
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
随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29CDA 数据分析与量化策略分析流程:协同落地数据驱动价值 在数据驱动决策的实践中,“流程” 是确保价值落地的核心骨架 ——CDA ...
2025-08-29CDA含金量分析 在数字经济与人工智能深度融合的时代,数据驱动决策已成为企业核心竞争力的关键要素。CDA(Certified Data Analys ...
2025-08-28CDA认证:数据时代的职业通行证 当海通证券的交易大厅里闪烁的屏幕实时跳动着市场数据,当苏州银行的数字金融部连夜部署新的风控 ...
2025-08-28