脆把業務部門的工資領了算了。
不靠譜的需求大多長這樣
乙份合格的需求，一定要先想清楚：自己到底要什麼。當方案還在策劃階段，最需要了目標客群歷史上的「是什麼」，通過對過往經驗的回顧，尋找下乙個方案的想法。有了初步的想法以後，可以測算「會怎樣」，為選擇方案提供資料支援。當方案落地成專案時，可考慮監控當前的「是什麼」，監督專案進度。當專案完成後，可再分析「為什麼」，總結成功失敗原因。
業務方提需求的時候，最忌諱眉毛鬍子一把抓。腦中一堆問題沒頭緒，就一股腦傾瀉給資料部門。嘴裡講的是看乙個xx指標歷史資料，心理想的是：「我靠，未來這個指標不會下滑吧」。嘴裡講的是看兩個ab指標的走勢，心理想的是：「肯定是b影響了a」。如果資料結果和想象不一樣，就懷疑是資料問題，又提一堆亂七八糟的新需求。往往取數的邏輯越來越複雜，到最後都已經不記得最初想解決什麼問題。親，想做**就直接做**，想分析原因就直接找原因，不用這麼彎彎繞繞。在如何看資料上，資料分析師們有更豐富的經驗，和他們充分討論，出品質量更高哦。
當然，最大的問題還是不會問：「是什麼」。取數分不清指標，分不清時間狀態。平時沒有養成嚴謹的資料習慣，隨口說：「我們的使用者有1000萬」「消費1000以上」「大部分是男性」之類的話說的太多。導致看似有資料意識，實則認識不清。利用資料思路混亂，輸出結果不嚴謹，導致反反覆覆取數、核對資料，消耗了大量時間。當然，業務部門沒必要做到專業級的嚴謹，這裡必須靠資料分析師來把關，協助大家提高分析質量。
高質量的需求可以這麼提
不直接問「我要做什麼」，不代表資料分析師不能支援到方案選擇。實際上，合理的提問，可以有效獲取參考資料，啟發思路，提公升方案質量。比如把「分析一下我該怎麼幹」換成以下問題，就有可能獲得更好的結果：
第一：可以來問是什麼。比如：「我們近2年來採用的，類似xx形式的**，roi表現如何？響應率如何？響應的客群是什麼人？我們去年在雙十一投放的廣告，轉化率如何？在沒有做**的情況下，去年的同期業績是多少？我們截止到上個月最新的高階客戶的特徵是什麼？他們喜歡哪些類產品？他們的購買週期怎樣？」
掌握具體情況越豐富，細節越詳細，越可以幫助業務方看清楚哪些方法好用，哪些方法不好用；掌握的目標使用者行為越多，越可以幫助業務方把握目標群體的特點，從而更好的思考哪些方案可行。這裡可能就是基礎的資料分析結果呈現與使用者畫像展示，但對啟發思維是非常有幫助的。
第二：可以來問為什麼。比如：「什麼上個月的活動投入力度那麼大但是響應率不高？是因為宣傳沒有到位還是投放的券力度太小？從環節上看，是訪問率跌了還是轉化率跌了？類似力度的活動，比如去年xx活動轉化率多少？」
找原因的時候，有具體的假設，就能幫資料分析師快速鎖定目標。資料分析師們，可以提供豐富的資料來多角度論證問題。畢竟去偽存真，去偽的難度更低。
第三：可以來問會怎樣。比如：「我已經計畫好了，採取買二贈一的模式，在x月x號-x月x號進行，針對所有使用者開展活動。請幫忙測算一下到時會有多少人參與？到時會不會出現庫存不足？如果參與人不足，在什麼時候再投放一次廣告能彌補問題？」
有了具體的方案以後，資料分析師們就可以為業務量身定製測算方案。可以很細緻的結合具體的活動形式、活動時間、活動群體，來考慮競爭對手的影響，考慮季節性波動與參與率。從而相對精確的給到測算意見，為業務部門行動提供有力的支援。
當然，乙個業務技術雙精通的資料分析師，是可以提業務方搞掂上邊所有問題的，不依賴業務方的判斷，因為他自己就是個業務高手，有豐富的實戰經驗與業務能力。但這種人是可遇不可求的。大部分資料分析師還是70%時間處理資料的技術男。
為了提高效率，請珍惜資料分析師的時間，讓他們把智力投入到更有價值的為什麼，會怎樣的分析上，而不是反反覆覆的當人肉報表機提資料，那樣分析的結論不深入，既浪費分析師的人力，又耽誤業務部門決策。
作者介紹：陳老師，在諮詢行業打拼了9年，在如何診斷經營問題、建立分析體系、解決專項問題上有超過30個大型專案積累與實戰，天善智慧型特邀專家。資料分析職場路上有困擾嗎？不妨到《資料分析師八大能力培養課程》裡聊聊！
從真實資料分析工作場景出發，訓練實戰能力
啟發式教學+大量實際操練，培養屬於自己的能力
不依賴於某個具體技術，也適合對資料分析感興趣的學生、業務部門人士學習
拒絕無效加班 ！
文 ido老徐 是的，由於版本緊急發布，需要技術支撐，老徐今天在公司陪同專案組加了個班。一天下來，毫無成就感，明顯的無效加班。各種坑，各種混亂，各種不爽 雖然整個過程有持續整合，自動打包 部署 發布 校驗 單元測試 介面測試 自動化測試，但是依然坑多多。本質來講，還是團隊協作問題，還是專案經理問題，...
拒絕無效加班 ！
文 ido老徐 是的，由於版本緊急發布，需要技術支撐，老徐今天在公司陪同專案組加了個班。一天下來，毫無成就感，明顯的無效加班。各種坑，各種混亂，各種不爽 雖然整個過程有持續整合，自動打包 部署 發布 校驗 單元測試 介面測試 自動化測試，但是依然坑多多。本質來講，還是團隊協作問題，還是專案經理問題，...
拒絕無效加班 ！
文 ido老徐 是的，由於版本緊急發布，需要技術支撐，老徐今天在公司陪同專案組加了個班。一天下來，毫無成就感，明顯的無效加班。各種坑，各種混亂，各種不爽 雖然整個過程有持續整合，自動打包 部署 發布 校驗 單元測試 介面測試 自動化測試，但是依然坑多多。本質來講，還是團隊協作問題，還是專案經理問題，...