1700499286
数据挖掘与数据化运营实战：思路、方法、技巧与应用 5.1 轻视业务论
1700499287
1700499288
轻视业务论最常见的两种类型就是数据分析师瞧不起业务部门的工作，总是觉得数据分析工作优越于业务工作，因而不愿意学习业务逻辑、业务背景和业务知识；或者，数据分析师不懂业务部门的业务逻辑、商业逻辑，也没有意识到自己不懂，更没有想到要主动去学习和掌握。轻视业务论最直接的后果就是数据分析师对业务逻辑、业务背景和业务知识缺乏起码的认识和了解，这样又怎么能指望做出来的分析结果、解决方案跟业务应用有很深的联系呢？
1700499289
1700499290
典型的轻视业务论产生的数据分析报告（模型）是什么样呢？一个刚刚毕业的统计专业的本科生或硕士生（没有起码的了解企业和产品的背景知识），针对企业的业务现状做出的一份数据分析报告，很可能就是一个典型的“轻视业务论”特点的分析报告。报告的内容和组成可以是非常华丽、花哨、复杂、冗长的图表，甚至是方程式、模型等，但是最遗憾的是这么多的内容里很难有具体针对业务需求与业务应用的对接点，套用两个经典的成语就是纸上谈兵和华而不实。
1700499291
1700499292
轻视业务论在工作中最常见的表现形式就是：分析师没有掌握相关的业务知识，分析师提交的分析报告或解决方案并不能真正回答业务方所希望回答的问题。这类分析报告从统计的角度来看，似乎非常完美，使用了能想得到的各种分析维度、分析技术、表格、图表，文章洋洋洒洒。但是，这些报告都只是数据的罗列和堆积，至于具体每个表格、每个关键数据对于业务方有什么意义，有什么建议，该如何落地应用则很少有建设性的提醒和帮助；对于业务方来说，看到这么多的数据、表格、图，他们还是无法知道到底要如何跟自己的业务应用直接挂上钩，或者说仅凭借这些分析报告里的表格、图、结论根本无法与具体的业务应用挂上钩。这不仅是业务方的悲哀，更是数据分析师的悲哀。
1700499293
1700499294
数据挖掘的本质是来源于业务需求、服务于业务需求，如果轻视业务，脱离业务，那数据挖掘和数据分析也就没有存在的价值和意义了。道理看上去是不是非常简单直白？但是不少数据分析师在工作中还是有意无意地表现出了轻视业务的态度，人性的弱点，在生活中亦如在数据挖掘中。
1700499295
1700499296
轻视业务论的主要责任在于数据分析师本身，他是主要矛盾，是决定性根源和因素。不过，从管理的角度看，也有一些方法和制度来促进分析师转变这个错误的轻视业务论的思想观念，尽管这些制度总的来说是被动的、间接的。常见的一些相关的管理制度和措施如下。
1700499297
1700499298
让数据分析师经常阶段性地把办公桌搬到对口的业务团队里，与业务团队坐在一起办公。这个管理措施的目的就是迫使数据分析师融入业务团队的日常工作中，使其与业务团队“捆绑”在一起，并参加他们的业务会议，这样一来，就可以熟悉业务背景、了解业务流程、知道业务团队和业务人员是如何思考他们的业务的，进而促使数据分析师逐渐向业务靠拢，逐渐培养其与业务团队的“共同语言”，最终推进数据分析师的思路、技术、方案与业务方融合。阿里巴巴作为中国互联网行业里的一家代表性企业，很早就关注“轻视业务论”所带来的损失和浪费，一直坚持贯彻“让分析师定期走到业务团队里办公”的制度，新来的实习分析师、从社会上招聘的数据分析师，都要首先坐到业务团队里，熟悉业务背景和业务流程，了解业务团队的相关人员，以便为今后的分析工作有效结合实际业务打下坚实的基础。
1700499299
1700499300
人员管理上贯彻虚线实线的双线管理模式和考评体系。针对数据分析师的管理和考核，分别配置实线主管和虚线主管来进行综合考核。实线主管，就是数据分析师在数据分析团队里的主管，这个主管作为该分析师的主要考评人，对分析师的技术水平、专业成长、公司价值观等方面进行管理、考核、指导；虚线主管，通常是数据分析师所对口业务线的业务团队的主管，他作为数据分析师的次要考评人，重点对该分析师在支持业务的数据化运营的效果、配合度、与业务团队的融合等方面提出管理、考核的意见和建议。一般来说，对于数据分析师的考核和管理应该是结合实线和虚线两方主管的意见和建议来综合决定的。虚实结合的双线管理和考评模式，客观上可以促进数据分析师向业务靠拢，更好地使得分析结论和解决方案来源于业务需求，也服务、应用于业务需求。
1700499301
1700499302
总地来讲，管理上的推动、压力和要求是被动的、间接的，只有数据分析师自身的主动性和自觉性才是决定性的因素和动力。只有数据分析师发自内心的反省和认识，轻视业务论才有可能彻底得到解决，这是数据分析师成长的必要条件。
1700499303
1700499304
1700499305
1700499306
1700499308
数据挖掘与数据化运营实战：思路、方法、技巧与应用 5.2 技术万能论
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。
[
上一页 ]
[ :1.700499285e+09 ]
[
下一页 ]