编辑导语：用数据分析来指导业务问题，非常容易出现各种问题。比如数据分析指出某个早就存在的问题，却没有办法给出一个具体的解决方法，或者业务人员尝试解决无果之后，就会觉得数据分析是不可靠的。本文就数据分析作用展开讨论。推荐对数据分析感兴趣的同学阅读。
这是一个面试时经常被问到的问题，也让很多同学犯难。要么不知道从何说起，要么回答完了被人怼回来。今天我们系统性解答一下。
首先，这个问题凡是直接回答“能帮企业赚钱/省钱”的，都会大概率阵亡。不是被面试官怼穿，就是在入职后深陷大坑，连试用期都熬不过去。
因为数据本质上就是个参谋，不是真正在一线战斗的士兵。
就像狙击镜倍数再高，最后打死人的是狙击手，是子弹，是步枪，唯独不是狙击镜一样。想赢得一线战斗的胜利，需要的是经费、技术人员、业务团队和老板的审批权。数据的作用是排在队尾的。
其次，直接回答“能帮企业赚钱/省钱”往往会被一句话怼穿：
你的分析报告包括没包括执行方案？如果没有包括，那落地都不是你做的，凭什么说钱是你挣的。如果包括，你的方案有没有资源人力投入，那你怎么证明是数据分析起而不是资源投入导致的效果？
当然，大部分数据分析报告，压根就没有配套的落地方案，这个问题到第一步就已经被怼死了。侥幸活到第二问的，也无法解释。毕竟数据就是数据，数据能帮助业务但不能替代业务。
当然，也有些同学变身激情澎湃的吹吹哥，大吹一通：“身为一个数据分析师，我的能力真的好强。不需要投经费，不需要做开发，只要拿着我的分析，钞票就花花的来！”这么浮夸的说法肯定会被懂行的人直接拆穿。
但万一遇到的是一样不懂行的，还真信了这番话，把吹吹哥招进公司，指望着一分析定乾坤。
那吹吹哥会大概率阵亡在试用期，因为根本没有人会理他。谁会没事听一个新人哔哔。
没有经费、没有开发、没有销售，靠二行代码一份ppt，能挣个屁的钱。
最后所有吹出去的牛逼，都会烟消云散。
狙击镜，和狙击手打死人是两个概念。
数据分析辅助决策，和数据分析师来做决策是两个概念。
数据分析助力业务，和数据分析就是业务又是两个概念。
切记切记
那么，正确的答法是什么样的呢？
首先，数据分析最大、最直接的作用一定是生产了数据。
这才是真正数据分析师们自己做出来的成绩。
不需要花里胡哨的包装，数据本身是非常有价值的。就像开车一定要看速度和转速表一样，根本不需要模型，不需要思维，不需要概念，你开车不看速度表试试？就这么简单。
一、正确回答1. 第一顺位的回答
话术举例如下：
填补了空白：
我新建立了5张促销活动报表，使业务部门可以及时掌握促销活动的情况；并针对业务部门常开展的3类促销活动，新设计了标准的分析模板，使业务部门能够对比历次活动效果，选择更适合的方法。
解答了疑问：
业务部门对于使用哪个产品方案意见不一致，我设计了ABtest，对两个方案进行了数据验证，数据上支持方案A表现更好。
支持了业务部门决策。（注意，很多时候数据并不是唯一的决策标准。所以即使做过ABtest，也不要把话说死，自吹决策都是我的测试驱动的，会被懂业务的人怼）
验证了假设：
业务部门一直对XX渠道引流效果有怀疑。通过数据分析，我验证了业务部门的假设，该渠道确实ROI不佳，且经过多次调整，效率仍然未见起色。
提升了效率：
我提升了跑数效率，把过往3天更新的数据，提升到了隔日更新，获得了业务部门的好评，提升了决策效率。我设计了移动端报表样式，提升了报表使用率，使业务部门更广泛的获得数据支持。
这四条都是通过数据报表、模型、试验、分析报告能够直接实现的效果。
是数据本身在发挥作用，所以可以作为第一顺位来讲。请注意上边四句的顺序，这个顺序就是数据发挥作用的先后顺序。
从0到1，新建数据的作用是最大的。
从0到1，效果容易观察。并且完全没有数据，两眼一抹黑的情况，就像开车不看速度一样，本身非常危险。从0到1的工作是最容易体现成绩和最容易被认可的。
在业务举棋不定的时候，提供数据标准，判断哪个是70分及格，哪个是50分滚粗，帮助业务从1做到60分，作用是第二位大。
因为没有数据支持下的粗放经营，就是很容易各种作死，就是很浪费资源。数据分析就是比拍脑袋靠谱。
至于优化效率，把业绩从60分提升到90分，反而相当难做，实际起的作用也有限。
因为做出超凡的业绩，要依赖的往往是不可复制的天时地利人和。这是业务部门发挥天才的时候。再牛逼的分析模型也没法模拟乔布斯的大脑，大致就是这意思。
所以小结一下：数据本身就是价值。
数据的价值更多体现在结束两眼一抹黑的状况，给业务部门提供正确的方向指示上。当然，业务部门如果看到了怎么样做效果更好，自然会引发第二步的动作：依照数据结论，进行决策。这就到了数据分析作用的第二步：间接促成业绩。
2. 第二顺位的回答
话术举例如下：
发现了业务机会：
通过分析流失用户属性，对用户进行综合评估，我找出了挽留价值高，挽留难度低的用户群体。业务部门采纳了意见并开展挽留活动，比没有进行分层挽留前，提升了用户留存率5%。
发现了业务问题：
通过建立外呼响应率预测模型，对用户进行评分，我找出了响应率较高的用户群体。
业务部分采纳了外呼评分名单，优选Top50%的用户外呼，外呼响应率从2%提升到8%，从而节省了外呼人力/经费浪费，提升了外呼效率。
需要注意的是，上述话术很可能引发对方好奇，引出更多的问题，诸如“你是怎么做出来的”“详细谈谈经历”之类。所以如果真的有经验，单纯交代数据是怎么做的是远远不够的，至少得以下三点加持：
（1）要讲清楚分析的基础
大部分项目并非从0开始做。
除非是参与一个全新的项目，还没有任何业务设计。否则业务部门都有一些常规做法。
比如上述的流失挽留，有可能业务部门是在用户7天/30天/60天不登录的时候固定做唤醒，没有做区分。数据的作用不是凭空捏出来了，正是因为有之前的数据基础，所以才能通过分析来判断好坏，形成经验。
这些基础是不可省的。很多面试吹的很大，入职做的一塌糊涂的数据分析师，都是因为没有关注基础，结果倒在新环境的烂泥里。
（2）要讲清楚分析方法的结合
大部分项目并非一个模型一竿子通到底。
还是拿上边流失挽留举例，至少需要五个步骤：划分挽留群体，分析用户偏好，对比挽留方案，预测挽留成功率，监控挽留效果。这里至少可以拆分出五个分析专题出来。
在实际工作中，尽可能参与全业务流程，搭建一个分析体系，要比指望一个孤零零的模型管用的多。
（3）要讲清楚业务配合条件
大部分项目并非数据一手遮天。
比如上边外呼响应模型，外呼本身话务组水平、外呼产品的选择、是否配合促销政策、外呼时间段、外呼时间节点等等因素都会有影响。
这些都是得靠业务部门支持和配合，才能达到理想的状态，单靠数据可算不出来。好的数据分析效果，一定是数据与业务相互配合得到的。
有了这个三点加持，数据如何助力业务，最终产生效益，就解释的很完美了。
这种解释方法会显得很怂，可能有同学不理解，说：“有必要区分的那么清楚吗？我就说是我的分析搞出来业绩，又怎样吗！”。这么谨慎的区分，除了能规避开头讲述的问题外，还有个更深层的原因：
当人们不了解一个东西的时候，就会表现出两种极端的态度，在没有问题的时候对它不屑一顾，在出了问题的时候指望它一口续命。这种态度只会让科学堕落为玄学，让科学工作堕落为卖保健品的假药贩子。
抛开数据分析运作的体系，去大吹特吹依靠一个神器的算法模型，一个牛逼的底层思维就能起死回生治病救人，本质是在害自己，是在祸害做数据的圈子持续健康的发展。
数据分析不是太上老君的仙丹，不是一口续命的神药。数据分析想助力业务，从来都是建立在体系化运作的基础上的。
- 先从0到1采集数据，建立数据监控体系；
- 再从1到60的沉淀经验，筛选方法，积累特征；
- 再从60到90分的建立固定分析模型，持续提升业务效率。
这才是数据分析助力业务的路径。这个过程看起来很怂，看起来很辛苦，不过确实可持续发展之路。
二、实操大部分同学之所以回答不上来“你做的数据分析有什么用”，是因为他们倒在了起点——根本不知道业务拿数据有什么用。
甚至有很多人是工作了2年，连到底有多少业务部门，到底业务部门是干什么都不知道的。所以掌握业务部门的工作是一个好的突破口。
为了培训新人讲解“数据分析有什么用”我之前简单整理过一个各个企业的业务部门是干什么的，让新人们先理解各个部门的职责，之后在见客户的时候，一定要了解清楚，客户是哪些部门有需求。
之后就可以按照0,1,60,90的方法进行介绍了。
比如今天要见的客户，对销售BI有需求，就可以先问：你们有没有建立业绩监测体系？如果没有，就讲从0到1的重大意义，讲那些不做数据化管理的公司的各种乱象。
如果已经有监控，那就讲从1到60的各种意义，讲通过数据结果怎么找出渠道问题，怎么发现新渠道的机会。
如果连这个都有了，就将从60到90的各种炫酷操作，比如如何给渠道开发移动报表、如果做自动跟进提醒，如何打造数据小秘书等等。
这样一梳理，新人也有能力和客户清晰的聊上，比他们之前东一句西一句瞎吹一通好用的多。
同学们自己也可以这么操作，对着上图，搞清楚自己在服务哪些部门，然后一个个问：
- 他们的工作有数据报表了吗，需不需要新建？
- 他们的工作有评定效益了吗，需不需要搞个科学标准，需不需要验证标准？
- 他们的工作有好坏评价，那好的为什么好？差的为什么差，有没有梳理过原因？
如此类推，不但能从看似平凡的工作里，整理出数据的用处，连下一步还可以跟他们谈什么都清楚了。当然里边是以一个有电商部门的实体企业为例来举的，大家可以举一反三，补充更多。欢迎欢迎。
还有个更大的问题，就是经常你辛辛苦苦做了一堆，被甩了一脸：
- “这个很常见啊！”
- “业务部门早就知道了！”
- “这个不做分析也知道啊！”
- “你能不能做出来业务部门一点点都不知道，又有重大意义的分析！”
#专栏作家#
接地气的陈老师，接地气学堂，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。
本文原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议。
☆未收藏(0)
上一篇
