最近收到了不少数据分析朋友的吐槽和抱怨:
上面这些情形不管是在大公司还是小公司都是很常遇见的,如果你经常处于类似的工作状态下,那么一定时间后,你将失去两项核心竞争力:技术深度和业务深度。
本文聊一下三个内容:
为什么做数据分析会变成提数工程师?我们来看一下数据分析的大致工作流程:1. 问题提出;2. 数据获取;3. 数据处理;4. 数据分析与建模;5. 数据结论输出。
由于现在大部分互联网公司的产品和运营相对更靠近业务,因此这两个角色更容易发现和提出问题,如果数据分析师的主动性比较弱,那就会变成了如下这样的工作分工:
也就是说,问题提出 这个重要的环节不属于数据分析师负责,按照上面的模型运行的时间一长,数据分析基本就变成了帮助产品或运营验证想法的工具。
因此我们可以得到第一个原因:问题提出权不在数据分析师,数据分析只能去实现产品和运营的想法!
如果问题不是由数据分析师提出,再加上数据分析师的主动性差一些,那就会变成这种情况:产品或运营提一个需求,分析师就按需求实现一下,不需要思考太多,按需求做就好。这样的结果是,很多分析问题都会很简单,因为产品和运营并不太了解数据分析师能提供的能力。
我们得到第二个原因:产品和运营可能会提出相对简单的问题,数据分析机械去执行即可,不需要过多的技术深度。
在上述两种原因的影响下,数据分析也会逐渐失去主动性,最终沦为提数工具。
前面抛出了问题和可能的原因,那么我们该如何去改进呢?毕竟没有谁愿意只做个机械的提数工具的。总的来讲,主观能动性是解决问题的最重要的因素。细分来讲,可以从下面几个角度来改变:
上面说的太虚,我们举个例子来说明:
需求:
假设运营同学提出了这样一个数据分析需求:最近我们网站的DAU降低了,麻烦你提个数据,看一下近30天我们各个模块的DAU是什么样子的。
解决方案一:
假设我只是想简单地完成这个需求,那么很简单,我只需要做这三件事即可:2. 数据获取;3. 数据处理;4. 数据分析与建模。到这个场景里面,可能就是从数据里面捞一下我们网站数据里面各个模块的DAU情况,提供给运营就行了,不需要多复杂的处理,甚至如果有现成的报表,简单导出来一个excel即可。
那么当运营拿到数据后,就可以看出哪一个模块的DAU降低,简单看一下原因后写在报告里面即可。
解决方案二:
我们当然不希望是上面这种解决方案这么低的参与感。那么,该如何做呢?
首先,我们可以改进我们的分析流程:
如此,这才是相对优雅的数据分析流程。
在改进分析流程之外,我们可以提供更多的自助分析工具,让产品和运营能够更多地自助验证自己的想法,将数据分析师的工作从提数中解脱。这一块就不再展开细讲。以后有机会再做分享。
其实,除了数据分析师之外,数据仓库和数据开发同学都会面临类似的困境,在很多分工不明确的公司中,这种提数需求是可以落在任意的数据同学身上,不同的是各个角色解决该问题的角度是不同的。简单来讲:
总结一下本文的内容:本文通过【数据分析师做成了提数工程师,该如何改变这种现状?】 这一个问题,引出了造成这种现象的两大原因:
针对这两个原因,我们提出了两个解决方法: