分析师操盘手「不是好的数据分析师」

今天给大家普及一下分析师操盘手「不是好的数据分析师」相关知识，最近很多在问分析师操盘手「不是好的数据分析师」，希望能帮助到您。

编辑导语：一名分析师的日常业务是什么？这个问题的提出，其实是帮助分析师进一步了解自身的业务情况，以及所应解决的核心事务、所达成的核心目标是什么，进而找到数据价值。本篇文章里，作者就分析师所应做的事项做了梳理，不妨一看。

分析师日常做什么？关于这个问题，我听过许多吐槽。

A业务线处于0-1阶段，数据基建约等于0，每天忙于做报表 给ETL提需求，觉得自己仿佛是个数据产品，不产生任何分析价值；B对接的技术十分不靠谱，每天不是打点错就是传参错，业务要看数，只能分析师手写sql逻辑兜底；C身处大厂成熟业务，数据基建完善且数据准确度高，但又觉得工作日常就是帮运营完成需求。

这么听下来，BI工作似乎挺坑，每天出数据、对数据、出报表、看数据，到特定时间点又是周报、月报，整体工作十分琐碎。

年底述职时，销售可以说与xx客户签订年框直接带来收入，产品可以说上线xx模块提升用户体验，算法可以说迭代xx模型带来xx%GMV增长，工程可以说攻克xx技术难题系统平响减少xx毫秒，BI可以说什么呢？难道辛苦一年，到头只能说上线报表xx张、完成月报12次、周报52次？

因此今天主要想谈谈分析师日常做什么、工作模式是什么，并由此引出BI在业务中创造的价值是什么，也可以看作一篇工具人爬坑指南。

一、经营分析：让业务更清晰

各岗位每日到岗首先做什么？产品组织各方对齐进度、工程开晨会分配任务、算法看前一天实验效果，BI则应该打开报表看昨日大盘情况。

日粒度关注核心指标日环比、周同比涨跌是否在正常波动范围内，涨跌由哪些指标带来，大致原因是什么，需要额外分析还是持续观察。

做完以上步骤后，就能对业务线核心指标的短期表现有较清晰的认知。有条件的同学甚至可以在中午和下班前再次关注实时数据，对今天业务核心指标是否有异常做预判。

每周特定时间点（通常周初or周末）需要对业务做周总结，主要关注周环比、周同比（相比上月）、周同比（相比去年同期）、月MTD完成率以及月MTD同比情况。

在日粒度中持续观察的现象，到了周粒度已经可以形成趋势性结论，如果确认为问题，需要尽早启动专题分析。

另外周粒度的数据与结论需要定期与业务的KeyPerson沟通，形式可以是周报、聊天文字、线下沟通等，核心目的是让关键人员了解到核心指标的趋势及原因，以及明确表达分析师结论和建议。

分析师通常通过月报来对业务进行月度review。通常业务关键目标都以月绝对值或年同比为为单位（例如销售额月均xx万、GMV同比增长xx%、DAU在x月前达到xx万），在月报中主要关注业绩完成情况：

好还是不好；好or不好的动因是什么；动因是否可持续；有无其他风险or机会点。

好还是不好依据【商业目标】判断，这与KPI达成率可能有差异。

举个栗子，广告部门本月目标为消耗年同比 40%，以下3种情况均视作完成不好：

1） 37%，未完成显然不达标。

2) 43%，超预期同样不达标，盈利能力较强的上市公司会对收入增幅做严谨规划，以保证收入涨幅长期符合市场预期，单月超预期增长会拉高市场预期，增加公司持续满足市场预期难度。

3） 40%，但牺牲了业务健康度（例如扩广告坑位、骗点击损害C端体验以及广告主ROI）。

在月度review中，还应关注业务关键策略的有效性，如重点营销活动效果复盘、流量策略效果分析等等。月报的汇报沟通层级比周粒度更高，不仅包含业务的KeyPerson，还可能包含BU核心人员甚至CXO。

有时候甚至还有业务季度、半年度、年度的review。

日粒度看短期波动、周粒度看中短期趋势、月粒度看业绩完成度、健康度及策略有效性。这些工作的目的是分析经营成果，因此统称为经营分析。

通过分析师团队持之以恒的经营分析，整个业务发展趋势、核心有效策略、面临的风险、与其他业务相互影响等等经营命题，及其过去、现状、未来，都通过数据、报告、报表甚至日常沟通等形式，形成具象、网状、完整的业务检测体系，使得CXO、1号位、策略制定者等核心人员才能以综观的视角自顶向下清晰地“看见”业务。

二、业务重点项目及专题分析：让决策更高效

如果把做业务比作打仗，各时间粒度的经营分析活动就是堆沙盘。依据沙盘，结合战略目标，才能确定有效战术，对应到商业/业务中则是一个又一个的项目。

一个典型的项目按执行前、中、后可以分为问题定义阶段、解决方案阶段、解决过程执行阶段、效果分析阶段、事后review阶段。BI在各个阶段均可发挥数据与分析的作用，使得决策更有效、稳健。

下面以一个（wo）假（bian）设（de）的潜力新品冷启案例来说明。

背景：通过日常经营分析，发现新品流量占比年同比大幅下降；同时新品上架数量以及新品质量并无明显下降；原因今年相对去年，由于算法迭代排序公式中历史销量权重上升，流量环境对新品更加不友好。因此考虑对优质的新品适当通过加权提升流量。

问题定义阶段：是不是问题。是不是问题从商业目标角度判断，这里简化为GMV。长期来看新品无法起量会影响站内商品丰富度，进而影响到长期GMV，因此问题成立。

解决方案阶段：

1）优质商品圈定：BI可以通过历史数据对优质商品进行特征分析，如圈定当前高转化、高质量的商品在新品阶段的流量数据表现、店铺特征、商详页特征等；依据历史优质商品特征，可以由BI或数据开发直接圈定新品，或将新品特征提供给算法用模型进行最终判定。

2）是否有类目差异：新品能否顺利起量对各个行业意义不同，例如对女装的影响显然大于清洁纸品行业；新品加权大概率会影响短期GMV（GMV短期换长期），因此对不同类目可以考虑采取不同策略，降低短期损失。在这个过程中，BI依然可以通过历史数据对类目进行划分。

3）加权方案：在简单算法流量场景，可以尝试定坑或者在定坑基础上叠加简单业务规则（例如人群、类目）；但在复杂流量场景依然建议把工作交给算法。

解决过程执行阶段：灰度阶段主要涉及实验效果观测。在这个例子中主要关心优质新品的流量涨幅是否符合方案设计预期，以及整体场景流量、成交涨跌。灰度效果评估是C端及流量端相关业务BI的重要工作，这里具体不做展开。

效果分析阶段：全量上线并不意味所有工作结束；策略运行一段时间后，需要持续关注新品整体流量占比，优质新品能否顺利起量，以确保最原始的业务问题真正得到解决。

在某些情况下，问题解决方案强依赖BI结论，可以作为专题分析，输出更完备的分析结论。

三、基础数据及数据产品

为保证经营分析、重点项目与专题分析效率，BI日常往往会花部分时间在基础数据和数据产品方面。这部分工作主要与ETL、数据产品进行配合，同时也会与引擎端、前端就打点进行沟通。

经营分析指标体系依托商业目标与业务逻辑，往往相对稳定，至少几个月才会变化，因此形成固定的表、模板、数据产品能大量节省时间。此外，与ETL紧密配合产出的业务中间层数据，也能大幅提升数据获取效率以及准确度。

如果说经营分析、重点项目分析、专题分析是BI做业务所需要的剑，那么数据基础及数据产品则是铸剑的工具。

四、非志无以成学

前文的标题借用了大厂BI部门的slogan，可以清晰概括出BI的核心价值：让业务清晰、让决策更高效。经营分析、业务重点项目分析、专题分析、数据基础与产品这几大块共同构成了BI的日常工作。

此外，更重要的是具有清晰的目标：从业务中来，到业务中去，工作目的是解商业问题而非做数据本身。非学无以广才，非志无以成学，这实际是一个递进关系——要先坚定意志志向，才能保证自己会去学习，学习实践了，才有广博的才学，诸葛亮巧妙地把两句话颠倒更近一步强调了“志”的重要性。

周报、月报不应是机械地复制粘贴数据，而应该是主动回答业务好还是不好，好的动因，识别风险、寻求机会点，并积极做好结论沟通；数据需求交付不应是数据表格本身，而应该是业务问题的分析结论、建议。

再回过头看开篇，优秀分析师的年终总结可以一定高度概括为通过xxx的分析，提出xx建议，业务依据建议落地后整体核心指标提升xx%。业务有问题，分析师解决了问题，大团圆结局。

优秀的BI可以比业务更懂业务，因为BI通过经营分析框架具有更综观的业务视角，同时岗位特性赋予BI更客观的立场；优秀的分析师是业务数据的商业解码器，会思考的是人不是数据；数据分析师应当发挥“军师”的作用”，为主公和将领建言献策，开疆扩土。

作者：Arwen的异想世界，互联网电商大厂6.5年BI经验；公众号：Arwen的异想世界

本文由 @Arwen的异想世界 原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自 Unsplash，基于CC0协议。