数据不等于数据分析

自己的博客维护起来越来越麻烦，也越来越好了，所以索性来一次老文搬家。因为是老文，聊的很多都是过去时的内容，感兴趣的可以凑合看看，下面这篇的原始日期是：2012/12/08

---

虽然难以理解，但一些行业确确实实存在这样的问题——业务侧的人员认为数据分析是技术部门的事情，之所以没有做某一块的运营分析工作，会说“因为我们没有数据”，而解决的办法就是源源不断的向技术侧提出散点式数据需求（是“数据需求”，不是“分析需求”）。

举个例子，要找到某个网店的“高价值用户”，上述业务人员会有两种表现：

1.“拍脑袋”——按自己的理解给数据侧人员提出数据需求，如“3个月内消费金额达100元的用户”，过一段时间这个规则还会频繁变动；

2.“等”——因为也确实是觉得拍出来的经验实在站不住脚，所以，也不提需求，索性去等数据侧的数据里有一个字段“价值”，然后再提需求。但技术侧的数据支撑人员往往不清楚详细的商业细节，根本无法准确的得到“价值”这个字段，因此也只能等业务侧的需求明确了；

这个搞笑的情况，归根结底是缺少商业数据分析人员这个角色，这个角色应该是既熟悉商业、运营，又熟悉数据的人，他可以从业务中抽象出数据模型（或方法），实现业务语言和数据语言的对接。

同时，这个数据分析的环境除了方法层面的一些能力，更需要的是一些基于策略的方法论或逻辑思考力，能够将一个复杂的、不容易决策的问题，在一定的逻辑或数据的支持下，尽量做到“可决策化”。就像上面说的“价值”这个例子，到底什么是价值，消费金额高是某种价值，消费频次高也是某种价值，喜欢点评、分享也可能是某种价值，用户的稳定性是不是也是一种价值？价值是不是也有周期，什么情况下要重点考虑短期价值，什么情况下要兼顾长期价值？当前关注的价值也公司不同阶段的整体战略又是怎么配合的？

这样的问题可以列举很多，也没有统一的标准答案，因为，业务形态变化越来越快，但依然有些可以拿来用的：

1）、经典理论系列——市场营销学里的老经典、消费者心理学、产品管理、运筹学等等；

2）、麦肯锡的MECE——“互斥，完全穷尽”的原则实在是太重要了，可以说是逻辑决策里最基础的一项，故而单独列出；

3）、一些工具包——SWOT分析、波士顿矩阵、KJ亲和图、五力分析等等，重在理解其中分析方法的内在，活学活用，而不是生搬硬套；

4）、来自社会化媒体的一些实用的数据分析方法、示例；

切记，上面这些不是拿来生搬硬套的，而是一个起点，一个丰富自己思维逻辑、看问题角度的输入，最重要的还是自己的逻辑思维能力+对商业、业务、战略的理解+对人的理解、对人性的理解……

作者：老读悟，微信公众号：laoduwu666