1. 数据分析网首页
  2. 大数据
  3. 数据分析

数据分析师做成了提数工程师,该如何破局?

数据分析该如何改变提数工程师的命运,充分发挥数据分析的作用

数据分析师做成了提数工程师,该如何破局?

最近收到了不少数据分析朋友的吐槽和抱怨:

  • Title 是数据分析,结果天天做着提数的工作,没有技术含量
  • 分析结论都是运营和产品向老板汇报,没自己什么事
  • 别人家的数据分析都是各种算法和模型,为什么到了自己就是提数和提数

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:

为什么数据分析会变成提数工程师

数据分析该如何改变提数工程师的命运,充分发挥数据分析的作用

聊一下其它岗位的类似情况

一、为什么成了提数工程师?

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:

  1. 【产品或运营】问题提出
  2. 【数据分析】数据获取
  3. 【数据分析】数据处理
  4. 【数据分析】数据分析与建模
  5. 【产品或运营】数据结论输出

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。

二、如何优雅地进行数据分析工作

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:

  1. 积极主动地发现和提出问题,如果产品或运营已经抛出了问题,那就去深入详细的了解问题的背景
  2. 提供更多的分析思路和自己的见解,帮助产品和运营同学打开思路,让对方知道数据分析可以提供的能力
  3. 持续跟进分析结论的效果和反馈,不断改进和优化
  4. 优化数据分析的流程,加入数据分析师可以更多参与的环节

举个栗子

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:

  1. 问题提出:通过监控或者主观的数据敏感度,提前来发现相应的数据问题,比如DAU下降,是可以通过监控平台来提前发现DAU的下降
  2. 确定分析目标和产品诉求:需求中只是要看各模块的DAU趋势,但运营同学更想要的是找到为什么整体DAU会下降,找到原因并优化该问题。我们需要和运营童鞋沟通并get相应的点
  3. 收集假设:运营同学提出要看各模块的DAU,这只是运营提出的一种猜测,让我们提相应的数据去验证该猜测。我们既然知道了运营童鞋的诉求,在盲目地直接捞数据之前,可以提出一些假设,比如说:是不是某种浏览器的兼容出现了问题,是不是某种类型的用户对我们的网站感兴趣度降低了,是不是某个模块出现了问题,等等。
  4. 设计指标:有了假设,我们就可以根据相应的假设设计一些统计指标或者相应的分析方法,比如看不同用户画像的用户近期的访问情况、不同浏览器用户的访问情况、不同模块的访问情况。
  5. 设计验证方法和建模:有了假设,有了指标,我们就可以设计相应的方案来验证我们的假设是否正确,这时就可以用到相应统计学和机器学习的方法,当然用户画像也是很重要的一环。
  6. 确定分析结论和运营策略:最终,根据前面的步骤,我们再提供相应的分析结论给到运营侧,此时,我们提供的就不是简单的一个数据,而是一整套的数据分析报告。
  7. 效果验证和改进:一定要关注数据分析的效果,比如你的报告中提出了DAU降低是由于18-25岁年龄的用户大量流失,相应的运营策略是增加年轻化的内容,那你就要关注该策略上线前后的数据变化,数据是否按照你们假象的方向来发展,如果不符合预期就要相应的做调整。

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,比如BI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,我之前写过不少用BI工具来做分析的方案,就不再展开细讲。

三、思考

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:

  1. 数据分析师:更多地要去深入到业务的需求中去,帮助产品、运营或者老板思考,通过更多的思考来帮助需求方设计更好的分析思路
  2. 数据仓库工程师:数仓同学的侧重点更多地在数据模型的设计,设计出更灵活的数据模型来支持多样性的分析提取需求
  3. 数据开发工程师:开发同学呢,则可以更多地侧重于工具的建设,比如OLAP系统的建设,自助分析工具的建设等等。

总结

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:

  1. 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!
  2. 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。

针对这两个原因,我们提出了两个解决方法:

  1. 改进分析流程
  2. 提供更多的自助分析工具

本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流,内容版权归原作者所有,如涉作品、版权和其他问题请给「我们」留言处理。

发表评论

登录后才能评论

联系我们

如有建议:>>给我留言

QR code