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在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15