前不久，CDA数据分析师公众号发布的一篇文章名为《为什么学了工具，还是做不好数据分析》。这篇文章获得了很多关注，被许多人转发到了朋友圈，其中就包括永洪科技销售副总裁王桐\(▔▽▔)/。于是，C君有幸约访了王桐，继续来聊一聊这个话题。
在2014年加入永洪科技之前，王桐曾供职Oracle和IBM，担任过销售、咨询等方面的重要职务。他称自己经历了一个「非典型性」的成长过程。与「科班出身」的数据分析师相比，王桐也许不长于「术」，却喜欢思考「道」。此前与咨询相关的工作经历让他更善于总结，提炼出更具广泛适用性的数据分析方法论。看一看他的分享，也许会帮助你不被工具和技术所囿，从另一个层面来看待数据分析。
以下为C君根据王桐访谈实录整理
//以终为始 化繁为简
加入永洪之后，有幸接触到来自各行各业的客户。我们帮助他们搭建大数据平台或者数据分析系统，这个时候我发现，他们问的下一个问题永远是：我该怎么用？怎么分析，或者分析些什么？
当技术和产品相对比较成熟之后，下一步就要解决应用的问题。不同的行业和职能部门业务不一样，他们关心的数据也不一样，实际上他们做数据分析的方法论是共通，并不受行业和领域的限制。这个方法论提炼出来以后，就可以应用在不同的行业和领域中去。
那么，数据分析的方法论都包括哪些？
简单来讲，从个人的微观层面看，很多数据分析师，不管是甲方还是乙方，总是一上来就罗列很多分析方法，但这些分析方法之间并没有什么逻辑，只是堆砌。列出的种种指标也存在这样的问题，拿出去给别人看，别人也看不懂，不知道这些指标到底在干什么，很零散。
就数据分析这件事情来讲，会问问题的那个人可能比学过统计的那个人更重要。史蒂芬·柯维(Stephen R.Covey)在谈高效人士的七个习惯中，第二个习惯是「以终为始」，我们一定要以结果和目的为导向，目标明确了，才知道后边该怎么做。
比如说，我看到了一个数据，去年公司营收是8000万，现在让我来分析，那么我的提问路径是什么？首先，我看到这个数字，要去判断8000万是好还是不好。做判断就要进行对比，找参照物，你可以和自己对比，去年做8000万，前年是5000万，大前年2000万，趋势还不错；也可以和别人对比，你做800万，同行做5个亿，那就是有问题。从各个角度在时间轴上做对比，才能更好地做判断。
有了初步的结论之后，就要找原因，所以第二步是归因。我认为，找原因就是一个不断细分的过程。比如去年营收8000万都是由哪些方面构成的？如果营收下降，是在哪一个部门、哪一个渠道、哪一个区域下降，要细分到可以对具体的人来问责。有些原因可以从数据上直接看到，有些则隐藏在数据背后，与具体的负责人沟通之后，才能找到真正的原因，做一些运营的策略来改进。
从宏观上来看，企业构建一个数据分析体系，思路与此类似。首先确定企业的目标是什么，然后从此展开，寻找最直接影响核心目标的指标都有哪些，一层一层拆解下去，你会发现你最初堆砌的那些指标都会被包含进去，但不再是零散的，而是被一个有逻辑的网络连接起来。这种数据分析的逻辑捋顺之后，用什么工具其实并不重要。
我们做咨询的时候总是喜欢把复杂的问题归类到很简单的模型中，再演绎出一些实用的方式和场景。其实数据分析也一样，无非是先判断再诊断，把对比和细分这两点抓好，那么你做数据分析的思路和逻辑就很清晰了。
//学会发问 提炼「套路」
工具并非不重要。在入行的最初两三年，数据分析师必须要成为一个熟练的工具使用者。其实从企业的角度讲，企业也并不指望一个刚入行的数据分析师独立完成项目，新人的价值就在于能熟练使用工具，能完成布置下来的任务。这个很重要，是基本功。两三年之后，你想登上更高的台阶，就要学会如何让数据对业务产生价值，学会提出问题。
解决具体分析问题的过程就是一个宝贵的学习过程。从大的概念上来说，人类学习的过程就是在模仿中不断提炼的过程。在具体的任务中，你可以思考，给你布置任务的那个人，他的提问路径是什么？他给你的可能是许多连续的任务，也会把一个任务拆解成许多任务，为什么？通过这种思考你能观察出来他的提问路径，不断地积累自己的感觉，总结出一个「套路」。
作为一个数据分析师，不管是在技术部门还是在业务部门，你做的事情要最终产生业务价值，才会让价值最大化，当熟练运用工具之后，尝试用数据去理解和指导业务，你就会发现工具就只是工具。
我比较看重思维方式的训练。过去做咨询的一些思维训练对我现在很有帮助，包括学习的思维和解决问题的思维。咨询比较擅长总结解决问题的方法论，这个方面推荐大家可以看看麦肯锡的《金字塔原理》、大前研一的《思考的技术》。
我觉得，学习应该是一个勤于思考和善于运用资源的过程，学会提炼模式。我看到别人做好了一件事，我是否可以把他做事的套路提炼出来，用到自己身上。否则你只是看到他做好了一件事情而已。穷举，抽象，归纳，演绎，不管你是不是在做数据分析师，学会这些高效的做事方法，都会受益匪浅。
最后插播小广告，我们欢迎大家加入永洪。如果你不确定这个行业是否有前景，你可以看先到永洪来看看，我们在金融、零售、银行、电信、制造、互联网都有涉及，与各种行业的标杆企业进行合作，会是一个不错的广度接触，多向发展，也可以朝着你感兴趣的某一个领域深度发展，在这里都会有不错的选择。
大彩蛋：其实还有关于敏捷BI的一些探讨，收录在此，以飨读者
▶▶与传统BI相比，敏捷BI最显著的优势在哪里？
A：很多人都知道BI（商业智能），但是传统BI厂商提供的整套BI方案的往往让企业客户难以接受：一是，项目投入非常大，人力物力财力的投入都是非常大；第二，项目周期跨度长。随着带来项目风险和项目未知的因素也就越多；第三，传统BI厂商需要先调研再确立需求，然后再基于这些需求分层次进行数据的提前运算，包括复杂的表关系分析，建立等，项目初期对客户的要求非常高，可能需要各个部门所有人员都要纳入到项目体系里面。
然而，企业当前面临的各种需求，使得他们对BI平台的要求也越来越高：
· 敏捷化：政策、市场、业务经常变化，数据分析需求也经常变更，分析报表需要在当天内实现，及时支撑业务决策，而不是花几周的时间开发程序，贻误战机；
· 高性能：交易数据、流量数据、用户数据数量庞大，需要实现秒级响应的分析处理；
· 自服务：有分析需求的业务人员能够亲自进行分析的过程，而不是增加IT人员工作任务，释放数据的价值，人人都是数据分析师。
而敏捷BI的特点恰好满足了当前企业的各项需求：
第一，要简单交付、极致易用：打破传统BI软件建二次表、Cube、复杂模型的漫长流程，直接基于细节数据，通过人性化拖拽快速生成分析报表。
第二，要能进行灵活的自服务操作：无需技术背景，业务人员可自服务完成分析需求；一天内实现新报表、一天内变更报表需求，保持分析思维的连续性；研发人员的负担骤然减轻。
第三，要支持移动跨屏：无缝支持PC、iPhone、iPad和Android，并在这些终端设备上保持一致、易用的用户体验。您可以随时随地通过移动设备进行数据分析，从而做出正确决策。
第四，要支持高性能计算：支持秒级计算，可单机部署，亦可基于PC服务器进行分布式扩展，利用列存储和内存计算，实现从千万到百亿级数据分析的秒级响应，支撑更多分析维度和更大的数据范围。
以下图片供参考：
永洪BI是按照这些标准研发的敏捷BI产品，可以在前端进行多维分析和报表展现的新一代敏捷型BI软件，上线周期快，操作简单，人人都能以自服务的方式来进行数据分析，满足对数据分析和展现的多变需求。
▶▶国内BI市场发展到了什么样的阶段？未来的走向和趋势如何？
A：在永洪科技创业前期，我们就看到传统BI和数据分析领域的一些问题。
首先，传统数据分析平台无法适配云端。Gartner预测云端数据分析是未来的重要发展方向。这对数据分析平台提出了更高的要求，必须能够在云端部署，必须支持云端数据。 但是，传统BI厂商并没有为此做好准备。
其次，传统数据分析不能很好地处理大数据。2013年的Forrester的调研报告显示，100家部署数据分析平台的企业，其中80%拒绝使用，只有20%在使用。80%企业不愿意使用的原因有两个：第一个是数据分析的环节多，周期长；第二个是分析结果只能是静态报告。
我们通过调研发现，企业客户的IT瓶颈化严重。常常出现的现象是：业务部门提出的数据分析需求响应滞后，而IT中心的数据分析报告需求堆积如山。用一句话形容就是：IT部门忙得要死，业务部门急得要死。
传统数据分析平台的产品碎片化严重。我们调研之后发现，企业客户做静态报告用的是一种产品，做探索式分析用的是另外一种产品，做大数据分析的产品就更多了Hadoop、Spark等，深度分析用R或Weka，这一系列的数据分析产品种类就超过了10种。在这种复杂的环境下，企业客户经常要纠结在不同产品见的数据对接，很难顺畅地完成一次真正的大数据分析。
目前，我谈谈对国内外BI市场发展的两点看法：
1.IT驱动转变为业务驱动。购买决策权正持续地从IT部门转换到各条业务线，因为他们需要面向业务人员的平台，而不仅仅是面向IT人员的平台。
2.敏捷BI占据主流。传统BI巨头逐渐显露颓势，我们惊讶地发现在Gartner 2016魔力象限报告中几乎所有的传统BI巨头都被驱逐出了领导象限，而敏捷BI厂商占据了主流市场。
▶▶敏捷BI适用于哪些领域的企业和应用场景？为什么？
A：越是数据较多的地方，对数据分析的需求也就越旺盛，越是需要靠数据来说话的地方，越是更注重数字运营的企业。例如：金融、电信、互联网、电商、制造、零售、能源、医疗等以及政府机构。
很多人有疑问，敏捷BI的深度用户是不是只有大数据量的企业？其实不然。我们在实际项目中发现，敏捷BI一方面适用于，政府、金融、电信、互联网、医疗、能源、零售快消、大型制造业/传统企业等这类数据量比较大的客户，也同样能够更好地适配于数据量比较小的中小企业，大型企业中有独立信息系统的业务部门。它的客户没有大小之分，具有很强的适应性。
从用户分类情况来看，主要有四类用户群：第一类用户是报表的开发者，需求是快速开发；第二类是高级用户，大部分是数据分析专员或者业务专家。需求是深入洞察分析；第三类是普通用户，部分是经理，团队管理人员，需求是轻松上手及真正接触数据；第四类用户是高层管理人员，需要报表一目了然，便于操作，需求是随时随地查看数据，提供决策支持。
为什么，今天的敏捷BI成为主流？其实这样的意识是不断的在演变，就像当年我们的PC市场一样，90年代初PC是非常珍稀的设备。如果要用PC，过程很繁琐，而且主要是IT部门在用。到现在不仅仅PC是我们每一个人的标配，连手机的计算能力都已经变得非常强大。每个人的手机上面少的几十个，多的可能是几百个应用。
但是，几年前的BI与分析市场像当年90年代要换鞋进机房去使用数据分析一样。比如，我们做数据分析的时候，要去做数据准备、ETL、数据治理，还要打英文，还需要动态空间，而动态空间又需要IT部门来协助，过程繁琐，不利于快速有效地回答问题。
BI与分析市场的另外一个窘迫是静态报告，不能进行持续的数据洞察，使得IT部门吃力不讨好：因为提出需求，提问与找答案的不是同一个人，所以会不断地出现问题。这不合理，所以这个瓶颈就要被砸掉。解决之道就是把BI与分析能力给企业里的每一个人，让业务员自己来提问，自己找答案，以此类推。
DT时代，每一个业务人员会问很多问题，而且这些问题不是一蹴而就的，需要被迭代、优化，需要把一个问题分解成十个问题，最终才能找出第一个问题的真正答案。所以，BI与分析能力应该像90年代的PC一样，它应该给企业里面的每个人赋予一种提升工作效率的能力，就像手机一样，给每人一台智能手机，让大家可以基于自己的BI与分析平台去使用数据、去消费数据，去发现洞察，去改进业务。
▶▶随着敏捷BI的普及，它将会给企业带来什么影响？
A：敏捷BI的普及一定会带来社会和企业带来巨大影响。它会让企业的每个人都能够根据自己的需求做数据分析，每个人都能用好数据，甚至每个人都是一个分析师，都能基于一个开放的环境去提问，例如，销售情况、市场获客情况、生产制造情况等这些开放的问题。这种普及的应用，最终会帮助企业去构建未来十年的竞争力。所以企业里面的每一个人，都要认真思考，能不能帮助企业构建基于敏捷BI的分析平台，把分析的能力赋予企业的每个人，像当年的PC，现在的手机一样，让每一个人都可以把计算和应用的能力触手可及，帮助他们改进，持续优化业务。
不过，单靠任何一种敏捷BI工具也是很难实现这么巨大价值的。因此，我们提出来了一站式大数据分析平台，它包含了业务人员需要使用的几乎所有的功能模块，其中服务包括数据准备、探索式分析、深度分析，以及IT中心需要一起进行有力的企业级管控等，帮忙企业构建自己的洞察力和增强核心竞争力。
本文为CDA数据分析原创
转载请申请授权并注明来源
