让外行描述情况，让内行来定义问题

我们常说数据分析师是企业的医生。如果你真的去多几趟医院，就会发现还真TM像。因为数据分析师和医生是一样的苦逼：内行面对外行的苦逼。

就像病人常常抱怨医生的：

• 我就是打个喷嚏，为什么要做这么多检查！
• 我就是打个喷嚏，为什么要花这么多钱检查！
• 我就是打个喷嚏，怎么可能会是这么重的病！
• 我猜我就是感冒了，我抗一下，不用检查了吧！
• 我看网上说，喷嚏是感冒，为啥你和网上的不一样？

以上种种，都让数据分析师想起来被数据不足支配的恐惧。遇到问题的时候就嗷嗷叫着要这分析要那分析，还拿着朋友圈文章问为啥人家都人工智能呢我们不能。可需要设计数据采集流程、埋点、建数仓、做特征的时候就叽叽歪歪，什么用户体验，什么赶紧上线，什么人力不足。还在这抱怨：我就是要一个简单的数，为啥还要这么多开发？？？

然而这都不是最气人的。最气人的是你说了他还不听的，出了事还怪你。我爷爷住院的时候，隔壁床的大妈就让我记忆深刻。医生千叮咛万嘱咐不能吃油腻的东西（似乎是胃or胆出了问题）。结果某天半夜里痛的鬼哭狼嚎！医生半夜紧急来查房，问吃了什么。大妈好委屈的说：我就吃了一口油条。真的只有一小口，一小口它怎么可能疼成这样，是不是诊错了！肯定是诊错了。——可怜的医生被气的直接原地暴走！！

以上种种，归结为一条，就是：当内行服务外行的时候，要把握定义问题的主动权。让外行描述情况，让内行来定义问题。外行定义的问题可能是凭感觉、凭猜、凭心情说出口的。跟着外行走，真的就被带沟里了。

我们之前分享过数据分析可以解决的问题，参考：{数据分析到底对企业有什么用} 今天主要讲讲，遇到难解的问题怎么办。

数据分析无解的问题

用户买这一件产品花了50块，到底有几块归商品、几块归运营、几块归产品、几块归推广？——我们没有在用户脑子里埋点或者开接口，所以这种态度、情感、意识类归因问题去找市场调研组，让他们做访谈、派问卷去。虽然文本分析可以做一些洞察，但就问一个简单的问题：到底多少购货的顾客会留评论？文本分析就乖乖做舆情好了，掺和销售归因就是自己往火坑里跳。

再本质的看这个问题，这本来就是业务部门之间争权夺利的产物。每个部门都倾向于夸大自己的作用。如果你把一个公司所有业务上交的活动ROI报告打包看，会经常发现，单纯活动新增业绩都能超过整个公司总业绩。这些烂事压根就不要掺和进去，让他们自己打架好了。

可解，但需要转换角度

老板到底是想做客户数还是客单价？

老板要提升客单价，帮忙分析一下吧？

分析下，我的提客单价方案老板能通过吗？

这种问题有个标准答案：自己问老板去！明确目标-设计方案-请示审批，是业务部门该干的事。数据把这些都做了，还要运营干嘛、还要市场干嘛、还要产品干嘛，干脆把你们的工资一起领了算了。这些问题虽然都冠以“分析”的名字，可跟分析一点关系都没有。

不过这一类的问题，换个角度还是可解的。比如把“我提的方案老板能不能通过”转化为“我提的方案用户响应率预计是多少？响应后ROI是否在其他几个备选方案里最高？”这个问题就能用数据来进行测算。数据不能替代思考，但数据能衡量具体的思考结果靠不靠谱。

可解，但需要转化目标

最经典的就是：能否建一个精确预测模型，把销售情况预测准确到2%误差以内？（毛利只有5%，所以5%的误差，导致产品积压，也是业务方不能接受的！）这个问题坑死过无数建模的数据分析师&算法工程师。为啥？因为本质上看，销售是个博弈问题，不是一个客观情况。所谓自然增长率从来都没有存在过，只有当业务部门努力程度为XXX时的增长率。

当你给出一个预测结果时，如果数值特别乐观，业务部门会下意识的减少资源投入，会倾向于追加产品进货。在这一刻预测的前提已经被破坏了。而当数值特别悲观的时候，业务部门就会倾向于缩小行动量，预测的前提又被破坏了。所以单纯的指望数据拿着一堆因素去找结果完全不靠谱，原因本身天天在变。真正需要控制的是业务方的行动。

如果换个目标，比如把库存积压减少50%。这个问题就有的解。因为这是拿着结果找原因，在分解原因的时候我们会发现，导致库存积压的因素可能有：

• 初期预测超量
• 业务方进货太多
• 业务方投入不足
• 业务方没有及时散货

除了期初预测不能预的太多以外，还能通过监控报表及时监控销售进度，提醒业务方控制进货节奏，在销量不好的时候，及时提醒业务方收手、散货。前期模型+后期报表，共同达成目标。这样比赌一个超精准人工智能阿尔法大狗子模型要靠谱的多。

更深层的一个问题是：大家意识到准确度98%和减少积压50%之间的真实差距是什么？真实差距是，准确度98%是一个只有苦劳没有功劳的事。预测的到，那你是及格了。预测不到，库存的锅都是你做分析的！谁让你预测不到呢？可减少积压50%，是在业务方已经无能为力的基础上再做优化，直接体现出有数据就能省钱。这是个纯功劳。——这么说显得很市侩，但是陈老师就是这么市侩哈。数据分析既然是一个工作，做了就要立功劳。大家体会下。

可解，但需要系统解决

最典型的就是：我要一个数。

我要一个数从来都不是真实需求，真实需求是我在担心XX问题，所以联想到XX数据。这时候就得把真实问题勾引出来：

• 要这个数干什么
• 为什么在这个时间点要
• 单靠这一个数是不是能解决问题
• 如果不能解决问题，还需要什么数
• 以后还有没类似的需求场景

特别是在突发情况下，业务部门喜欢紧急要个数。越是紧急，越要抽时间把问题场景聊清楚。紧急取个数不耽误事，反反复复的紧急取数才耽误事。

比如投放了一个活动结果效果不理想，业务方会想着紧急拿个响应率的数来看看，这时候只要多花10分钟聊一下：到底还能用什么手段？把能采用的手段，比如增加投放、增加奖励力度、针对重点客群活动、更换广告位置等一并聊完。然后打包输出相关数据，就能一劳永逸解决问题。并且下次活动行成规范，这些策划数据提前准备好，这样也能从紧急需求里孵化一个新数据监控产品出来。

不然的话，就等着上午出一个响应率的数，下午出一个分客群的数，晚上出一个不同广告渠道投放转化的数，一整天都在忙这一个破事，其他工作就只能加班干了。

可解，但需要分步解决

看惯了朋友圈里XX公司“大”数据体系分享，业务部门和数据分析师都喜欢脑子一热上个“大”数据XX体系，理想很美好，可现实是：企业不是高校或者科研院，企业要挣钱要见效益，摊子太大，拖得太久，期望值就越高，落地就越来越慢，最后死相就越难看。而从具体的场景出发，则可以很快找到对业务有用的点，先见到成效，后续推进就更顺利。

比如“建立销售监控体系”这件事，很多公司都在做。如果开始摊子铺的太大，试图解析清楚每一个块钱是怎么来的，就会把自己弄死。数据分析师和医生的一个重大区别是：医生诊病还有一些客观、稳定、病理学的标准可以追寻，数据分析师没有。企业经营情况每天都在变，很难讲清楚到底多少就是“合理”数字。一开始摊子铺太大，搞到最后估计连一个“正常值”都定不出来来。

如果把“建立销售监控体系”拆成两大部分：异常警报，正常值跟踪。再在异常值警报里逐步完善场景，比如订单优惠券、店补优惠、用户个人优惠、产品品类优惠等每一个场景都有异常监测。就能立竿见影见到效果，把套利交易数量控下去。之后再逐步丰富其他厂家。既能快速见效，又能逐步达成销售体系监控的任务。

以上只是种种常见的问题，不认真区分，结果就是做数据的自己天天加班，业务方还嫌你跑数慢、没本事。还是那句话：所有的地位都是自己挣来的。想做出成绩，就得认真理清问题，一步步做。分析本身需要数据和经验的积累，一口真吃不出个胖子。

同学们也发现了，上边所有的定义问题过程，都是建立在对业务的目标、操作流程很熟悉的基础上的，这就要求数据分析师必须有梳理流程的能力。梳理流程不但能让我们清晰业务的目标，更能让我们建立适合业务的数据采集/数据监控体系。下一篇我们来分享这个问题。

这是陈老师《数据分析师成长手册》系列连载——数据分析师八大工作能力部分（如下图）关注陈老师公众号，持续追剧哦