京公网安备 11010802034615号
经营许可证编号:京B2-20210330
公众号:接地气学堂
作者:接地气的陈老师
总是听人说:数据分析师要懂业务,懂业务。懂业务确实很重要,可到底要懂到啥程度?很少有认真讨论的。更难搞的是,不管你懂多少,总会有人冒出来说你:“不懂业务呀”到底这事啥时候是个头?今天我们系统讲解一下。
之所以有“业务”的说法,是和“技术”相对的。传统的说法里,业务泛指非技术类所有工作,是企业销售、营销、风控、运营工作的笼统称呼,这些都是直面B端/C端用户,为企业挣钱的活。技术,则对应着财务、IT、法务、人力、研发等支撑性专业,这些不直面客户,在背后支持业务运作。
在咨询公司、第三方数据公司、广告公司等等少数卖数据的公司里,数据是作为产品直接销售给客户的,数据地位更贴近业务。在其他大部分企业里,数据就是支撑部门,因此要懂业务、服务业务。
要懂业务,本质上是因为:数据从业务中来,要用回业务里去。
从业务中来,有三层含义:
1、数据产生于业务流程。
l 有了门店、销售队伍,才有线下成交数据
l 建了微商城、APP,才有线上成交数据
l 搞了微商城、APP埋点,才有互动数据
业务流程如何做,分几步做,做得能不能记录,决定了有啥数据可以分析。
2、业务动作会改变数据。
l 为了赶时间上线,不埋点,就没有互动数据
l 为了提高注册转化率,不收集基础信息,用户画像就缺一堆字段
l 销售自己搞了会员卡,客人不主动提就扫到自己卡上,数据就不真实
业务怎么做,直接关系到数据质量和数量
3、数据结果会影响业务动作。
l 销售业绩不达标,业务猛冲一波,月底业绩就大涨
l 销售业绩已达标,业务藏一波单,月底业绩就平着走
l 活跃人数不够,业务直接买流量,砸活动,数据刷的呱呱好看
因为很多企业建立了数据考核制度,因此当KPI/OKR不达标的时候,业务部门就开始各种骚操作,这些骚操作又会反向影响数据结果。
因此,如果不了解业务情况,只是就数论数的话,就很难做出有深度的分析。了解业务情况,就能读出数字背后的含义(如下图)
业务不是虚幻的“商业模式”“底层逻辑”“核心思维”,更不是简单的AARRR、人货场几个字。业务是具体的系统流程、工作方式、数据记录。不去抠业务细节,就不知道数据从哪里来,受什么影响,会变成什么样,自然无法分析。
想系统化梳理业务,可以以一个具体业务流程为目标,进行梳理(如下图):
注意,不同部门,不同等级的工作,对应的业务流程是不一样的,因此想梳理的话,就得一个部门一个部门的过,分层级理解(如下图)。
除非直接卖数据(或者卖基于数据的广告类产品),否则数据是无法直接变现的。想要变现,就得结合业务动作。这就得考虑:到底现在业务需要的是什么?
l 如果业务不了解现状,就给现状描述
l 如果业务不会下判断,就给标准建议
l 如果业务不清晰趋势,就给未来预测
l 如果业务不知道原因,就给原因分析
l 如果业务分不清主次,就给综合评估
总之,具体到一个公司的一个部门的一个岗位,具体到他到底在想什么问题,才能知道到底要输出什么结论。针对性越强,输出得越准确。
如果业务不知道怎么干……你得首先看,他到底有多不知道,才能对症下药(如下图)。
所以,如果不懂业务,给出的数据结论针对性不高,就必然面对灵魂三问:
注意:业务不是一成不变的,具体到销售、营销、运营、生产、风控等具体领域以后,你会发现虽然每个领域有一些经典理论,但具体的做法却是日新月异。互联网的不断创新,还在贡献更多新玩法。因此:在业务问题上,没有懂王!掌握理解业务的方法才是关键。
对于3年经验以内的新人:
了解一个具体领域的具体业务流程的具体做法。这对于培养认真细致的钻研精神,至关重要。特别是了解数据采集方式与数据质量,这对于后续如何开展分析、选择建模方法,有关键影响。
对于3年-6年经验的中生代:
对一个具体行业(比如游戏、短视频、社区、电商、O2O……)常见玩法有了解,对一个具体细分领域(销售、营销、运营、生产、风控……)有比较深入的钻研。这些经验积累,是以后举一反三,理解更多新模式,新玩法的基础。
对于6+以上老人:
能举一反三,梳理一个新业务的逻辑;
有良好的沟通能力,能主动发起和业务的沟通,了解情况;
有独立的判断能力,能听出来业务嘴里的真假,反推动机。
到这个阶段,能熟练运用自己的能力,梳理业务情况,甚至能凭借经验主动指导业务了。
但是有一些做法,会阻碍进步哦,同学们注意避雷:
1、沉迷于“底层逻辑”“核心思维”“能力觉醒”
2、不看实际工作细节,总想找《电商行业百科全书全国统一认证版》
3、不看业务流程里数据采集点,张口“AARRR”闭口“用户画像”“精准”
4、只会从一张大宽表里拖数,数据咋来的,一问三不知
5、见过一个行业内成功案例,就认为全世界都该这么做
6、当懂王:“业务无非就是发优惠券”“互联网无非就是补贴”……
7、不可知论:“什么业务不业务,就是看老板心情……”
总之,具体问题,具体讨论,不在理论层面浅尝辄止,也不沉迷于具体某一次成功经验,才能让自己理解能力越来越强,主动梳理能力越来越高。看到这,可能有同学会想看具体例子,有兴趣的话,本篇集齐60留言,下一篇我们分享一个业务梳理的案例,敬请期待哦。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05在CDA(Certified Data Analyst)数据分析师的能力模型中,“指标计算”是基础技能,而“指标体系搭建”则是区分新手与资深分析 ...
2025-12-05在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01在时间序列预测任务中,LSTM(长短期记忆网络)凭借对时序依赖关系的捕捉能力成为主流模型。但很多开发者在实操中会遇到困惑:用 ...
2025-12-01引言:数据时代的“透视镜”与“掘金者” 在数字经济浪潮下,数据已成为企业决策的核心资产,而CDA数据分析师正是挖掘数据价值的 ...
2025-12-01数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27