CDA数据分析师—连接数据时代的企业与人

了解更多

2022年10月Mon 21:49

地产行业数据资产该如何建设？如何运转才能实现价值？| CDA持证人专访

采访老师：大家好，今天我们邀请到了崔爱军来参加我们的CDA持证人专访！崔爱军可以和大家打个招呼！嘉宾：我叫崔爱军，华南理工大学毕业，目前就职于时代中国这家地产50强公司，任集团数据中台部负责人，主要负责数据相关平台的规划、建设及运维，同时负责数据架构、数据标准、数质量、元数据、主数据等数据治理工作。问题1：在地产行业做数据分析还是比较新颖的，可以给大家介绍一个具体的相关行业数据应用案例吗？嘉宾：好的，我知道大家印象里面地产行业比较传统，它的管理手段相对也比较粗放，数字化进程也相对缓慢，但其实呢，这几年随着互联网+浪潮的冲击，地产行业的数字化转型正进行得如火如荼，我们时代中国算是比较早开启数字化转型的地产公司，从2017年开始至今，经过5年多的建设，已经建成80多套信息与数据系统或平台，覆盖集团的各个业务条线，做到业务数据从秒级到天级的多频率更新，赋能业务的统计分析。说到数据应用案例，就拿我们房地产行业的关注现金流和利润来说吧，我们除了做到对集团已发生的现金流和利润进行高效统计汇总，对未来的现金流和利润情况我们也构建了测算模型进行预测，我们整合了项目的主数据、楼栋产品价格数据、房间销售数据等多个数据源的业务数据，叠加了项目的节点信息和相关销售计划，设置了多个业务线条的预测规则和业务标准，经过中台计算后就可以很方便地输出未来三个月、半年及一年分月的现金流和盈利状况，支持我司高层进行多场景的业务决策，如：投融资、项目拓展、销售铺排等。问题2：我看您负责了较多数据治理的工作，什么是数据治理，它与数据管理/管控有区别吗？嘉宾：这个问题很多人都有困惑，很容易混为一谈，其实，它们有时候真的可以互换，而它们具体的差异主要是侧重点各有不同。数据治理侧重于企业顶层设计、战略规划方面的内容，是数据管理活动的总纲和指导，它指明数据管理过程中有哪些决策要制定、由谁负责，更强调组织模式、职责分工和标准规范，以及数据治理的蓝图规划，治理的整体目标、治理步骤路径及治理实施计划等。数据管理侧重于执行和落实数据治理策略并在过程中给予反馈，强调管理流程和制度，涵盖不同的管理领域，比如元数据管理、主数据管理、数据标准管理、数据质量管理、数据安全管理、数据服务管理、数据集成等模块的管理办法及相关落地。数据管控侧重于执行层面，是具体落地执行所涉及的各种措施，例如在数据建模、数据抽取、数据处理、数据加工、数据分析等数据开发过程中的预防、预警和纠偏措施。数据管控的目的是确保数据被管理和监控，从而让数据得到更好的利用。总的来说，数据治理强调顶层的策略，数据管理侧重于流程和机制，而数据管控侧重于具体的措施和手段，三者是相辅相成的。那么很多时候描述这一整块工作的时候，我们就常常用数据治理进行概括了。问题3：面对数据质量参差不齐，存在安全隐患，该怎么办呢？嘉宾：数据质量参差不齐确实是一个很普遍的数据问题，它一方面主要表现为数据不全面。部分相关信息未能纳入系统管理,从而削弱了应用软件的作用;另一方面表现为数据不准确。提供的信息有误、工作人员录入错误或系统技术问题引起的数据错误以及数据采集的标准不统一都会导致垃圾数据的产生，进而影响在此基础上的一系列应用的准确度,数据分析系统也难以发挥出正常功能。我觉得可以采取的对策主要有三点：第一、需要完成业务在线化，提升系统的覆盖度，要将核心业务流程及业务操作迁移到线上，实现核心业务数据的在线及时更新。第二、建立主数据、核心业务数据及指标数据的标准，规范数据的系统录入及数据开发的要求，落实责任人，滚动培训，定期考核，严格奖惩。第三、建立集团数据质量管理体系，按照PDCA循环，通过人工报障和自动监控相结合及时发现数据问题，组织整改纠错，不断提高系统中的数据质量。目前，这几点在我们时代中国已经基本落地了，总的来看还是行之有效的。问题4：地产行业的数据资产该如何建设？嘉宾：1、经营管理目标驱动。不能为了数据资产建设而建设，而是服务于当下的经营管理目标，例如精细化管理供销存、提高费效比，有的放矢地进行资产盘点、治理和建设。2、治理由点到面。在绘制完整数据蓝图后，与经营管理目标联系紧密的数据先治理，紧密衔接业务与IT、协同管理与业务一线，共同完成对应主题的数据标准制定、指标制定、IT系统改造、管理流程搭建。在满足一定经营管理用数分析的目标后，分阶段逐步补充完整全部蓝图，并且针对已治理的部分要动态管理。3、逐步完善资产管理框架。数据资产建设不能全面铺开，而是一条线服务经营管理目标，将快速见效的工作优先级提高，另一条线全面周全筹划，将重要而不紧急的业务系统资产盘点、数据安全治理、元数据管理等工作逐步补充完整，同时引入相关的数据资产管理平台的相关工具与组件。问题5：地产行业为什么需要数据中台,如何运转才能实现价值？嘉宾：数据中台的概念在前几年由阿里巴巴引入业界，之后迅速掀起了中台热，现在在不同行业对于数据中台有不同理解和多种定义，在我看来其实数据中台可以理解为是传统数据仓库的升级版，它可以包含多个子系统，它与数仓最大的不同是它释放的高价值数据需要嵌入到业务运作中，因此对数据质量的要求非常高，因此，除了有传统数据仓库的功能外，在数据治理、开发管理等方面做了非常大的加强，有力的保证了高的数据质量，同时，在传统数仓分层中增加了标签层来对业务实体进行全方位的描摹，可支撑对客户的精准营销，在传统的支撑数据分析可视化应用的基础上，增肌了数据服务，可通过API集成对业务系统进行实时数据和模型共享，让提炼的高价值数据直接嵌入业务，赋能业务系统。我们就有将供应商招标风险分析做成数据服务，通过API嵌入到供应链管理系统，在业务进行招标操作时选择好了入围供应商，数据服务实时返回供应商相关的风险信息，这几家供应商是否有围标风险、与公司内部员工是否有利益冲突等，大大降低了招标管理的风险。

了解更多

2022年9月Wed 20:09

企业认可 | CDA数字化人才认证标准走进广州移动

2022年9月27日, 中国移动通信集团广州分公司在结束了CDA数据分析专项培训后正式开启了CDALEVELI认证考试。广州移动此次的内部专项培训及CDALEVELI认证考试是由CDA广州校区组织实施，并于9月27日在广州市天河区东圃一横路东泷商务中心A405如期并顺利举行！本次专项培训是以CDA认证标准为基础，结合CDALEVELI的技能要点，从企业数字化发展中必备的数据分析方法与技术出发，目标就是为了提升数据专业应用能力。学员有来自集团客户部、市场不、政企客户中心、黄埔、越秀、番禺、增城及西区分公司的各个代表，在资深老师的带领下,积极参与到课程的学习和案例操作中,在系统化梳理原有的知识架构的同时，进一步提升了自身的数据思维技能。在课堂教学中，讲师注重实操，紧贴企业业务的授课模式激起了参训者们的兴趣，使本次企业内训气氛活跃，调动了参训者的积极性。CDA（CertifiedDataAnalyst），是在数字经济大背景和人工智能时代趋势下，源自中国，走向世界，面向全球全行业的专业技能认证，旨在提升数字化人才的数据技能，助力企业数字化转型，推动行业数字化发展。CDA 是一套科学化，专业化，国际化的人才考核标准，共分为CDALEVELⅠ ，LEVEL Ⅱ，LEVEL Ⅲ三个等级，涉及行业包括互联网、金融、咨询、电信、零售、医疗、旅游等，涉及岗位包括大数据、数据分析、市场、产品、运营、咨询、投资、研发等。该标准符合当今全球数据科学技术潮流，可以为各行业企业和机构提供数据人才参照标准。CDA认证标准由数据科学领域的专家、学者及众多企业共同制定并每年修订更新，确保了标准的中立性、共识性、前沿性。通过CDA认证考试者可获得CDA中英文认证证书。

了解更多

2022年9月Tue 18:04

在头部保险集团任产品经理是怎样一种体验 | CDA持证人专访

主持人：大家好，我们又见面了，今天CDA持证人专访我们邀请到杨迅，杨迅目前就职于国内某头部保险集团任IT产品经理，欢迎杨迅，可以简单介绍下自己。杨迅：大家好，我叫杨迅。2020年毕业于北京交通大学，目前我的工作内容主要是负责运营模块的一些产品设计工作。问题1主持人：我们就直接进入今天的采访主题，可以介绍下这个你在日常工作中负责的是什么类型的产品吗？杨迅：我们做的是一款数据仓库产品，当然行业同类型产品也有叫大数据平台、数据中台等名称的。这些其实是为了强调其产品在技术或业务等方面的特点而起的别名，本质上都是数据仓库，是一种面向主题的、集成的、相对稳定的、反应历史变化的数据集合，用于支持管理决策。在这个基本概念之上，运用一些分布式的技术使其能支持处理的数据量达到一定程度时便是大数据，建设一些通用的上层数据应用便是平台，能够在维持底层系统数据稳定的前提下支持前台灵活多变的业务需求便是中台，但最本质的东西还是一样的。我们因为是内部产品，也没起什么好听的名称，主要是解决我们内部的一些实际问题。将各个业务系统的数据采集到一起，可以进行一些复杂的跨业务跨系统的数据统计工作。同时作为一个数据中枢，提供标准安全的数据接口，有效提高了各业务系统间数据对接的效率。打破系统间的数据烟囱，让数据充分流动起来后，数据的价值也会得到进一步发挥。问题2 主持人：这么强大的功能，产品竟然没有名字，我们暂且就叫数据中台吧，那么你作为产品经理会数据分析技能，你觉的是属于“赋能”还是必备呢？杨迅：产品经理有很多种类型，涉及到的业务种类繁多，数据分析技能的高低也差距很大，所以这个问题通过简单的二选一来回答恐怕很难准确描述。我认为从对数据分析技能的要求的视角来看，产品经理可以大概分为三类：普通的 B 端产品、C 端产品、数据产品。一般的 B 端产品面对的是企业客户或者就是自己公司内部。然而用户量有限，一般难以进行有效的用户行为分析，更高效直接的做法是和一些核心的用户代表进行深入沟通，了解其业务流程以形成产品解决方案，收集其使用意见来改进和优化产品。这类产品经理对数据分析技能的要求较低，能掌握 Excel 的一些基本使用技巧就够用了。第二类是 C 端产品，C 端产品往往用户范围较广，如果不频繁的进行用户数据分析，很可能过一段时间连自己的用户是谁都不知道了。所以对 C 端产品来说，收集用户的行为数据，进行多维度的数据分析，是了解其用户群并生成用户画像的重要手段。很大一部分产品需求、改进意见也都是基于此得出的。所以这类产品就需要掌握一些较复杂的数据分析方法了，比如趋势分析、预测、聚类等，工具的话可以用SPSS、Python、R 等。第三类就是数据产品了。因为这类产品的业务本身就是与数据打交道，所以自然对数据的处理、分析和理解能力要求都相对更高。相比于其他产品经理，数据产品除了需要具备基本的数据分析能力外，还需要对主流的 SQL 或 NoSQL 数据库的使用有所掌握，对常见的大数据平台架构及其原理有所了解。如果把数据比做鱼，把数据分析能力比做捕鱼能力的话，数据产品经理在做的事情可能更像是制作渔网或鱼竿。至于说是赋能还是必备，如果按咱 CDA 的能力级别作为参考标准的话，我认为对于普通 B 端产品来说，Level1中有大概一半的内容属于必备，其它的内容属于赋能；对于 C 端产品来说，Level1 全部属于必备，往上了属于赋能；对于数据产品来说，Level1 全部以及 Level2 中部分内容属于必备，其它属于赋能。当然我这样粗略的将产品经理分为三大类肯定也存在很多不严谨的地方，也不排除一些特殊情况对数据分析能力有着更高的要求。以上只是基于我的了解进行的一个大概的归纳，谨供大家批判和参考。主持人：那我是不是可以这么理解，就是CDALevel1是一个数据分析师的必备技能了。杨迅：基本上可以这么理解。问题3主持人：作为产品岗位平时工作中用到的数据分析方法有哪些？需要借助哪些工具？杨迅：因为不是专业的数据分析岗位，所以平时工作中偶尔进行的一些数据相关工作主要还是服务于产品设计的。在数仓建设过程中，需要频繁使用各种数据库，以了解数据源的结构和形态，需要运用维度建模的技术对各主题数据进行分类和管理；在搭建运营模块的指标体系的过程中，需要运用数据展现技术，熟悉各种类型图表的特点和适用场景，设计富有逻辑的指标组合，选择合适的数据展现形式，最终将结果呈现在数据仪表盘上，以支持管理决策。最常用到的工具还是 Excel，偶尔也会用到 Python 或 spss 进行一些简单的数据处理或较复杂的统计图表的呈现。问题4主持人：之前关于保险行业给我的感觉是在大街上发传单，大家见了都是躲着走，发传单这种现在基本上看不到，我们的业务是发生了变化吗？是什么原因做出了这样的变化？杨迅：其实国内的保险业是从上世纪90年代左右逐渐活跃起来的，从那时候开始逐步走进大众的视野。包括我们公司在内的很多保险公司都是那段时间成立的。刚开始嘛，也没有沉淀下来什么好的经验和方法，那就是把保险当做普通商品一样无差别推销，这样就很难准确的匹配到用户的真实需求。再者大部分人对保险也缺乏了解，只是让我交钱，没有让我感觉到我实际得到了什么，所以容易产生保险是骗钱的错觉。我觉的这就是您刚刚说的那种对保险业固有印象产生的原因。接下来说一下变化，随着二三十年的发展，越来越多的人更加了解保险，保险其实跟普通的消费性商品不一样，保险的本质是一种用于管理风险的金融工具。不同于普通商品的买或不买是取决于你是否喜欢，保险的买或不买更多的是取决于一个人的风险偏好和实际需要。所以会出现更多的保险经纪人的角色，来为客户量身选择一套最合适的保险组合。相较于传统代理人那种地推式的销售模式，显然经纪人的模式更能满足用户的需求。这是导致业务发生变化的一个方面，体现在客户需求发生变化。第二方面是在这么长的时间里行业本身也在不断的思考和探索，寻找更好的商业模式。从一开始简单的模仿和学习西方的模式，到最近几年的主动创新，行业的形态和销售模式本身也在不断发生着变化。像我们公司最先提出的努力打造『长寿、健康、财富』的三大闭环，由传统的纯保险业务转向构建大健康生态体系的商业模式。目前为止我们的高端养老社区和医院已经布局了全国26个城市，处于行业领先地位。这种养老社区的商业模式简单来说就是你签一个名叫『幸福有约』的保单，就可以获得养老社区的入住权。拿北京的燕园来说，幸福有约最便宜的是一单200万。所以从这个方面来看，有时候我们感觉看到的保险广告越来越少了，不是因为保险公司不做广告了，而是更具有针对性了。像我这种就还得努努力才有可能收到幸福有约的广告。第三方面也是我认为影响效果最明显的一个因素，就是从一零年左右开始的这股移动互联网的浪潮。在移动互联网的发展趋势下，不仅是保险业，各行各业的服务模式都在迅速地发生着变化，各大传统企业也都在寻求数字化转型，以适应这股时代潮流。人们越来越倾向于把各种服务集中于手机上办理，打车、购物、点外卖、移动支付以及近两年的数字化政务平台的普及，让很多原来线下的事情搬到了线上。我们公司也在15年成立了泰康在线子公司，专门负责互联网保险业务。所以从这个方面看是因为阵地发生了变化，从大街上转移到了网络上。总的来说就是以上三方面原因吧。一是随着人们对保险理解的加深，需求发生了变化；二是行业自身对商业模式的探索导致供给发生了变化；三是由于互联网的发展使需求与供给之间的连接发生了变化。以上三点原因共同导致了目前这样的结果。问题5主持人：分析的很透彻，刚才提到互联网的发展使需求与供给之间的链接发生变化，你觉得如何才能做好数据埋点？杨迅：说到埋点，我们去年刚做了一个简单的埋点工具。其实公司是有采购像 TalkingData、神策这类商业化的埋点系统的。这类系统的特点是功能很强大，同时伴随产生的一个问题就是埋点成本更高了。因为你系统想要进行更多维度更复杂的分析，那么意味着你埋点的时候就需要提供更多的信息，还有更多的规范和约束。这也是某种守恒定律吧，要的越多就要付出的越多。我用过一段时间神策，埋点工作本身在迭代中确实会占用不少时间，有时候甚至需要安排整个迭代去为之前没做埋点或没做好埋点的页面进行埋点。然后我们很多内部的 ToB 系统其实没有复杂的埋点数据分析需求，更多的是关注一下功能的使用率、页面访问情况等最基本的数据指标。用神策又麻烦又贵，所以我们去年基于日志平台、ETL、数据仪表盘这套东西自己建了一个埋点工具，将我们封装好的监听函数配置到前端服务里，后面只需要将页面标签按我们定好的一套规范来命名，就可以实现埋点，基本不会产生额外开发量。后来很多原本没埋点的内部系统也开始埋点了。因为提到埋点所以上面简单说了一下埋点工具，不一定是功能越复杂越好，也要看具体需求场景的，功能复杂与埋点便利是不可兼得的。而关于如何为自己的系统做好数据埋点这个问题，我觉的还是得从产品目标出发。在产品目标指导下形成埋点目标。比如一个电商产品，你某个功能的目标是让用户更多的点开商品详情页、更多的下单付款，那么你的埋点是不是就得能体现有多少用户点开详情了、多少用户付款了，最好还能通过埋点数据分析出来后续如何改进产品能提高付款率。这就是你埋点的目标。然后在埋点目标的指导下开始进行埋点设计。这就涉及到一些搭建指标体系的技巧了，最核心的原则是要知道『所有的指标都是片面的』，围绕一个业务目标可能需要多方面的多个数据指标形成一个指标组合，才能较为完整的反应实际情况。单纯的某一个指标往往难以产生足够的说服力。最后就是产生埋点数据后，根据需要进行有效的数据分析，在使用数据的过程中发现埋点设计的问题并持续改进。如果这三步都做好了，我认为数据埋点这部分工作基本上就算做好了。问题6主持人:最后一个问题了，作为一名数据分析产品经理，你有没有最想吐槽的？杨迅：坦白说我一时确实想不起来有什么要吐槽的，我觉的遇到问题时优先要反求诸己吧，看看有什么是自己可以改变的，积极乐观的去面对各种问题，这样可能才是一种更加有效的解决问题的思路。吐槽只会给人一种无能为力的感觉。而且本次有幸受邀来参加咱这个交流，大言不惭的说了很多，内心已经感到很惭愧了，更加想不起来要吐槽什么了。我觉的年轻的时候还是要以输入为主，多听多看多学多做，少吐槽~ 结语主持人：今天的采访是目前为止采访时间最长的了，聊得很开心，杨迅作为IT产品经理结合自己的工作内容分享了自己的经验，在公司里也经历了产品的多次迭代，业务模式的变迁，甚至与客户的链接都发生了变化，还开辟了新的子公司专门来对接，这里无疑不是互联网起了巨大的推动作用，再一次感谢杨迅来参加CDA持证人专访，我们下期再见！

了解更多