1700499309
1700499310
“技术万能论”是不少数据分析师所信奉的准则。“技术万能论”者有一个典型的特征，那就是过分迷信分析技术、挖掘技术，认为它们可以解决一切业务问题（包括业务难题）。“技术万能论”的实质就是不能客观看待数据分析的功能和数据分析的技术，认为数据分析技术可以解决一切问题，对数据分析挖掘技术期望值过高。
1700499311
1700499312
“技术万能论”在业务实践中常见的表现形式就是相信数据分析技术本身可以解决任何业务分析需求；对于任何业务难题，不用心思考就认为通过数据分析可以有效解决；认为数据分析无所不能；甚至认为仅凭借数据分析技术（不用考虑其他资源）就可以解决任何业务问题等。数据分析技术是不是万能的呢？当然不是，举一个简单的实例场景，业务方希望数据分析技术能找出付费用户流失的原因。虽然数据分析挖掘技术可以通过建模、准确预测哪些付费用户有可能近期流失，也能够挖掘出一些诸如“近1个月登录平台天数少于20、近30天交谈客户数少于20等，则符合这样条件的客户流失概率大约为60%”的判断规则，但是数据分析挖掘技术其实是不能找出其中逻辑上的因果关系的。尽管上述基于流失概率的判断很准确，但是模型揭示和发现的那些规律、规则都只是关联的关系。关联关系跟因果关系是两回事，数据分析挖掘技术是发现不了因果关系的。
1700499313
1700499314
在数据化运营的业务实践中，初级数据分析师常犯的一个错误就是无论业务方提出什么分析需求，都一股脑地全盘受理，根本不考虑这些分析需求是否合理，数据分析技术是否可以解决之。这其中有可能是潜意识里也认同“技术万能论”的表现。
1700499315
1700499316
为什么数据分析挖掘技术不是万能的呢？常见的原因有以下两个。
1700499317
1700499318
一个是数据本身不配合。虽然数据挖掘的定义是从海量数据中探索、发现那些能带来商业价值的信息金砖，但是具体到一个项目和具体的数据资源时，数据挖掘是否一定能圆满回答项目需求，很多时候恐怕还要看“上帝的脸色”。因为很可能现有的数据资源并不支持你所希望的模型关系、逻辑关系，或者你的项目需求并不是合理的需求，甚至是伪命题，在这个时候，数据挖掘很可能就是无能为力的。
1700499319
1700499320
另一个是业务条件不配合。数据挖掘项目实践是典型的跨团队、跨专业的协调合作项目，其中受影响的因素很多，绝不仅仅是数据分析挖掘技术可以独家包揽的。很多时候，业务因素的欠缺或不足会严重削弱数据分析技术的作用，导致最终业务需求无法满足，这类现象也说明了在某些业务应用中数据分析技术的确不是万能的。举一个实例来说明，如一个基于网络平台应用的新品发布已经进入倒计时阶段，突然发现核心的判断模型需要数据挖掘应用的介入（原定的模型被测试证明是效果不好的）。在这种情况下，数据挖掘纵然有天大的本事，也无法回天，因为产品的核心思路从一开始就没有从数据挖掘的角度来考虑，或者说没有为数据挖掘的具体应用预备相应的数据资源积累，或者说此刻才考虑数据挖掘建模支持是无法在原计划的产品发布时间节点之前完成。在这种情况下，数据挖掘只能从有限的范围以及有限的层次内为产品的核心模型提供有限的改良建议，其效果当然也是很有限的。
1700499321
1700499322
如何认识“技术万能论”的危害并从管理制度上有效规避由此带来的项目风险、数据化运营应用风险呢？一个常见的管理策略就是建立分析课题评估机制，在前期的课题需求评估阶段引进专家评估小组，对课题需求本身的合理性、课题分析技术的把握性、数据分析的预计产出物、相关业务因素的判断等，做出相对权威、合理、客观的判断、评价和建议，从而决定该分析需求是否合理，是否可以通过数据分析、数据挖掘得到有效解决，是否在分析技术上有比较充分的把握，以及大概的产出物模式、应用价值等。专家评估小组给出的评估建议和评估结论，可作为决定课题是否正式立项的主要依据。实践证明，数据分析项目前期的专家小组评估制度，可以有效保障课题的成功性、有效节约分析资源和项目资源、提升项目效率，是数据分析项目建设和数据化运营中的重要管理环节，应该在企业数据化运营中长期坚持，不断完善。
1700499323
1700499324
专家评估小组成员不仅应该包括资深的项目经验丰富、熟悉业务背景的数据分析专家，同时还应该包括项目所涉及的相关落地应用业务领域的业务专家。跨专业、跨团队的专家小组可以真正从多专业、多角度全面评估项目课题，给出客观、科学、高效的项目建议，从而可以最大限度地降低“技术万能论”所带来的种种风险，提升数据挖掘项目的效率和企业数据化运营的效果。
1700499325
1700499326
1700499327
1700499328
1700499330
数据挖掘与数据化运营实战：思路、方法、技巧与应用 5.3 技术尖端论
1700499331
1700499332
“技术尖端论”也是数据分析师，尤其是年轻的刚接触数据分析应用的数据分析师里比较有代表性的一种错误观念和思想。持有这种观念的分析师，会过分追求所谓尖端的、高级的、时髦的、显示自己技术水准的数据分析挖掘技术，认为分析技术越高级越好，越尖端越厉害。在数据分析项目实践中的主要表现就是面对一个分析课题，持“技术尖端论”的分析师首先想到的是选择一个最尖端的、最高级的分析技术去解决，而不是从课题本身的真实需求出发去思考最合理、最有性价比的分析技术。
1700499333
1700499334
任何一个数据分析课题，至少都会有两种以上的不同分析技术和分析思路。不同的分析技术常常需要不同的分析资源投入，还需要不同的业务资源配合，而产出物也有可能是不同精度和不同表现形式的。这其中孰优孰劣，根据什么做判断呢？是根据项目、课题本身的需求精度、资源限制（包括时间资源、业务配合资源、数据分析资源投入）等来做判断和选择，还是按照分析技术的高级与否做判断和选择？不同的考虑方式和选择结果，决定着项目的资源投入和对业务需求满足的匹配程度，一味选择尖端的、高级的算法和分析技术很可能会造成项目资源投入的浪费，并且很可能不是最适合业务需求的方案。最贵的，不一定是最适合你的，我们在生活中的体验和感悟同样也是适用于数据分析课题的场景和数据化运营应用的。
1700499335
1700499336
举一个实际的案例来说明。如某在线新产品上线试运营了两个月，产生了一批付费购买的用户，现在产品运营团队希望能比较深入、全面地了解目标用户的基本特征和大致的群体规模。针对这个分析需求，基于当前的业务背景（刚刚上线运营两个月）应该用什么样的分析思路和分析技术呢？目标用户特征群体筛选课题的解决思路，至少有3种以上的分析技术可以完成：有简单的技术，如统计描述总结、相关性分析、假设检验等；有常规的技术，比如聚类分析等；也有更加需要资源投入的技术,比如针对单个目标用户的预计付费概率的预测模型。具体到本案例，由于产品刚刚上线运营两个月，业务方对目标用户的大致情况还没有一个详细、全面的了解，而且无法使用精确的付费概率预测模型（2个月的数据很难完全支撑起一个有效的预测模型的搭建和验证），所以综合考虑，简单地统计描述总结，进行相关性分析和假设检验是现阶段、现有业务背景下比较具有性价比的优选思路和解决办法。
1700499337
1700499338
追求技术的进步和发展本身没有错，但是一味强调技术的先进性，忘记了业务因素对分析课题的决定性影响，忘记了数据分析工作的目的是为业务服务、满足业务需求的根本宗旨，实际上就是本末倒置、舍本逐末，其实践后果通常就是浪费了分析资源，或者丢掉了最佳性价比的方案，或者根本无法与真实的业务需求有效对接。
1700499339
1700499340
应对并防止“技术尖端论”的一些有效的管理措施和管理制度包括5.2节谈到的课题需求评估机制，即用专家集体的力量提炼出最合适的、最具性价比的分析思路和技术，以及经常性的分析师团队的技术分享，如项目课题分享、同行间的课题交流，从不同的实际案例中深刻体会如何权衡分析思路、为什么“适用性”比“尖端性”更好、为什么“性价比”的考虑比单纯的“技术性高低”的考虑更可靠更有意义，从而逐渐开阔分析师的思路和视野，丰富分析师的经验。
1700499341
1700499342
1700499343
1700499344
1700499346
数据挖掘与数据化运营实战：思路、方法、技巧与应用 5.4 建模与应用两段论
1700499347
1700499348
“建模与应用两段论”在当前的企业数据化运营实践中比较普遍，相当数量的数据分析师都自觉或者不自觉地在工作中表现出“两段论”的现象，比如不少数据分析师一旦将模型搭建好并验证通过之后，就将之丢给业务方去应用，至于业务方具体应该如何应用模型，数据分析师不太关心。又比如，模型或数据分析结论、方案在业务应用中出现了问题或瓶颈，但是相关的数据分析师不愿意去主动进行分析、诊断，或者不太清楚如何找出造成业务落地应用困境的原因，只能将这些问题和困难丢给业务落地应用方自己去摸索。
1700499349
1700499350
“建模与应用两段论”的背后既有分析师自身对业务背景了解不足、业务知识欠缺，或者业务经验不够的原因，又有分析师“偷懒，多一事不如少一事”的心态在作怪，也就是“不负责任”的态度在作怪，就是不能真正有效支持业务需求，最终致使其不能落地应用。更深层次的原因也可能来源于企业管理层、决策层对于数据分析团队的定位和认识比较简单肤浅，对于数据化运营和数据挖掘应用的看法比较落后（如果数据分析团队和数据分析师被认为仅仅是企业里的一个部门、一个分析的职能，“铁路警察，各管一段”、“分析师出模型，业务方管应用”似乎也就顺理成章了）。
1700499351
1700499352
一个复杂的挖掘模型也好，一份数据分析报告也罢，对于企业的数据化运营的应用场景来讲都只是万里长征第一步。要真正给企业带来价值，重点在于其后的业务落地应用环节，这个环节比单纯的数据分析和数据建模更复杂、更关键，它需要多团队多专业的协调和配合，离不开数据分析师（数据分析团队）持续地跟踪、讨论、修正、建议。如果数据分析师不能参与落地应用环节，可以肯定地说这个业务落地应用的效果不会好到哪里去。因为除了单纯的模型方案之外，业务应用团队还需要了解数据建模的思路、数据分析师具体的提醒、业务落地应用中碰到困难时分析师的及时诊断和建议、应用效果评估时分析师给出的合理评估思路和评估框架等。更重要的是，数据分析（挖掘建模）过程绝不是简简单单的一蹴而就的过程，很多时候它是一个要通过与业务方的讨论、沟通，不断修正不断完善的过程。脱离了应用中的及时沟通、讨论、反馈、修正，这个模型也不可能有多大的业务应用价值，这样的数据挖掘模型（或者数据分析报告）也没有什么大的价值和意义。
1700499353
1700499354
应对和防止“建模与应用脱节”的有效管理措施包括：对于数据分析师的考核和考评不是基于模型（或者分析报告和建议）本身，而是基于模型（项目）业务落地应用后的实际效果和业务反馈，这种考核制度促使数据分析师必须全程参与项目应用（数据化运营），从而显著减少“建模与应用脱节”的可能性；另外，上面几节谈到的分析师管理的实线和虚线的“双线主管”制度也可以有效督促数据分析师加强分析与应用的结合性，确保分析、建模真正来源于业务需求，并真正有效服务于业务需求。
1700499355
1700499356
1700499357
1700499358
[
上一页 ]
[ :1.700499309e+09 ]
[
下一页 ]