1、序言

在很多公司，“用數據說話”已經是個共識。在這個前提下，很多產品團隊都設了專門的數據分析崗，我本人就是某商業廣告產品團隊的專職數據分析師。在工作中，經常能感受到這樣的疑問：PM、老板也花了很多時間看數據，那么專職的數據分析師看數據的方法跟其他人有什么不同？專職數據分析工作的價值在哪里？數據分析工作真的能回答業務提出的問題，指導業務發展嗎？數據分析的工作邊界在哪里？

2、專職的數據分析工作，跟PM和老板看數據是不一樣的

2.1 數據分析之前，關注的工作重點不同

其實關注重點不同，本質上是由分工不同造成的，所謂屁股決定腦袋。

舉個例子：好比有一個賣場，采購部挑選銷量好的貨品，商品部定價，門店銷售員想辦法搞活動拉來更多的客戶。但是有一個人會觀察，現在對整個超市來說，哪些地方還有增加收入的機會。現在是東西不夠賣了，還是客戶不夠多了，還是貨品的安排不利于客戶選購，導致人來了但是東西沒賣掉。這個角色在企業里通常是老板，在業務相對復雜的時候，就出現了專職的數據分析工作人員。

在互聯網公司里，商業產品會關注使用場景、交互方式、產品帶來的價值、產品定價；平臺產品會關注信息流、數據流、平臺產品邏輯是否能有效支撐業務正常進行。數據分析師則需要通盤考慮，繪制業務全貌，與團隊一起驗證和指引業務前進的方向。例如流量是否到天花板了，廣告夠么，空間在哪里，有更好的賣法么，是否定價不合理。

當然，對于思維活躍的產品經理群體來說，每個人都在放眼觀察市場、觀察業務，但由于時間、精力、資源是有限的，個人能看到的東西都是有局限的。在業務足夠復雜，團隊足夠成熟的條件下，工種相應也會足夠細分。每個人都需要恪盡職守，從自己的角度出發，去揣摩工作無形的邊界，才能達到資源產出的最大化。

2.2 做數據分析時，分析的目的不同

產品經理看的數據一般來說會比較有深度，老板關注的更多是一個問題的答案，而數據分析師一般會著眼于廣度、數據完整性、邏輯完整性。

舉個例子：團隊打算在移動流量上開發一款新的產品。產品經理會去看點擊分布數據，加上自己的思考、判斷、猜測，去揣摩某一類流量，用戶想要的到底是什么。老板會去問，這款產品能拿到多少流量，帶來多少收入。數據分析師則會立刻準備一個指標邏輯表，用來說明這款產品從流量到收入，業務鏈條上的關鍵點可以用什么指標來說明，請團隊估值后與公司內其他成熟產品、市場上的類似產品去做對比，用來評估效果、預期產出。

2.3 數據分析完成后，保存使用數據的方法不同

對于產品經理和部門管理者，數據使用完后就等于一個問題已經得到了答案，推導過程可以退場了。但數據分析師的工作還有一部分就在于數據呈現，因此會思考數據知識沉淀方面的工作，以便后續能更方便的獲取到某類數據。

3、數據分析工作的價值

曾經有同事問過我一個很尖銳的問題：為什么老板能用你的數據回答某個業務問題，做出一個判斷，你有這么多數據，卻告訴我不能判斷？是不是在害怕背責任？

我的理解是：老板通過自己的知識結構、信息收集，可能已經完成了一個98塊的拼圖，看到我的數據后，感覺最后2塊終于齊了，所以就做出了一個判斷。但是顯然我是不可能用現有的2塊拼圖去回答一個問題的，這不是怕背責任，是怕不負責任。

那數據分析能不能回答一個業務問題呢？能，但是需要和業務一起去看，如果要回答這個問題，關鍵的邏輯路徑在哪里，然后致力于獲取準確的數據，理清嚴密的邏輯，給出合理的論點和論證。

舉個例子，如果希望用數據回答：“客戶在購買產品時，是否有同時購買abc產品的偏好？如果是，可以向購買a產品的客戶推薦bc，從而擴大銷量”。看起來很美好，但很有可能同時購買abc是銷售內部不成文的規定。產品設計、產品運營、銷售運營、售出，中間是有很長的業務環境的。單憑數據，是無法得出深入的結論的。

數據分析工作的價值就在于把數據的意義揭示出來，形成團隊共識和知識積累，讓大家坐在一起的時候，把時間用在對業務的討論上，形成越來越多對業務的insight，揣摩業務的邊界，把自己手里的拼圖盡可能拼完整。

4、數據分析工作的邊界

數據分析師應與業務方一起討論，哪些指標最能反映業務的真實情況，數據的獲取方式會不會導致某種偏差，然后把工作重點放在梳理、揭示數據之間的關系上：通過數據表現及合理對比發現問題和機會，包括同部門不同指標的對比、不同部門相同指標的對比，跟市場和行業類似指標的對比等。

最容易越界的地方就是，數據分析師單方面決定業務應該如何評定，以及得出后續產品優化的解決方案。