编辑导读：这几年，随着数字化进程的加快，越来越多的企业开始重视数据分析。但是，很多领导都是外行人，指导工作的时候难免会期望值过高，让数据分析师特别头疼。本文作者基于自身工作经验，对这个话题提出了自己的一点看法，与你分享。

做数据的同学们，最怕被人喷：“你做的没有用！”

十个“你做的没有用”，至少七个和期望值过高有关。

特别是越不懂数据原理的人，对数据的期望值越高。

悲剧就是这么来的。怎么破？今天系统讲解。

问题场景：

某零售企业开始互联网转型，已上线微商城，并配套建设CDP，对微信端用户信息有一点采集（仅限于用户ID+购物行为+七零八落的互动行为）。现在负责微商城的领导找到数据分析师，表示：我们啥都有了，就差一个高深莫测的分析了，希望你能做出有价值的用户画像模型来提升业务。

问题1：听了以下五位领导的发言，你觉得他们“不懂数据”的程度排序是……

• A：我们啥都有了，就差一个高级建模了
• B：你要做人工智能大数据分析下用户画像模型
• C：我们日常的商城报表来来回回就那几个数，也看不出来啥
• D：微商城的留存效果不好，用户复购低，得分析下问题
• E：比如，买过护肤品的用户，可以看她多久能复购一次

一、什么算不懂数据

拜各路网络文章、网络课程所赐，现在一提起数据，新人们满脑子都是：excel，sql，python，tableau，hadoop，spark，sklearn，tensorflow，那么既然这五位领导一行代码都不会写，那么答案就应该是：A=B=C=D=E=0咯，只有我才是精通数据的大神……

或者还有些新人认为：模型最牛逼，那肯定提模型的领导最牛逼了。所以是B≥A≥D≥C≥E，领导都说了要大数据人工智能用户画像模型了，看我不模他个天翻地覆！

大错特错！

生产数据是数据部门的事，但应用数据是每个部门的事，甚至很多资深的业务，要比每天跑数的表哥更懂数据的含义和用处。所以从一开始，就不能拿技术能力去要求业务部门，而是得看这些人懂不懂如何用数据。

应用数据最大的瓶颈，当然不是建模，而是采集数据。没有好的数据质量，一切分析建模都是扯淡。而数据质量又和业务流程、建设时间、投入力度息息相关。如果业务方总急着上马新功能，不认真做埋点，不认真清理数据，那数据就是一坨屎。

一大坨屎也很大，但是它还是屎，变不成米饭，这是基础常识。没有数据，无法分析，这也是常识。

因此不要听业务方吹什么“我的数据很大，都在那了”，他如果不了解到底手头有什么数据，说的分析思路基本都是屁话。

所以真正能考察业务方到底懂多少数据的，是看他对已采集的字段了解多少，他对数据指标关注多少，对数据指标背后的问题思考多少。

• 了解字段的≥了解指标的
• 了解指标的≥了解数据问题的
• 了解数据问题的≥了解业务问题的
• 了解业务问题的≥“就差一个用户画像模型了”
• 所以这一题的真在答案是：E≥D≥C≥B≥A

如果你面对的领导/客户/同事，对自己的系统到底有什么字段，什么指标毫不清楚，却很希望你建立用户画像，精准预测模型，那可得小心了！这跟指望你炼救命仙丹没啥区别。

就比如本场景里，虽然名义上是微商城，可真实采集到的数据只有用户ID+交易行为，这跟线下门店的数据没啥区别，稍微复杂一点的模型都建不了，用户特征更是无从谈起。这时候反而E领导提的，基于某些交易行为做预测，还有一定可行性，面对其他几位，降低期望值才是正道。

问题一答完了，来问题二。

问题2：听了以下五位领导的发言，你觉得他们“期望太高”的程度排序是……

• A：要是数据分析做的好，肯定业绩蹭蹭蹭
• B：有了用户画像模型就能精准营销，极大提高用户购买率
• C：至少得分析出来一些，我不知道，但是很重要的问题
• D：用户复购原因，得分析的很深入，搞清楚
• E：先把复购周期算出来看看

估计不思考，也能看出来E的期望值是最低的，那么问题是，ABCD四位的要求算不算高？数据驱动业务，数据就是生产力不是人们都挂在嘴边上的吗？

二、什么算期望太高

首先，数据驱动业务，这句话本身没有错。

但是主语是：老板用数据驱动业务。作为一个用户，你永远不可能为了某个公司的某个程序员敲出来的代码买单，你只会在一个具体的时间、一个具体的地点，以一个具体的价格，买一个具体的商品，满足一种具体的需求。

因此数据想要发挥作用，就得结合宣传渠道，产品配置，价格定位，推广方式，这些需要一个系统化运作，而不是一个程序员敲几行代码。所以，所有指望敲几行代码就能业绩飞涨的行为，都算期望值高，而且是不切实际的高。

其次，没有数据能不能分析问题。

答：能，绝对能。实际上数据是分析问题最缓慢的手段，你还得采集数据，得清理，得存储，得计算。春江水暖鸭先知，在业务一线的人始终能更快速、更细致的感受到问题，并且依据经验、洞察力、测试等手段找到一些答案。

所以，指望数据分析，分析出来业务完全不知道且重要的问题，是非常不现实的。如果真是这样，只能说明公司的业务都是蠢猪，那这些蠢猪采集回来的数据自然也不能信咯。

再次，数据能分析出多少原因？

答：主观类原因都几乎分析不出来。本身人的行为和内心想法就不太一致，经常有口是心非或者欲扬先抑一类做法，目前数据无法记录人内心，只通过行为反推很有缺陷。其次，用户行为经常分散在各个平台，单一平台记录数据不全，因此除了投诉、退货、参与团购、登记缺货、付款预约这种指向性明显行为外，其他行为也很难指向某个内心想法。所以在分析原因的时候，很有可能只能落到某个事件、某个行为上，真正的原因很难得出来。

所以综上，本体答案是A≥B≥C≥D≥E。同学们可以简单记住如下难度顺序：

1. 直接提升业绩≥提能提升业绩的建议
2. 提能提升业绩的建议≥精准预测走势
3. 精准预测走势≥深入分析问题原因
4. 深入分析问题原因≥评估问题状况
5. 评估问题状况≥了解现状

业务方提的难度越大，越需要沉住气一步步做，特别是争取到业务部门的参与和支持，把数据融入到业务过程里，才能看到作用。有同学会问：到底怎么实现把数据融入业务过程，关注接地气的陈老师，我们下一篇分享，就还拿用数据分析提升微商城销售业绩为例，看看能怎么做，敬请期待哦。

#专栏作家#

接地气的陈老师，微信公众号：接地气学堂，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。

本文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