如何避免自嗨型的数据分析？你必知的三大法则

身为数据分析师的你，有没有经历过这样的苦恼？

写了那么多页PPT没人耐心看？
提了那么多的数据后却没有然后？
业务部门觉得你拿着高薪没干啥活（O(∩_∩)O哈哈~） … …

是的，数据分析师们拉了很多数据、画了很多图、建了很多模型，但是，并没有传说中的数据驱动业务，或许连装饰业务都谈不上？

这是不是有点令人绝望？

本文主要从源头角度帮助数据工作者合理判断识别需求，并通过需求+沟通+落地三大法则，帮助数据人员发挥数据在企业中的价值，少走弯路。

关键词：数据需求、基本要素、落地法则

为什么自嗨？

还记得你的分析报告怎么出来的吗？领导的灵感一现？套用各种挖掘算法的结果？业务部门随口一提的延伸？等等。

不管是哪种，不管是谁提的，让我们一起来想想，你分析的需求站的住脚吗？是伪需求还是真实需求？为什么会有此需求？最关键的是这个需求是数据能够解决的吗？
如何避免自嗨型的数据分析？你必知的三大法则

1、需求的主要来源

老大的敏锐眼光：这还用说么
其他部门提出：业务、产品、运营、市场等
业界在做的：BAT的做法，可归纳到前2项
自驱动：不干活，那怎么行

2、需求三大基本要素数据需求的分析和判断是一个综合判断过程，简单来说应当具备三大基本元素：

第一元素：现有的需求，是能够用数据去解决的，这样数据才有用武之力！
第二元素：现有的需求，必须要有支持分析、解决的基础数据来源，不管是内部的还是外部的，否则就相当于无源之水，无本之木，只能作罢。所以企业“养数据”很关键。
第三元素：现有的需求，用数据的手段解决后可以提取有效的、可执行的落地方案，否则只能是绣花枕头，看看而已。

当然除了这些还有其他的，比如这个需求是否紧急、投入产比如何、当下是否有足够的资源支撑等等。

如何避免自嗨型的数据分析？你必知的三大法则

如何避免自嗨？

独乐乐不如众乐乐，大家利益绑定、战线统一岂不是更好？（其实操作起来也是有一定难度，但是态度要摆正）

三大法则：需求+沟通+落地

1、需求分析：洞察本质

可以使用场景还原法则：数据需求什么？具体问题是什么样的？需要解决这个问题的是谁？什么情况下会需要？业务逻辑是什么？目的是什么？——需要注意的是，这里要深入分析需求提出者深层次的目的，洞察根本需求才能找出更合理的对策。

举个栗子：有个用户说想吃火锅，可是，他真的是嘴馋想吃火锅吗？周围可能没有火锅店。其实他可能是饿了，如果当时你能快速给他个包子，不仅能满足其根本需求，还更节省成本。

需求判断的过程，每个人都有一套自己的方法，适合自己、适合当下即可，多问几个为什么会有帮助

2、沟通为先：抱团取暖

数据分析的结果或者说数据的结果最终是要应用到业务中去，那么寻求业务部门的支持就尤为重要，如果需求直接来自于业务部门就更好了。这样有2个好处：一是能更好的知道数据的应用场景，提供更佳的解决方案；二是能真正落地使用，避免纸上谈兵。

不管是耍酷、卖萌还是秀肌肉，搞好关系很重要，想想产品汪们吧，分析狮也是一样

3、落地应用：是骡子是马拉出来溜溜

分析要有落地方案：数据很多，结果也很多，不同的人有不同的领悟和业务解读，但是，数据的重要性不在于量有多大、算法有多重要，而在于接地气，能创造价值。

你说数据很有指导价值，**指标上升了**%，SOWHAT？！

你说你的分析结果很棒，那告诉我，接下来，该怎么做？！

分析要有检验和迭代：数据分析的结果存在一定的概率性、偶然性，而现实业务比较复杂，两者发生的情况未必一致，所以分析结果要有检验标准，做的好与不好要有量化、可衡量的指标。同时，在实际应用过程中，要跟踪、改进、迭代。这个过程同产品迭代过程。后面有时间会重点说。

避免使用过于专业的术语，使用业务人员或外行人员能理解的沟通方式和语言会提高效率如何避免自嗨型的数据分析？你必知的三大法则

其实企业中的真实数据分析远比想象中复杂，在一定情况也并非需要多么高大上、多么复杂的模型。因此，对于数据分析工作者来说，如何根据现实情况，判断、引领需求，快速创造价值就显得尤为重要。这在一定程度上对数据工作者的综合能力较高，一句话概括为：用产品的思维做数据，用解决方案的思维做数据。我们不相信高精尖、我们相信最终结果。

希望本文对正在为数据价值困惑的朋友有所启发。