京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代下的第三方数据公司和甲方公司的差异
现在是一个大数据时代,人人嘴边都挂着数据创造价值、数据挖掘等一些热词。各公司内部也逐渐认识到数据的重要性,纷纷成立数据部门,期待数据可以真正的为业务服务。另外,也有一些专做数据服务的第三方公司不断涌现,希望能够帮助产生数据的甲方分担数据分析的担子,挖掘出更多有价值的规律,帮助甲方不断改进业务水平、不断发现业务中存在的问题。从这个角度来讲,甲方公司与第三方数据服务公司的初衷是一致的。
那么到底在第三方公司做数据服务和甲方公司做数据服务有没有哪些不同呢?今天马海祥结合最近几年第三方公司到甲方公司做数据的经历,对二者做数据方面的差异进行了一个简单的总结:
1、追求不同
第三方公司与甲方公司关于数据服务的合作模式大致有这样几种:
(1)、长期监测流量数据——定期提供日报、周报、月报;
(2)、临时项目——接到甲方公司的需求,发起项目,在规定的项目周期内,以报告的形式总结项目研究成果。
无论哪种合作方式,马海祥觉得第三方分析人员在分析的过程中,总是孤独的、总是更依赖数据的。因为不在所分析的环境之内,不知道运营最近在做什么,不知道产品有什么样的计划,一句话:不知道对方关注的点到底在哪里。
甲方公司内部做数据,其实合作方式也同上面列的两种差不多。只是细节配合上有所不同:
(1)、研究前会详细了解项目的背景及产品或运营人员的困惑;
(2)、研究中遇到数据上无法解释的问题,可以随时找到相关的人员反馈情况。和业务同事一起分析数据异常的原因。
(3)、研究后会汇报整个研究成果、和业务同事讨论下一步的改进策略及方案、约定下一次的研究时间点。
所以说,受到条件所限,尽管初衷与甲方公司是一致的,但是由于无法深入接触业务,因此对于最终的目标只能停留在完成一份严谨、专业的数据分析报告上。至于后续,甲方公司如何使用这份报告,如何改进业务、是否改进业务等一系列后续的工作都不得而知。因此,第三方公司的成果产出总是不能在整个业务链条上形成一个闭环。
但是,马海祥觉得这个也的确是无法避免的一个事情。相信目前大多数公司,尤其是中国的大部分公司,对公司内部数据的私密性还是比较看重,对于第三方公司的态度不会是完全开放的。因此,双方的配合也仅限于比较浅层的合作。第三方公司想要真正走完业务闭环,从现阶段来讲是完全不可能的。
久而久之,第三方的数据分析人员也就习惯了把制作一份精良的报告作为最终的目标。
2、展现形式不同
对于第三方公司与甲方公司的合作方式,项目的价值就体现在报告上,因此报告的制作既要美观又要让人感到“物超所值”。只有几页的PPT是绝不能作为最后的产出成果的。如果能在研究时,通过建立某个复杂的模型,来辅助说明研究成果就会显得更有价值。
而在甲方公司内部,大家都迫切的想知道,看到这个研究成果我到底能做什么。如果这个模型复杂到产品人员都看不懂,或不知所措,那也是没有意义的。反而是针对某个具体问题的研究,哪怕只有几页纸,几个数据,也会令产品人员很兴奋。
比如,偶尔从数据上看到一些现象或问题,此时做一个简单的整理,打印出几页纸就可以去和产品、运营的同学去聊了。去看看业务一线的同事是如何看待这一现象的,是不是有一些重要的运营策略影响了某些数据结果,造成数据结果异常,而并非真正出现了问题。如果没有其他异常因素的影响依旧出现了这个现象,那么我们下面真的要立项去花时间找到问题的原因了。
3、对行业标准的把握不同
第三方数据公司由于服务行业内的多家公司,因此会将同行业公司的相同业务模块放在一起,出一个行业标准。在不透露客户商业机密的情况下,为客户提供行业标准数据。使各家都可以清楚的了解其在行业中的地位,了解哪些数据表面上看起来很好看,但是与行业标准对比,其实情况并不乐观。我想,这也是第三方数据公司的最大价值所在。
但是,现状是中国的互联网行业,大家对数据还是守得很紧,不愿意过多的让第三方介入。这造成的结果就是,大家都没有一个行业标准。数据结果的好坏就只能依靠经验了。对此,大家可以看下我曾在马海祥博客发布的《如何做好一个产品的市场调研和数据分析》文章。
4、成就感体现不同
第三方数据公司,核心业务就是对数据进行采集、分析,因此负责产出数据报告的数据分析人员,相比之下,工作成果很容易被大家看到。因此,也很受到公司的重视。
而在甲方公司,数据服务是一个职能线,是为产品和运营人员服务的。或许工作价值的体现只有在完整走完业务链条后才能够体现出来。即便走完整个业务链条,又如何评估数据在整个过程中的作用,也是一个艰难的工作。但是,作为一个数据分析人员,能够看到自己的分析,帮助产品或运营发现了问题,使产品体验或运营机制得到了改善,这种成就感还是会使分析人员振奋的,还是会兴致勃勃的冲向下一个项目。
记得我刚从第三方公司进入新的企业公司做第一个项目的时候,项目汇报当天得到了产品人员的肯定。我当时非常高兴,感到工作得到了认可。以为产品同事都认可了,肯定领导也会觉得还不错吧。但是,结果却是完全相反的。主管对于我没有任何下一步结果追踪计划感到很不解,从我们严肃的谈话中我深切的体会到,在甲方公司数据真的是为产品改进或运营服务的。如果你的发现仅停留在问题的总结和整理上,那工作基本上只做了50分。相当于,医生只为病人拍了x光,之后就对病人置之不理了。
综上所述,这两种数据分析工作的差异,给我的体会是:数据分析重点不在数据,而在于如何能够真正的解决实际的问题。数据分析师的终极价值不是会使用多少种统计工具,能挖掘出多少个数据模型,而是真正的懂业务。看到数据结果能够知道哪些业务出现了问题,而看到业务问题又可以清楚的知道通过分析哪些数据能够获知问题的原因。当然,如果从大的方面来讲,各公司都能够愿意与第三方公司合作,通过第三方公司把行业标准建立起来,那将会使数据最终发挥更大的价值。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16