商业分析与数据分析、算法模型的关系与区别

我们常说,办事情要“名正言顺”,而数据领域的名字则是格外的多,商业分析、数据分析、数据挖掘、算法模型……经常把大家绕晕,今天系统科普一下。

商业分析VS 数据分析

广义上的数据分析,指的是“利用数据对XX问题进行分析”。包括了数据采集、数据存储、数据清洗、数据计算、结论输出、数据可视化等部分。大家注意到了,这里是有个空白的XX没有填的。实际上,广义上的数据分析是一个基础技能,可以利用到很多很多领域。空白处可以填学术、理论、科学、医疗、教育、情感、心理……等等名词。是滴,这个空白处也可以填“商业问题”。如果是:利用数据分析方法进行商业问题的分析,那就是商业分析了。商业分析是广义的数据分析方法的一个具体应用场景。

狭义上的数据分析, 应该叫“对企业内部系统采集的数据进行分析”。实际上,我们在招聘时看到的要求懂sql,hive,python,R等软件操作的“数据分析岗位”,指的都是狭义的数据分析。这些分析工作基于企业网站、APP、订单、售后、客服、物流、财务系统记录的数据,进行计算、建模、报告等工作。

内部数据质量不行,是个永恒的问题,也常常成为分析的死穴。不懂数据的人往往想当然的认为:数据不是很多吗,分析分析就好了呀。可真正做数据工作的都知道,急躁的业务领导、投机取巧的同事、薅羊毛的用户、落后的IT建设,都会让内部数据看似庞大,实则一塌糊涂。常见的内部数据的分类与问题,简单归纳如下,大家感受一下:

商业分析不仅仅利用企业内部系统数据,还需要大量利用外部数据。它由四个构成部分:行业研究、定性访谈、定量调研、内部数据分析。因为影响企业经营状况的因素,本身就包括了宏观环境、竞争对手、内部组织、员工能力、消费者态度与意愿等等方面。这些因素非常重要,但不一定都能通过系统采集到。因此就得靠多方面的信息采集来满足需求。具体每个部分的采集方式、用途,如下表所示:

真正进行商业分析,需要有综合性技能和多方面获取数据的能力。很多企业拿着做内部数据分析的要求招商业分析师,结果招来的人只会跑数据,没有解决真实问题的能力。写代码的小哥每天对着销售曲线发呆,冥思苦想不得其解。其核心症结就在这里:本身商业分析就不是敲两行代码就能完事的。至少要有行业研究-市场调查-内部访谈-内部数据分析四部分相互配合,不是200行代码就能让阿尔法狗子开口说人话:贵公司的问题是XXXX。200万行代码都不行。

更何况,很多企业对数据的重视程度远远不够。

  • 有新政策出台也不知会;
  • 外部信息系统采集、共享机制不存在;
  • 内部做事情的背景、现状、目标啥都不交代;
  • 不给做分析的同学走访一线,了解实际的机会;
  • 遇到问题就知道甩给分析:“你建个模型分析分析”
  • 私下里搞小动作,做分析的同学甚至是最后一个知道企业发生什么事的人

这就让做分析的同学们无米下锅了。就更难通过分析产出效益了。

商业分析VS 算法模型

拜Alpha Go所赐,现在人人都知道人工智能很厉害。阿尔法狗子一声汪汪,咬哭了柯洁,也让人们产生了无数对人工智能、算法模型的幻想。实际上算法模型最大、最成功、最多精力去做的内容,和数据分析没啥关系。算法模型目前比较成熟应用的领域,在于图像识别、语义识别、路线规划等方面,具体应用在安防、风控、物流、驾驶等领域,是基础的工业级应用。

在商业领域算法的用处相当有限。因为本身企业经营靠的就不一定是精细的计算,政策大势、老板的资源、员工创新、创意、创造能力,这些都很难用数据量化。换句话说:如果给定围棋的规则让算法去学习,算法可以打败最一流的高手;但在商业领域不是下围棋,有可能明年下棋的规则都变成在围棋盘上摆车马炮……别说阿尔法狗了,阿尔法喷火大恐龙都搞不掂。

因此,在商业领域算法往往应用在特定场景上。第一类常用的是直接针对用户场景的算法。具体场景往往有以下特点:个人决策、封闭信息、一对一沟通、用户决策容易被营销策略影响、数据指标多需要压缩、创意影响较少。比如常见的:风控。都是个人申请资料,金融机构审核。如果这个人信用不好,我们也没必要帮助他好,拒绝他就是了。设计信用的指标很多,单靠一两个指标很难判断,因此可以建模(最常用的是逻辑回归)来区分用户风险等级。类似的如推荐算法或者大数据杀熟,往往在APP里应用多,欺负的就是一对一的封闭场景沟通。如果真在实体店搞这一套,估计早就被客人告到工商局,或者干脆砸了招牌走人。

第二类常用的是预测算法,包括基于时间序列和因果关系预测两类。商业分析很需要对未来发展趋势做预测,因此需要算法辅助。常见的用法、优缺点如下表所示

第三类是用来降维的算法。包括因子-聚类分析、AHP、主成份分析等。往往是评估一个问题,考虑指标太多的时候,需要做降维处理,压缩指标方便评分。常用于评估类问题,比如项目、新产品、品牌评估等等。

综上,可以看到算法模型在商业分析中是非常有用的,可它本身不能替代商业分析,更不是一个问题思考不清楚了,就甩给做分析的同学:“人工智能好厉害,快人工智能分析一下为什么我们业绩做不起来”。业绩是做出来的,不是算出来的。更多的商业问题是和人的主观能动性有关,因此脱离人的因素去指望算法,最后就沦为数字游戏。

以上就是商业分析、数据分析、算法模型的关系与区别。用一句话概括,可以说是:商业分析是数据分析方法在商业问题的具体应用,算法模型是一个有效解决特定商业分析问题的工具。

原文发布于微信公众号 - Datawhale(Datawhale)

原文发表时间:2019-07-16

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券