业务和数据-建立宏观认知

要须心地收汗马,孔孟行世目杲杲。这篇文章主要讲述业务和数据-建立宏观认知相关的知识,希望能为你提供帮助。
作者介绍@阿北
一名数据分析师,长期主义者,专注于个人成长;
期望花时间做一些有意思、有价值的事情;
《大数据实践之路:数据中台+数据分析+产品应用》作者;
“数据人创作组联盟”成员。

做好业务分析的重点在于数据分析师要有良好的专业素养:一方面要有过硬的专业技能、了解业务;另一方面要能够通过合作和协调,让分析策略可以落地并正向影响业务。这些内容在书中都会有介绍,本篇文章主要先带大家了解业务和数据的关系,先建立宏观的认知。

01业务和数据的闭环
业务和数据,可以理解为映射关系,数据是业务在数字世界里的另一个它。举个例子来说:你衣服鞋子的尺码、喜欢吃什么口味的菜、爱看什么内容的文章、什么时候起床和睡觉等等,所有这些个人的数据都在云端被记录着,它就是你在数字世界里的映射。网上之前流行的一句话很有意思:手机可能比你自己还要了解你。就是因为它里面存储了一个数据的你。

我相信大家都清楚,手机用的越频繁,越多个人的数据被记录,它就会越好用,然后你就会用的更频繁。业务和数据就是这样的闭环促进关系:业务越全面、越深入的被线上化,反过来数据对业务的赋能就会越大。

  • 业务数据化:
    业务线上化,存储业务所产生的数据,记录业务;
  • 数据业务化:
    分析收集的业务数据,评估业务状态,指导业务发展,提升效率;
    业务和数据-建立宏观认知

    文章图片

图1 业务和数据闭环

02 不同岗位的职责边界与合作
公司在追求业务商业价值最大化的过程中,会涉及到多个部门间的合作。下面我们就按照图8-1中的数据流转链路来梳理一下不同部门(岗位)主要的职责边界,以及整体是怎么串起来一起协调工作的。
  • 业务产品经理:
    负责协调研发、测试、设计等部门,从实际业务需求出发,上线产品;
  • 数据开发工程师:
    根据数据产品经理的需求,按模型、按主题等去加工业务数据;
  • 数据分析师:
    建立体系的分析框架评估业务状态,定位业务问题,指导业务的发展;
  • 数据产品经理:
    负责协调数据开发同学将业务数据模块化和体系化,同时将业务分析框架产品化,提升数据赋能的效率;
  • 运营:
    根据业务方向,通过短期的激励活动,引导用户认识到产品的长期价值;

在实际的工作中,涉及的部门会更多,比如还会有算法部门、研发部门、用户研究部门等等,这里就不一一展开跟大家讲了。具体的合作过程:首先是业务产研团队基于实际需求,上线产品,当业务数据被收集上来以后,会同步到数据仓库,数据开发工程师根据数据产品经理的需求对数据进行加工处理,数据分析师会全面有逻辑的去拆解和分析业务,并同数据产品经理一起合作把分析框架沉淀在数据产品上。数据分析师、数据产品经理和数据开发工程师一起搭建了整个业务的数据体系,然后对外输出:评估业务状态、数据支持运营活动、分析产品迭代效果等等。

03 数据、信息和知识
接下来我们会就其中的数据分析环节展开来讲,在这之前,先宏观的了解一下从数据到决策会经历怎样的一个过程。

我们时刻都在被数据所记录着:年龄、身高、体重、消费金额、运动步数等等,如果只是单纯的去看这些数字是没有意义的,要用心去思考数字背后鲜活的业(灵)务(魂)。说到这里,阿北笑着又重复补充到:业务是有灵魂的!当我们从这些数字中发现业务背后的信息,再将这些数据和信息转化成一组规则来辅助我们决策(知识)的时候,数据就会变得很有价值。这个过程就是:从数据到信息,再到决策(知识)。

跟大家举个生活中的例子:体温39度是单纯的数字,背后的信息是发烧了,做出的决策(知识)就是需要去医院看病。
业务和数据-建立宏观认知

文章图片
图2 数据-信息-知识

对于上面总结的从数据到决策的过程,我们往往会说成根据数据分析的结果去做决策,虽然这样的说法没问题,但不够直接,实际上我们是基于业务理解去做决策的,而数据是帮助我们加深业务理解的工具。数据赋能业务一般会经历四个环节:数据表现、业务原因、业务策略和作用方式。最开始我们通过数据去评估业务状态,发现业务表现异常,再全面的分析数据并结合一线的调研反馈,反复的进行猜想和数据验证,弄清楚数据表现背后的业务原因,然后思考解决问题的策略,再落地执行,监控后续效果并不断的迭代,直到问题被解决,业务发展进入正轨。
业务和数据-建立宏观认知

文章图片
图3 数据赋能业务

再就刚才提到的生病发烧的例子详细解释一下数据赋能业务的过程:体温39度是数据表现,背后的身体原因是发烧了(业务原因),医生说需要打点滴退烧(业务策略),之后你就躺在病床上,护士过来给你输液(作用方式),这些流程走完之后,后续还会要求你持续的测量体温(监控落地效果),如果还一直不退烧的话,可能还需要继续去输液吃药(不断的迭代业务策略),直到最后体温恢复正常(问题被解决),身体进入健康状态(业务发展进入正轨)。

04 业务策略的闭环
分析数据定位业务问题,基于业务理解,确定解决策略,到最终正向的影响业务,整个过程中,业务策略存在两个闭环:逻辑闭环和业务闭环。
  • 逻辑闭环:
    数据分析的过程,逻辑上要闭环,论据要能够支持结论的成立;
  • 业务闭环:
    策略在业务上的落地执行要闭环,不断的调整迭代;
业务和数据-建立宏观认知

文章图片
图4 业务策略的闭环

这两个闭环是互相影响的,首先要做到的就是论证逻辑闭环,保证结论可以站得住脚。等真正落地执行的时候,业务上可能行不通,就需要基于新的业务理解去迭代论证逻辑,形成新的逻辑闭环,再去落地执行,直到在业务上可以跑通。
所以在数据分析过程中会常出现两类问题:
  1. 逻辑闭环相关:
    不接地气,指的是策略的逻辑论证没问题,但离业务上跑通还很远;
  2. 业务闭环相关:
    策略没有落地或者落地反馈周期太长,导致业务理解只停留在当时分析数据的节点,没有得到验证反馈;

那我们在工作中怎么判断业务策略是否接地气呢?主要分成两步:
  1. 深入思考策略成立的业务假设是什么?
  2. 调研判断业务假设是否成立?
举个例子:你设计了一套完整的针对B端商家的权益方案,希望牵引商家按平台的方向去做生意,假设权益方案在逻辑上没问题,但要真正落地有效的话,就会涉及到一些业务假设需要成立:
  1. 平台可以很好的触达商家,商家也能够理解权益方案;
  2. 权益方案细节,商家真的很在意;
  3. ……

接着就需要去调研这些业务假设是否真的成立?如果成立的话,那么该策略落地有效的概率就会很大;如果商家理解不了复杂的权益方案,或者商家对权益根本不在意,那说明该业务策略是不接地气的,就需要及时做出调整。当然,策略是否有效的前置调研验证是很有必要的,但有时候调研结果并不能直接推导出策略有效或者无效,那就需要设计好的落地方案,快速验证迭代。

最后也类比过来,判断某个人是否懂业务:如果这个人通篇都在讲数学逻辑,没有业务判断,或者有些业务判断明显是不成立的,那大概率这个人就不太懂业务。要做出正确的决策首先逻辑上要成立,另外在业务上也要行得通。

05 人人都会数据分析的趋势
如今不论是企业还是个人发展,整体都在往数据方向转型,数据变得越来越重要。企业需要数据资产保持行业竞争力、产品需要根据数据分析的结果来迭代、运营需要通过数据来评估活动效果等等,越往后,数据思维、分析能力会逐渐变成横向能力被大家所掌握,人人都会数据分析肯定是未来的趋势。所以我觉得大家在这个窗口期选择数据领域是非常明智的。

【业务和数据-建立宏观认知】本文摘编自《大数据实践之路:数据中台+数据分析+产品应用》,经出版方授权发布。

    推荐阅读