什么是数据分析师最重要的技能？应该是比任何人都懂业务。

这句话在职场中已经被说了很多遍，包括一些数据科学家也经常在公开场合说要做到高于业务视角，因为管理层确实都是通过公司的数据来进行决策判断的。

数据分析师日常提供的月报是公司管理层决策的重要依据，提供什么数据、从什么角度来阐述都非常关键，要根据客观事实进行专业性指导。

业务方不能做数据分析工作，因为业务方在分析数据的时候可以从某个对自己有利的视角进行阐述，可能会有失偏颇。

关于什么叫高于业务视角，有人认为这是一个伪命题，业务人员每天都在和业务打交道，你能做到比业务人员还懂业务？

而基于这样一种理解，会延伸出另外一个很现实的问题：职场中是否需要真正的数据分析师？

在分析方法上，一些入门的分析方法业务人员也可以快速学会；

在工具上， 当前的BI数据处理和查看工具越来越自动化，做周报、日报都没问题，AI本身的门槛也在不断降低，况且很多数据分析师并不需要接触AI；

对于专题分析报告， 其本身就是一个低频动作，并且在落地时也容易被挑战。

这是很多数据分析师在公司内影响力不大，

职业发展中感到困惑的重要原因，觉得很容易到“天花板”。

实际上，数据分析师应该是集业务、工具、方法、模型于一体的商业导向性人才，而这里面首要的就是懂业务。

怎么判断自己懂业务？

这里给出三个标准来帮助判断！

先举一个例子。

笔者之前在一家金融公司工作时，每周都要写周报，有非常 多的数据要处理，每次都要花大量的时间去完成这项工作。

有一次在被一名实习生问到周报里面的专有名词含义和计算口径时，笔者却很难用简单的语言解释清楚。

笔者也专门去请教了其他同事，结果发现大家讲的都不是特别清楚。

这件事对笔者的影响非常大。

笔者发现：大家平时都太忙了，忙到没有时间去思考很多东西的本质，就是为了做事而做事。

这么多年过去了，依然发现周边很多人对自身负责的业务缺乏深度思考。比如，你负责一个产品，能不能保证当你和任何一个客户介绍产品方案时，对方提出的任何合理问题，你都能从专业角度给出答案。

这是一种意识，而意识的培养需要靠自驱力。

在笔者看来，懂业务的数据分析师需要满足如下三个标准。

（1）能够讲清楚业务的含义、流程和价值。

语言是思维延伸的疆界，这句话笔者是比较认同的。能不能讲清楚一件事， 可以判断是否很好地理解了某件事。这和表达能力是两回事，一旦想清楚了，就能够很好地解释清楚。

以活动运营这个业务为例，数据分析师在和活动运营经理沟通的时候，除被动接受需求外，还应该主动思考活动运营的流程和价值。在活动前、活动中、活动后业务方要做哪些事，随之分析师要做哪些事，如图1所示。

图1　业务方和数据分析师在活动运营中要做的事

以数据分析师的视角为例，在活动运营中需要做如下工作。

活动前：每一次活动都要有预设目标，否则花钱谁不会呢！而目标建立是强依赖于数据分析师的，但是很多公司根本就没有数据分析师。

活动中：数据分析师要观察每天的数据波动，及时根据数据表现调整策略，让活动效果最大化。

活动后：一般公司的数据分析师都是在这个时候参与的，但也只是单纯地提供一篇分析报告，可能还要延后2~3周的时间。其实已经很延迟了，要尽快地对活动进行复盘，未必需要大而全。更加重要的是，要对不同活动 的效果进行对比，哪些好、为什么好，这些都是分析重点，下一次做活动时就能够提供“炮弹”支持。

可以看出一个简简单单的活动，数据分析师的参与感是非常强的，每家公司都有大大小小的活动，通过这种持续的分析，数据分析师能够在活动运营中成长为专家，这才叫懂业务。

（2）熟悉业务顶层目标及子目标拆解，并通过数据来判断业务的健康度。

一般面试数据分析师的时候都会问业务目标和数据，比如留存率提升多少、 如何提升，看该数据分析师有没有这种最基本的数据意识。

笔者面试过很多人， 这部分回答得并不好，比如笔者一般问应聘者这个业务的大目标和小目标分别是什么、你在这里面起什么作用、通过什么数据来判断业务的健康度。

还是以活动运营为例，数据分析师要知道活动的大目标，同时要清楚地知道业务方是如何完成这个大目标的。

有些公司的数据分析师沦为单纯的提数机器， 简单又痛苦，就是因为在目标这件事上做得不好，都是被动接受，没有主动思考。

如果活动运营人员都没有想清楚目标，那么数据分析师就要帮助业务方去做好这件事。

以春节拉新活动为例，大目标是带来100万名新增用户，针对该大目标，业务方准备通过自有渠道合作和外部渠道推广来完成，如图2所示。

图2　完成春节拉新活动的渠道和方式

在自有渠道合作中，通过与数据分析师探讨，得出以下结论。

微信公众号粉丝有100万人，此次春节拉新目标转化率为30%，可带来30 万名新增粉丝。

抖音官方号粉丝有75万人，此次拉新目标转化率为20%，可带来15万名新 增粉丝。

其他矩阵产品用户有300万人，此次拉新目标转化率为5%，可带来15万名新增粉丝。

在外部渠道推广中，通过与数据分析师探讨，得出以下结论。

信息流广告推广预算40万元，可带来30万名新增粉丝。

视频广告插入预算20万元，可带来10万名新增粉丝。

可以看到，整体大目标的完成是经过逻辑性评估的。活动正式上线后，就可以根据数据表现来看哪里做得好，哪里做得不好，反推其中的逻辑，然后在下一 次活动时进行改进。

（3）结合前面两点做横向及纵向发散性思考。

工作经验丰富的人或头脑灵活的人能够很快掌握前面两点，但数据分析师要想有自己的核心竞争力，就要有一些自己的东西，因为前面两点业务方也很清楚。

数据分析师要能够基于前面两点，发散性思考一些其他需要解决的问题。还是以活动运营为例，可能会有以下思考。

常见的活动类型有哪些？衡量指标有什么差异？

活动运营都是靠激励的，常见的激励手段有哪些？一般效果怎么样？行业内做得比较好的是哪些企业？

如何去评估活动的短期效果和长期效果？

活动都需要投入，如何有效计算自身的ROI（投资回报率）？

如何提升活动策划、设计、开发、测试、数据整套运营效率？

一旦静下心来去想这件事，就会发现有很多没有解决的问题，这个时候是最有意思的，所谓的工作中不轻易设置边界就是这样，所有的无用最后都变成有用。以如何评估活动短期效果和长期效果为例，需要解决的问题非常多，如图3所示。

图3　活动效果综合评估举例

短期效果： 做活动立马起到的效果就是短期效果。比如，带来了用户数和 交易额的增长、品牌宣传指数翻倍等。一般数据分析师对活动进行分析都 是把重点放在这个层面。

长期效果： 活动带来的这些用户后面的表现怎么样、品牌后续有没有得 到进一步推广、本次活动对后续活动设计有哪些启发等，这些都是长期效 果。在笔者看来，长期效果才是活动的宏观价值所在，不要在意一城一池 的得失，而是要从全局角度去看活动运营这件事。

ROI计算： 活动都是要投入成本的，也比较好计算，比如发了多少优惠 券、被使用了多少。难点是带来的收入，比如一个新增用户或活跃用户价 值如何量化。这些都需要数据分析师去考虑。可以看出，懂业务绝不是简 单地和业务方沟通，需要数据分析师投入巨大的精力去琢磨业务本身，只 有这样，在每次和业务方沟通时，才能提出创造性的建议，也才会获得业 务方更多的信任。每次对外交流都是一次点对点的价值感知，通过多次的 互动最终就形成了个人名片。

本文节选自《数据分析原理：6步解决业务分析难题》一书，六大步骤系统解决业务分析问题，欢迎阅读本书了解更多相关内容！

京东满100减50，快快扫码抢购吧！