【每天一个数据分析师】面对毫无基础的业务人员，好的分析师解释逻辑，而不是细节

谢宇：从高中信息学竞赛开始，就对计算机解题感兴趣了；大学做过数学建模竞赛，同样是利用解决问题。工作以后做中国移动的经营分析系统，也就是俗称商业智能。信息学和数学建模竞赛分别是使用Pascal和Matlab，这跟工作以后使用的SQL有很大不同，SQL思维适应了一段时间。

第一次做数据挖掘项目是非常机缘巧合。当时数据挖掘项目已经启动，然而项目上会数据挖掘的同事离职了，领导说你做过类似的竞赛，来做数据挖掘吧，没办法，只好硬着头皮上。项目大概是找一些lookalike用户，向其推荐产品。当时看了几篇相关论文，另外把clementine的demo也重复看了几遍，就把项目做了。几年后回头再看，许多地方做得不到位的。没办法，当时数据挖掘人才真的难找（当然现在也难找）。另外推荐初学者用clementine进行数据挖掘学习，这是个简单易学的工具。

谢宇：这个问题很大，我从自己理解的角度回答，不甚完善。

尽管数据挖掘早在2000年（甚至更早）就已经被引入国内了，但是大范围使用的时间不算长，这跟数据存储/运算能力，人才培养情况，市场接受度等因素相关。特别从2013年，也就是俗称的“大数据元年”开始，更多的公司使用了数据挖掘，阿里成立蚂蚁金服，依托他们庞大的交易数据，做了不少应用，做信用，做风控等等，马云也提出DT战略。百度也推出他们基于DeepLearning的许多应用，比如BaiduEye，魔图等等。

但实际数据要应用起来，链条非常长，因为这涉及到：业务——抽象成模型——数据准备和探索——建模调参——给出相应的业务解释等。上面说到的流程仅仅是数据建模的部分，更别说整个产品或者营销案涉及到的用户心理层面、流程嵌入和界面开发等环节了。所以说数据应用非常复杂。但是可以肯定的是，数据应用将在各方面都普及起来，这就需要大量的数据分析师去支撑。

谢宇：实际应用中，最常碰到的就是业务人员/产品经理需求不明确。不少未经训练过的业务人员，他们的需求非常多，但是又无法理清这其中的关系。在需求沟通中，提问和追问非常有必要。你要多问他为什么要这么做？通常他告诉你的原因会比较浅，这时候你必须继续追问，直到他回答不上来或者你觉得解释了本质的原因为止。另一个问题就是业务人员不了解数据挖掘/大数据能做什么，他们会告诉你应该如何比较两个群体的均值，如何看某个指标的趋势，但你知道这些可以用决策树、神经网络解决，用数据挖掘的方法解决会更准确易懂。

例如需求人员想了解持双卡双待手机的客户有哪些，这些客户是否更容易从一个运营商迁移到另一个运营商。那么我们要考虑的是两个问题，但业务人员通常会说，你帮我用均值比较双卡双待手机用户和非双卡双待手机用户的均值，看看哪个用户群离网的人更多。业务人员这么跟你说是很难让人理解的，这时候你就得抽丝剥茧，通过提问的方式，了解他想干吗，分解成不同的子目标。所以你看抛开专门调算法做算法的人不谈，那是极少数人，学习机器学习算法只是工作中很小的一部分，现在很多软件例如R、python、rapidminer都有现成的包，更多的工作量还在于业务理解和抽象成数学模型上，再加上上面提到的营销心理或者是界面设计（针对营销产品/营销案或者软件产品），整个链条非常长。

这时候你要问了，那我只做好算法行不行，答案是不行的。也许在有些公司是可以的，做做算法就糊弄过去了，合同签了交付完，不用考虑落地。但这肯定不是长久之计。对分析师来说也太简单，生搬硬套算法，毫无使用价值。实际应用中要考虑的东西太多。

谢宇：工作中最困难的从来不是来自于技术，而是来自于业务抽象成技术，技术再还原到业务，抽象和还原的两个过程。这两个过程做不好，项目直接走样。技术还原到业务做得不好，业务人员压根不用你的模型。

例如以前，一次跟业务人员讲决策树原理，为什么要用决策树，他立马听不懂，因为他不知道什么叫树的根节点、叶子节点、什么叫信息熵，这些对他统统都是陌生词汇。结果讲解直接被打断，开始教育我了，说你用我的方法，把他们分类好，把每一类的样本的交叉检验（其实是想说直方图）画出来，然后做比较等等。后来吃一堑长一智，再跟业务人员讨论的时候，你不能说这个东西是计算信息增益度算出来的，你得说计算机它通过计算，选择了最合适的指标来做分类，所以放在了最靠近最开始分类节点，这样能够最大效率的去分好类别。

当你面对毫无基础的业务人员，不要想着把每个细节、原理都解释清楚，你的目标是首先确保自己模型逻辑没有问题，然后让业务人员点头，这要用通俗的语言把推理过程描述清楚，业务人员会理解这个逻辑，理解好逻辑，那么细节数学上，计算机实现上怎么做，就是你的责任了。好的分析师会解释逻辑，而不是解释数据处理细节。

谢宇：要看数据分析人才的定义是什么。到招聘网站上搜“数据分析”，会发现用人单位有基础阶需求，例如要求大专生，会excel录入数据，写写vlookup做关联，这类薪酬相对肯定低一些。那高的，金字塔顶部的，高得就没谱了，年薪100~200w的都有，一般由猎头来搞定了。如果讨论总体情况，那必然是向好的。我在知乎上看过一篇文章有句话印象很深刻：即使人类历史重来无数遍，都可以肯定，毕达哥拉斯定理（勾股定理）都会早于航天技术的出现。人类在收集越来越多的数据，数据分析会产生更多的价值。数据越来越多，不雇佣分析师，怎么才能搞清楚数据之间的关系，从而用于业务的展开和流程的优化呢，所以分析师岗位会越来越多。那么问题来了，越来越多的岗位是否会带来薪酬的下降。在供大于求的情况下，这种情况应该会很明显，但是在求远远大于供的情况下，暂时还是不会出现这种情况。那么有人会问，真到了那时候怎么办？骚年，不断提升自己的技能水平，缩短劳动时间，创造更多超额剩余价值，才是王道啊。我相信优秀的分析师必然会有的一个性质是：对问题保持强烈的好奇心。

谢宇：每个岗位要求不一样。通用点就是逻辑性强、很强的自我驱动和学习能力。

单就数据分析技能而言有：数据挖掘、数据可视化、数学建模、多维分析。而这里面又有很多细分的知识点，特别是数学建模，非常有用，但对功力要求挺高的。数据挖掘的话，只考虑常用的那些算法，则易学易用，通用性强。

谢宇：知乎上收到过不少这样的提问。我认为最重要的是一定要做项目，能找到一个有经验的人愿意带，那真是再幸运不过。我的观点是数据分析很多可以复制的，但经验这个东西，实在宝贵，不做项目，无法凭空变出来，而现在有经验的人太少了，不少数据分析师还处于套模型的阶段，并没有深刻理解与业务人员交流的重要性。车品觉（阿里巴巴集团副总裁、数据委员会会长）也说鼓励分析人员跟业务人员多泡在一起，就是这个道理。

另外自己看书很好，有老师快速带入门也是一种选择。

谢宇：书不在多在精：

• 《决战大数据》车品觉——数据分析方法论，内涵丰富的数据分析管理经验

• 《数据挖掘技术:应用于市场营销、销售与客户关系管理》林那夫 (Gordon S.Linoff) (作者), 贝里 (Michael J.A.Berry) (作者), 巢文涵 (译者)——有技术也有方法论，写得很好很全，实用性非常强。（不过译本有些语句不通顺，是原版导致的，用词方面，大家凑合着看~，相信收获一定匪浅。）

谢宇：邮箱：life4data@sina.com。

（End）

来源：人大经济论坛

1、回复“数据分析师”查看数据分析师系列文章

2、回复“案例”查看大数据案例系列文章

3、回复“征信”查看相关征信的系列文章

4、回复“可视化”查看可视化专题系列文章

5、回复“SPPS”查看SPSS系列文章

6、回复“答案”查看hadoop面试题题目及答案

7、回复“爱情”查看大数据与爱情的故事

8、回复“笑话”查看大数据系列笑话

9、回复“大数据1、大数据2、大数据3、大数据4”查看大数据历史机遇连载

原文始发于微信公众号（PPV课数据科学社区）：【每天一个数据分析师】面对毫无基础的业务人员，好的分析师解释逻辑，而不是细节