数据百问系列：哪个时刻让你觉得数据分析真的非常有用
0x00 前言
问题
哪个时刻让你觉得，数据分析真的非常有用？
话题整理者：橘子，本科学的是金融和商业分析，目前是数据和运筹优化方向研究生，定位有点迷茫，日常在业务和技术的边缘反复横跳，希望能和大家共同学习和进步，一起用数据创造更多的价值。
”
问题描述
数分/数仓等各类数据岗位从业者常常称自己是sql boy或sql girl、表哥表姐、调包调参侠、没有感情的提数机等等，让许多刚入行的新人感到价值感缺失和迷茫。
可话虽有几分真实，但相信更多的是大家的自黑和调侃。当下海量的数据催生了数据行业的繁荣，数据岗位的存在必有它的价值。在这里就想请问各行各业各岗位的大家，在从业中或者生活中都有哪些“高光”时刻？让你觉得数据分析真的有用、受到认可。
0x01 讨论内容
讨论1
当数据形成体系后，建立起了数据监控后，可以很好地帮业务发展问题，比如某一次业务前端埋点出问题了，通过我们的数据分析快速定位到了，然后第一时间协助业务修复数据。还有比如做经营分析的时候，查看某一天的放款数据和环比，同期相比放款减少，通过数据多维度分析便可以定位到问题，从而更好地帮助业务做决策。
讨论2
春节期间的疫情项目，做公司内部健康码，需求是什么都不知道的情况下，数据团队通力合作，完成了整个项目。健康码逻辑很复杂，这种事情也不会有什么业务方的概念。所以每个人领一块任务，所有的需求该怎么搞、数据找谁沟通、技术方案如何实现，都是自己搞。真的，搞数据的做出了全栈的感觉，这种感觉太棒了，除了真的很累很累。
讨论3
当covid19疫情期间，全世界都在每天刷那张疫情仪表盘的时候，同样的图，不需要什么专家解读，每个国家每个人看着那每天增长的曲线和变动的数字，深刻的体会到了疫情的严重，理性的安排自己的出行。
讨论4
不聊工作里面的了，简单说一下公众号里面的数据分析，很简单的数据统计功能，不过帮助很大。
一个是文章阅读量，我会关注每篇文章的阅读量情况，根据阅读，转发数据，观察几十篇文章后，基本能看出读者们的偏好，文章内容就可以做出相应的改变，很实用
订阅号助手有一个读者的排行榜，分别是阅读，分享，赞赏，精选和留言排行榜，从里面能找到一个时间段内对你的内容关注最多的小伙伴，当想发福利而不知道给谁的时候，从里面挑就好了，已经发过几次了。同样很实用。
讨论5
应该是高考报志愿的时候，主要是第一次搞，印象比较深。
最先是买了个志愿填报的辅助软件，用软件圈了十几个专业，后来觉得软件给的分数线预测不靠谱，就开始自己搞。
那时候用excel整理了5年内各专业的分数线，看着好几屏的数据，特别有满足感，跟松鼠收藏坚果似的，看着就开心。
最后结果还挺准的，预测分差好像是在±3分以内。用得也不是什么高深的方法，就是把分数转换成名次后，做加权平均和均方差计算，然后结合当年的一些消息做个修正。老实讲，过程比结果更让人有快感，虽然结果也不错。
细节分析：高考确实有大小年，表面上分数有大小年，这个主要受到当年试卷难度和判卷松紧的影响，所以需要转化为名次再做计算。
深层上供需有大小年，这个得靠均方差衡量，报考时搏了一个试试运气。当时只知道现象，后来才知道一部分成因：每个专业的报考量并不稳定，专业间调剂会显著拉低分数线，这种在本地区不是太知名的学校比较明显；另外有些系存在隔年招生的专业，这种可能也会影响供需。
讨论6
做数据开发和数据分析前几年，发现用户没发现的问题，感觉自己很牛；现在不一样了，很多时候老板都要求要用数据说话，这其中的关联性与数据分析密不可分，或者说是同一件事情。
0xFF 总结
提出这个问题的初衷是想让大家分享有逻辑的数据分析创造价值的瞬间，给在行业中探索的朋友们一些启发。结合大家对这个问题的回答我们可以得出以下几个结论：
好的数据分析需要利用数据指标体系：
“如果你不能衡量它，那么你就不能有效增长它。” 零散的业务指标很难描述清业务的来龙去脉，只有建立起能描述业务闭环的、有结构的数据监控指标体系才能快速定位业务问题，并进行针对性的解决。但要注意不是所有的指标都是好的，好指标应该是核心驱动指标，反映着业务的真正向好，是团队和公司一致的努力方向，应当重点研究，而对于虚荣指标、后验性指标和过于复杂指标等，应减少关注。
好的数据分析需要有解决问题的系统思维框架：
“因果关系有真伪，统计数据会说谎。” 有了指标数据做分析不是难事，但能否有逻辑有方向地科学分析、抽丝剥茧地找出数据背后的原因是区分业余分析师与专业数据分析师的有效方式。常用的数据分析方法有维度分析法、层次分析法、杜邦分析法、漏斗分析法、统计学中的假设检验等。 例如，维度是描述对象的参数，或者说是分析事物的角度，如销量、品类、地区、时间等，将不同维度组合起来形成数据模型可以更为灵活地满足分析需求。而杜邦分析法的核心思路是把问题一层层分解，直到反应出最根本的问题，对症下药为止。具体使用哪一种分析方法需要根据具体业务问题决定。
数据不是做慈善，需要有结论的产出，方案的落地，价值的产生和量化
而现实中许多分析师朋友只做到了数据抽取准备、数据建模分析、结果汇报这三步。分析产出的方案都没有落地到业务，何谈创造价值呢？ 当然这个问题的成因是复杂的，至少需要数据分析师、业务部门和老板这三方的努力。对于分析师自身而言，要多与业务部门核对数据口径，多从业务和产品的角度审视分析结果， 并且尽量保证自己的分析结论是科学准确且可行的，避免产出错误或者可行性不高的结论导致业务不信任。同时积极向上沟通反馈，用业绩改进的数据说话，从而赢得其他部门的信任和更多的公司资源支持。
将数据解决方案形成数据产品也是创造价值的一个思路：
当有了行之有效的数据分析工作流后，如果把方法沉淀形成相对固定的解决方案，将数据、数据模型以及分析决策逻辑尽可能地结合成一个软件系统，那就形成了数据产品，可以更自动化、智能高效地发挥数据的决策价值，大大减少分析师的重复性劳动。
较为系统的数据分析在生活中也有着很大的应用价值：这一方面的回答在这一次的讨论中也比较有趣。有将数据分析应用于高考填报志愿，也有将数据应用于内容运营、公众号的管理等等。事实上每个人都会关注数据，但是真正能将数据用的好的朋友总是更愿意动手获取数据，并且愿意更系统更全面地分析数据。
以上就是本期问题讨论的内容了，欢迎大家继续讨论和分享！