來源:樂平汪二(ID:wanger0728)
在數據生態圈中，從數據採集到數據應用的整個流程中衍生了很多崗位。而每一個崗位都擁有了特殊的技能，但是從數據價值的角度來說，最強技能非「數據分析」莫屬，其次是「工程能力」，最後才是「產品思維」。
重新梳理一下，數據分析就是通過觀察、假設和推理，藉助數學知識去探索問題。而工程能力是它解決複雜問題時的一種手段，產品思維是它價值形態輸出的一種表現。所以說，每一個數據人都應該具備一定的「數據分析思維」，這點極其重要。
而何為「數據分析思維」呢？
簡單來說，終極目標是讓數據呈現出畫面感，而不是一堆堆冰冷的數據指標。就像曾經面試時，應聘者給我說，營銷轉化率提升5%，審批通過率提升5%，業績提升8%一樣。
如果你缺乏數據分析思維的話，你的直觀印象就只有兩種，一種是真厲害，這人靠譜。另一種是無所謂，隨便問問。每當應聘者遇到這樣的面試官時，就會感到慶幸，因為他隨便說幾個數據就能矇混過關，裝作很厲害的樣子。
相反，當別人說出一個數據時，你的腦海中應該要構造出畫面感，從而客觀去判斷數據的真實性，以及它的價值。
所以，我會去深挖他們營銷的業務場景、客群分布、營銷方式和計算邏輯，最後了解下來是「註冊 -> 首貸」的場景，促進用戶申請借款的環節。而客群分布是註冊90天+的用戶，營銷方式僅僅是簡訊提醒，計算邏輯只是對比「篩選人群轉化率」和「整體人群轉化率」。
因此，從常識來看，這個數據明顯不正確。因為註冊30天+的用戶，如果從未發起過「申請」行為，那基本流失了，更別提延遲到註冊90天+，以及僅僅簡訊提醒，這根本沒有任何的吸引力。更何況轉化率提升的這個對比邏輯完全是不公平的，沒有參考價值。
如果你懂的去思考數據背後的故事，那樣整個數據所呈現的畫面感會讓你重新去認識這個數據本身，這也就是犯罪片中常提的「恢復現場」。
所以掌握「數據分析思維」很重要，你就像數據圈的福爾摩斯。而要想培養自己的「數據分析思維」，我認為有以下幾點要具備：
掌握最基本的業務常識和數據邏輯判斷；
培養自己的數據敏感度和數據解讀能力；
構建個人的數據分析法和問題分解能力；
加強一定的工程化能力和模型算法知識；
讓我們用一個案例去加深以上四點的認知，就比如上面提到的「營銷轉化率提升5%，審批通過率提升5%，業績提升8%」。
從業務常識上你需要去了解用戶轉化，知道它會涉及的流程點。對於提到的「轉化率」、「通過率」、「業績提升」其實分別歸屬「註冊 -> 申請」、「進件 -> 審核」、「確認借款 -> 發標金額」，再結合歷史數據有一個對比。而從營銷效果的評估來看，僅僅上述三個指標是不具備說服力的，至少要關心「費用率」是否達標。
同時，你不可能連「費用率」、「獲客成本」、「業績金額」，甚至是「申請人數」、「進件人數」和「審批人數」這些指標，完全不知道它們背後的數據計算邏輯嘛。
在此基礎之上，你才有數據感去初步判斷數據的真實性和合理性。這樣才有可能去解讀所謂的「5%」，重新還原畫面感去認識它！
而這整個分析過程中不可避免會涉及一些數據分析方法，以及將「營銷效果評估」的問題進行分解。有了清晰的分析思路和分析方法才有可能去找到問題的本質，而不是只看到表象。
最後一點，如果你沒有一定的工程能力，你在面對大規模複雜數據時，你將會心有餘而力不足。就像分析用戶行為路徑去確定最佳營銷環節時，你根本清洗不出來幾十個G的用戶行為數據，更別提業務場景建模。
當然，要徹底把「數據分析思維」說通透並非是一件容易的事，只有意會，很難言傳。在如今人人都談大數據的時代，只有拋開浮躁，靜下心去洞察數據才有機會去培養自己的「數據分析思維」。如果你都沒用耐心去面對又髒又亂的數據，那你又如何有底氣解讀數據，頂多是了解幾個核心指標而已。