如何能够在公司中真正的用好数据分析？

数据分析越来越得到各大公司的重视，但很多公司的数据分析人员都面临着一个问题：如何让数据分析真正在公司内得到有效的推广和使用，真正帮助到业务的发展？

欢迎各位大神分享自己的经验。

平教经 · 2018-10-3 21:47:17

先目标再分析

国季 · 2018-10-3 21:47:15

两方面，内部与外部

内部数据详细，从中发现问题
比如推广中逐层转化的分析与优化

外部数据难于获取，一般要搭配一些抓取方法
比如你可以从淘宝中抓取竞争对手的评价，分析找到用户对竞家痒点，痛点。

热云数据 · 2018-10-3 21:47:14

热云数据经过多年的发展，积累了海量的数据，其完整性和丰富性不仅能够帮助移动互联网企业真实反馈用户的真实数据，并且能够支撑到整个行业的生态链，还能基于用户行为找到相似用户群体未来的去向，更多的对具体行业发展趋势做预测。热云数据领先的技术以及优质的数据分析服务，得到了越来越多客户的信赖与支持。

再次修改 · 2018-10-3 21:47:13

为了分析而分析，为了数据而数据。有的为数据呐喊，数据决定一切；有的为经验呐喊，经验主宰一切。即使再大的公司，可能积累的大部分数据都是辣鸡；即使再小的企业，几百条的数据也能力挽狂澜。要学习工具，也要理解工具。别太方法论，也别太钻牛角尖。纯手打，别鄙视。- -

数据汪 · 2018-10-3 21:47:12

有关数据和数据分析的高谈阔论比比皆是。不断有人告诫各大公司要规划恰当战略来收集分析大数据，并警告不这么做可能带来的不良后果。像《华尔街日报》近日就提到公司享有客户数据这样一个大宝藏，却大都不知道该如何利用。有公司尝试从巨大的数据中获取实际可用的信息，我们归纳了管理者在数据应用上的四个常规错误。

错误一：没有理解融合的概念

阻碍大数据发挥价值的第一大挑战就是兼容性和融合性。大数据的一个主要特点是其来源多样。然而，如果数据形式不相同，或难以整合，则其来源的多样性将使公司难以削减开支，也无法为客户创造价值。例如，在我们和一个合作项目中，该公司拥有丰富的数据，记录客户的交易量和忠诚度，以及专门的在线浏览行为数据，但是鲜少交叉检索这两类数据来判断某种浏览行为即为交易达成的前兆。面对这种挑战，公司创建了“数据湖”来容纳大量非结构性数据。但是，这些公司能够加以利用的数据目前都显得杂乱无章，只不过是一些以文本，也就是说，当这些数据只是普通的二进制数字时，要将它们井然有序地存储起来非常困难。要将来源不同的它们整合起来更是难上加难。

错误二：没有认识到非结构化数据的局限性

阻碍大数据发挥价值的第二大挑战是其非结构化的特性。对文本数据的挖掘已经有了特别的进展，其语境和技术所带来的认识与结构化数据类似，只是其它形式的数据如视频仍不易于分析。举个例子，虽然拥有最先进的人脸识别软件，有关当局仍然无法从大量视频中识别出波士顿马拉松爆炸案中的两名嫌疑人，因为该软件尚在处理从不同角度拍摄的嫌疑人的照片。
虽然从非结构性数据获取信息面临挑战，但是各公司在利用这些数据初步提升分析已有数据的速度和精确度上取得了显著成绩。比如，在石油和天然气勘探中，人们就用大数据来优化正在进行的操作，以及针对地震钻井的数据分析。尽管他们所使用的数据在速度、种类和体积上都有可能增加，最终这些数据还是用于同一个目的。总之，一开始就希望通过利用非结构性数据形成新的研究假设是站不住脚的，除非各公司通过“实践”有了这种专业能力，能利用非结构性数据优化某个问题答案。

错误三：以为关联分析意义重大

第三大挑战——我们认为是阻碍大数据价值的最重要的影响因素——是观测数据的大量重叠使其因果关系难以明确。大规模数据集往往包含众多相似或完全一致的信息，直接导致错误的关联分析，误导管理者的决策。近日《经济学人》指出“在大数据时代，相互关系往往是自己浮现出来的”，《斯隆管理评论》在博客中强调虽然很多公司都能接触到大数据，但是这些数据并不“客观”，因为问题在于要从中提炼出值得采取行动的信息。同样，典型的用于分析数据的机器学习算法所进行的关联分析并不一定会提供原因分析，因而不会给出可执行的管理意见。也就是说，让大数据有利可图的技巧在于能够从仅仅观测到相互关系转变为正确鉴别何种关联为因果形式，可以作为战略举措的基础。要做到这一点就必须超越大数据。
谷歌趋势是大数据的经典范例，它利用谷歌搜索词条整合记录。然而，它也说明了仅仅用于关联分析的数据是毫无意义的。起初，研究人员称数据可以用于反映流感的传播。然而后来，研究人员发现因为数据体现的是过去，使用这些数据只能在现状与过去模式相关的情况下，稍微改善应对行为。
举个更具体的例子，假设一个鞋业销售商向曾浏览其网站的消费者投放广告。原始数据分析认为消费者看到这些广告会更愿意购买鞋子。可是，这些消费者在看到广告之前就已经对该销售商表现出了兴趣，因而比普通人更愿意进行交易。这个广告有效吗?很难说。实际上，这里的大数据并没有考虑营销传播有效性的因果推论。要知道该广告是否有效，销售商需要进行随机检测或试验，选取一部分消费者不接触这个广告。通过比较看了广告和没看广告的消费者之间的购买率，公司才能确定是否看到广告能让消费者更愿意消费。这个案例中，价值主要不是通过数据创造的，而是通过设计、执行以及阐释重要的试验来创造的。
这是个试验，不是分析观测到的大数据集来帮助公司了解一段联系到底是仅仅相关还是因为反应潜在的因果关系而变得可以赖以作出判断。虽然对于管理者来说，哪怕仅利用记录消费者行为一拍字节的数据来提升效益都很困难，但是比较参与了营销活动的客户和没有参与的客户——根据试验结果——能够让营销人员推论这个活动是否有利可图。
开展实地试验，得出正确的结论，采取恰当的应对措施，都不是轻而易举的事。但是成功的公司已经有能力来设计、开展重要的实地试验，并对其结果评估，采取针对性措施。正是这种“试验加学习”的环境，以及对其能否加以推广的理解和认识之上采取行动的能力，才让大数据有价值。
只是，由于越来越多的数据样本收益递减，这样的试验并不一定需要大数据。比如：谷歌透露说其往往用有效数据的0.1%中的随机样本来进行数据分析。确实，近日刊登的一篇文章显示大数据的大实际上是不利的，因为“数据库越大，就越容易支持你提出的假设。”换句话说，因为大数据提供重叠的信息，公司能从整个数据集，也能从其千分之一的数据集中获取同样的信息。

错误四：低估了劳动力技术需求

开展试验不是公司从大数据推测有价值信息的唯一途径。另一个可行的方法是公司可以培养算法技能，来更好的处理数据。推荐系统便是此类算法的一个范例。推荐系统通过针对关联数据的算法向客户推荐最相关的产品。只是，它不是依靠背后规模庞大的数据，而是依赖识别关键信息碎片来预测客户偏好的能力。的确，往往不是数据的规模，而是计算机学习的算法来确定结果的质量。尽管预测能力可能增加可用数据的规模，但是在大多数情况中，预测的提升说明规模收益随着数据集增加而递减不过，要建立好的算法就需要好的数据分析师。一些公司以为不同聘请员工来分析数据中的因果联系就能将大量的数据转化为信息，他们可能要失望了。
数据本身是没有价值的。只有与管理、构建和分析技能结合来，明确对其进行试验和算法，才能对公司有用。当你把价格信息看做是对价格信息处理的技能时就清楚了。很多情况下，相对于数据成本，留住数据处理人才成本更高。这说明对于一个公司而言，数据处理能力比数据本身更重要。

鸢尾即是王道 · 2018-10-3 21:47:11

最近公司为了拿菲诗小铺化妆品的总代理，需要我做一个数据报告，市场总监需要我呈现出的效果是该品牌在中国线上市场份额越来越少，并给出解决方案。
第一天花了大量时间收集该品牌和竞品的线上销售数据资料，并将收集的数据整合处理，最后将数据报告呈现的效果如下所述：
【一】呈现该品牌和竞争品牌的市场份额变化。

通过该动态图表呈现，菲诗小铺虽然在彩妆行业的销量还是在逐渐上升，但是相比其它两款竞争品牌的增长趋势来看，菲诗小铺的疲态尽显
【二】呈现该品牌和竞争品牌中的高质量宝贝数量变化。

菲诗小铺的高质量宝贝数在市场份额中不断缩水，在2012-17年间是三个品牌中唯一快速下滑的品牌。可以看出菲诗小铺的经销商在线上完全没有培养起新的爆款，并且对于之前的高质量链接没有做市场维护，或者是因为自己的市场已经被其他竞品剥夺分割。
【三】呈现该品牌和竞争品牌中的大卖家数量变化。

这里其实可以看出，前者刚阐述的高质量宝贝数量变化其实是和线上大买家数量的变化息息相关的，菲诗小铺的线上大卖家数量在市场的占比变化呈现负增长率，卖家数量历年来都在减少，由此可见大卖家在市场中对于菲诗小铺这个牌子的信心在不断下降，反映出品牌方对于经销商的信心维护是缺失的！

到这里，我们已经得到了当前菲诗小铺在线上市场中所存在问题，接下来如何给出解决方案，是数据分析中最为重要的一步，接下来我给出一点我的想法。
方案突破点之一：增加高质量单品链接
Part 1: 质量突破
在菲诗小铺中选取质量优等的产品，寻找线上店铺中含有高质量悦诗风吟和得鲜单品链接的商家合作，用同类目产品，进行直接正面竞品。
比如：A商家中悦诗风吟的真萃面膜是高质量宝贝链接，我们会提供菲诗小铺同等竞品面膜的上架资料给到A店让其上架，以此增加菲诗小铺这款面膜在A店的关联曝光率
并在价格上做差异化，引导客户更愿意尝试这款面膜。在质量保证的前提下，转化率得以提升，慢慢将悦诗风吟面膜的流量和转化率转移到菲诗小铺的链接上。
Part 2 : 数量突破
在精细化培养高质量单品链接的同时，产品链接数量的增加也非常重要。只要商家愿意配合上架，多一个链接，就可能增加几千几万次的点击率。

方案突破点之二：扶持优质卖家，重建市场信心
Part 1 : 个性化分销概念
我们将对菲诗小铺的产品按类目细节划分后进行产品分级：
主打款--利润款--辅助款
在菲诗小铺的线上卖家中，对每个卖家的高质量宝贝和擅长经销的宝贝进行统计，对于不同的卖家合作对应的款式。
同时会对经销商进行综合评估分级并做定时售卖情况跟踪，查看店铺进销数是否一致：
一级商家-- 目标客户 -- 潜力客户
一级商家：寻求合作主打款培养高质量单品链接，做到每周跟踪一次。
目标客户：对于特定单品进行深入合作，为他们引流，每周跟踪两次。
潜力客户：前期通过利润款产品培养起对菲诗小铺的市场信心。需每日跟踪一次，继而当潜力客户往目标客户升级的过程中，客户对于品牌的信赖度也随之提升，商家更愿意配合品牌需求做市场推广。
Part 2 : 是分销更是营销
针对符合菲诗小铺消费群体的网红店铺，可以进行网红直播限定款等等的市场营销，促进网红与菲诗小铺的深度合作，将其粉丝转化为菲诗小铺的忠实粉丝。
ps:欢迎私信交流

林翔 · 2018-10-3 21:47:10

见过太多打着「数据分析」名头的为分析而分析的数据分析报告和数据分析师。
在分析前，希望先想清楚以下几个问题：
1.你为什么数据分析？分析的对象是什么？（这个问题答好，你已经比80%号称数据分析的人做得好了）
2.你的数据源是什么？数据是怎样获取的？是否准确？
3.你的数据能否有严谨的逻辑来支撑你的结论？
解决好这几个问题，远胜于数据爬取、编程分析、数据可视化等「奇技」。

数据知多少 · 2018-10-3 21:47:09

问题的潜台词是我已经有数据了，你看怎样做好分析？
实际上在大多数企业里，所谓的数据是一大堆放在电脑文件夹中的Word 和Excel文件，分布在不同系统中的封闭的数据库文件。这种情况下如同没有数据，你分析这些文件夹，不如重新发起填报一次。
源头规范数据收集在传统行业里是重中之重，占全部分析时间的90%，传统行业只需拿出你1%的分析技能就能秒杀同行，差别不在于分析，而在于你能否搞定那源头的90%。

冰封 · 2018-10-3 21:47:08

企业内部很多数据分析的大拿，往往是深度理解业务过程，用普通的方法就能完成很精彩实用的分析过程。
要使用机器学习的工具简单。
但是使用它，使企业的价值得到提升，最重要的还是在深入理解业务基础上，搭建合适的特征库。

如何能够在公司中真正的用好数据分析？

9 个回复