没发现和分析师配合错了，用对方法业务才增长
最近发现读者们对如何与分析师配合比较困惑，特别是产品和运营如何划分与分析师工作边界会非常的困惑，当然也包括高级管理者不知道分析师工作内容，工作价值以及对于如何招募分析师很苦恼，我尝试去总结了一下分析师的价值和成长路径，以及配合方式希望对读者们有帮助。
一、我们先说什么是数据驱动？
这样会影响到分析师和我们工作界定，所以我们再次聊一下什么是数据驱动。
你去查阅各种百科都会有权威的解释，我自己理解的数据驱动，可以看看他的对立面，就我觉得，数据驱动的对立面肯定不是非数据驱动，就是人类自古以来从结绳计数开始都是数据驱动的，大部分时间是没有没有过完全无数据驱动的。只是一代代人总是变地更加利用数据利用更多的数据来做分析，我们今天沟通的数据驱动，肯定不是20年前互联网没有普及时的数据驱动，
我们专门从公司的视角找了两个对立面，讲下什么不是数据驱动？
第一个是过去的企业经营，他们会通过事实去做经营动作，不好的结果发生了，我们看到了，再去修改和纠正。这个迭代周期可能数月，也可能半年到一年，但是数据驱动追求的是更快的，更早的发现问题。我们从经营和运营中发现一些端倪，从业务过程中发现一些问题，就快速地做决策，让业务结果和经营收益变好，而不是事实上情况发生了才去做调整。
这种数据驱动的对立面是长期周期，大的，显著事实，这些已经不再是我们决策的事实依据了。
还有一种我们叫拍脑袋，就大家当然想更早的去发现一些端倪，然后在更多元的范围内找到结论。
当然想综合不同层面上的信息去做综合决策，往往是依赖人的综合判断，这种各种主观的概念信息被糅合在一起，再加上一些经验去做决策，它的相关性的判断其实是非量化的。这个其实也有很多问题，特别是当过程错综复杂，然后迭代周期变得非常快的时候，经验不可靠的时候，单纯依靠业务人员拍脑袋的驱动也变得没有效率了。
所以今天我们这个时代这么强调数据驱动。
二、数据分析人员如何与业务分工配合
大部分的数据分析就是它的组织形式。以沟通效率导向为这种分工依据。也就是说我们的团队分工都是对齐业务方的，通常大的互联网公司针对每个部门都会分配分析师，比如我的业务方是两个决策实体，那我这边的分析师也让他就是两个小组分别跟他们对接。
它可能会带来一定的问题，就是有时候大家会做相同技能的事儿，甚至有的时候大家会去回答同一个问题，为了确保沟通效率最优，这个代价是必须要付出的。组织怎么分工都有它的优劣势，也不存在完美的切分方法，或者两者兼得的策略，更多是考虑你这个分工能否支持你的业务，让你的部门效率最大化，这样的分工有利于各个环节侧重各个业务方的需求沟通。
三、分析师的核心价值是什么
首先分析能力是一个人的基础能力，所以说并不是说数据科学家和商业分析师才有分析能力，业务方也是有分析能力的，他不像你会不会写SQL，写SQL不是人人都会的。但是没有人不会分析，特别是就任何一个业务单元上的业务决策者们，没有哪个决策者不会分析。
所以分析不是一个作为岗位职能很好的边界的描述，它是一个人的基本能力，有人强有人弱。所以我们说分析师是做分析的，这个当然不是错误的，但是用来描述一个岗位有点欠缺，它不够清晰。
今天讲我们做数据分析是在做什么？是在做各个业务单元决策者的决策支持，因为分析师的存在，使得这些决策者们能得到的信息广度更广了。然后在利用不同信息的时候，它的方法更恰当更合适了。然后可能碰到一些组织间的这个需要拉通，或者说需要去协调的时候，就是它的视角更多元了，就因为分析师的支持，决策者的决策效率会变得更高。
当然可能这个决策者是一群人，没关系，这就是我们为什么要做这种综合性的决策支持。
四、数据驱动与商业模式匹配的模型
通常传统消费领域，它也会用到数据包含业务和财务数据，就是经典的4P理论，渠道，价格，产品，用户，这四个要素就是这么组织起来的，这么一个闭环，通过这个闭环来提升消费者的市场渗透，增加营收，像苹果这样的公司都是比较新的IT企业，但是他们都是按照这种传统的消费者市场方法论来构建它的分析方法，它迭代的速度明显是慢的，当然这和他们的业务特点有很大的关系。
五、增长黑客模型
这个模型就是硅谷的增长黑客，的一般组织形式是一个好的业务框架下面，通过流量分割，然后做快速迭代，最大的优点就在于快，而且各个业务单元是分而治之的，它对商科知识，对市场的认知要求就不太高了，因为分割后的环境已经封闭了，你可以在一个很小的范围内就快速回答下一轮迭代的方向是什么，它对人的综合能力要求其实稍微还降了一些，因此人才门槛就低了。
但是这个模型也是有坏处的，第一个坏处就是它其实不那么普遍适用，它对于流量分割，其实要求挺高的，比如抖音和facebook 包括Instagram都比较适合这个方法，核心还是看你的一侧需求是否会影响到另外一侧变化，比如滴滴就会出现你发单后供给侧的车辆少了。电商和视频类我们可以粗略看上去供给是无限大的，且不受需求端影响。复杂的双边业务，因为流量不可分割，很多我们看到的所谓的AB测试，其实它跟硅谷纯流量型企业的AB测试的业务含义还不太一样。
第二个缺点是你一旦陷入到这种路径依赖里面去，去追求这种快速迭代，依赖这个业务框架以后，你对大的市场变革就没有那么敏感了。就比如说Tik Tok进入美国，其实它已经打了个样给facebook看了，就比较大的流量，有人已经做了一个示范的情况下，抄袭它的产品复制速度还比较慢。
这个其实就是就是对于大的市场变革，这些做快速迭代做实验决策的人，他没有那么敏锐。这种大的变革，其实发生都是毁灭性的，但是通常增长黑客并不回答这种问题，比如你想从经营结构上去调整业务，想去延伸上下游的业务，因为拆分到足够小的闭环，从业务聚焦和组织动员上，局部迭代的组织恰恰容易忽略这些问题，或者无法以这些维度作为业务抓手去做一些事情。
对一些新的市场机会如果出现的话，我们不能完全靠实验，最简单的来说，实验室在回答你网内的用户，就是已经在你网内的用户，他们做的选择是什么，那么潜在用户，在对手那边的用户，就是未来可能会进入这个领域的这个相关用户，他们怎么想？实验是不知道的，这是增长黑客的优缺点。
六、行为度量模型
以阿里和很多新的小的零售企业为代表的，所谓的新零售，他们比较关注用行为测量，也就是流量选择去替代用户画像，就是行为测量，当然这种方式在产品经理和运营层面存在争论，我自己阅读到的很多书籍还是鼓励产品经理去做用户画像，产品经理去访谈用户或者看用户评论就是在收集用户画像。
那什么叫就是心理测量？心理测量就是你这个人财富水平怎么样，然后你有没有什么样的偏好，然后你就有一些基本属性，你是男的女的,年龄多大，就通过人的画像去预测你的行为，就是各种产品的识别性和可能会做什么样的选择。它其实在迭代节奏上面肯定也是慢的。
但是大量的流量行为去度量关键业务成为了可能。阿里的这种新方式。我可能不知道你偏好什么，但是我知道你在面对每一种流量选择的时候，你有多大的概率会选什么，或者说我不是针对你这个人，我只是对这个流量来源，这个流量来源的人碰到这个流量阶段，他就会做什么样的选择。
这种方式非常适合去研究一些细分市场，比如说口红这种市场原本七到十名的品牌，其实过去都是没有经营效率的，有可能三大品牌，五大品牌就覆盖整个市场，因为信息的通道就这么大，你想去做小众品牌的消费者的研究，它的效率都非常低，但今天有了这个行为测量，有了线下信息跟流量的互动，你会发现很多领域的这种小品牌都开始经营起来了。
这个说明新品牌的经营者们在探索一条新路，这条路非常普世，可以进入很多很多的细分领域，而且它在线下信息跟流量选择结合的过程中很有效率。
七、业务度量模型
这种模式是普适性特别高的一种，核心就是通过将业务转化为指标和可以度量的数据参数，通过量化的方法管理企业业务和经营策略，预测企业的数据变化情况，并且能够度量每次运营人员大的经营动作的影响，这是最常用的一类模型，我们称之为业务度量模型。
这三种模式不是独立的，可以交替使用，但是有一些业务使用起来有难度，比如你的业务用户线上的交互行为比较少，就是我们想要获得用户更多的流量表达时的选择是先天不足的。
其次就是对于用户侧和供给侧会相互影响的业务，它的使用会限制比较多，因为你对用户侧做的策略，会反过来影响你的供给侧。甚至没有办法把这个对市场的研究和对产品的创新，把它分开进行。
很难说我先回答市场要什么好，比如市场要确定性高，要服务的响应时间短。但我去做到这一点的代价极大，可能会要牺牲抽佣，或者牺牲实际的感知，就是整个体系是牵一发而动全身的，我很难把它在顶层架构层面上，就把它拆到各个领域分别去各自完成各自的既定目标，所有的目标在实验的过程中都可能依赖其他的资源。
正是因为这种不纯粹，最后决定了我没有办法把自己的这个运作模式变成一个纯粹的实验驱动的模式，也不能就是强依赖于消费者的反馈，跟他反复的迭代去研究各个细分市场。
我甚至不敢说，做一个早期分工，供给侧要怎么样，需求侧要怎么样，交易撮合今年要提升几个点，然后定价的效率，智能补贴今年要提升多少，年初分工完以后，年底再check这个目标，这样都不行，因为所有的东西都交织在一起，这些东西决定了我们想实现这个商业效率的提升，推动商业模式变革只有一条路可选，就是要去做这种综合性的决策支持
这就要求我们的团队能力，其实就是要综合来看，你要能看得懂市场，能看得懂对手，然后你还要能看得懂这个解决方案过程的抓手。
八、分析师的职责
分析师要做综合性的决策支持，那很多团队肯定不是先天就具备这个能力。所以有几个大的转变。也是分析师通常具备的价值。
第一个转变是在就是目标对齐上面，整个团队也要对一个业务过程负责变成对业务负责，就是在组织内你也可以关注业务结果，而不是说有人告诉业务方要去取数，或者有业务方说要看板，或者说数据要准，或者说有人告诉你，现在得把某两个数据打通，因为这个不是对于最终业务负责，就是对一个工程过程负责。
这样的话。你其实没有参与到决策里面，就是分析师价值最大的转变，首先在于更多的是一个决策的辅助者，是一个决策的分析师，然后才是一个数据分析师。数据是我实现决策支持的众多的方式方法工具之一。角色上说完从承接需求到辅助决策后，我们说下分析师的三大职责：
1. 第一，帮助业务方建立观察
分析师需要对他的上下游，竞争对手，市场和自己的演进过程有一个全貌的认识，这里面所需要的必备的信息都得具备，无论它是来自于线上，还是来自于线下的，或者说来自于友邻团队用户，或者说其他运营团队的信息收集，就是这个建立观察的职责。
比如说像供应商的舆情就潜伏在100多个供应商的群里面，就去听供应商在说什么，觉得哪些是重要的信息，就在内网，就是在内部系统里面验证是不是真的，如果是真的，我们立刻举手告诉业务方，这个事情要关注，有供应商在比较我们和竞品，我们不好在哪，然后我们验证了内部数据可能是真的，它不是来自于现场数据的，也没有复杂的工程过程，但是这是我们的职责，因为要建立观察。
2. 第二个职责就是要评估有限的资源怎么分配
各个业务团队，他们谁做得好，谁做得不好，他们各自决定了之前的演进迭代的方向到底对不对，要不要转弯，要不要在这个方向上叫停，这个必须要做一个抉择，而且这个过程得是科学的，得在一个相对收敛的环境里面去回答这些问题。这个数量在哪里？这跟建立观察是不一样的，建立观察更多的是向外看，要多层面多角度去看业务，评估分配资源重要的是什么？要看自己有限的资源到底怎么分。
3. 第三类是对于开放性的决策问题
要做这种开放性的回答，也就是我们的分析专题，这个是分析师的职责。把分析师的职责变成了一个业务职责，一定程度上是我业务方的情报体系，当然不是他所有的情报体系，一定程度上是我的业务方的参谋体系，那也不是所有的参谋体系。但是因为今天全球化，今天互联网带来的现代化，使得我们这一部分的情报体系和参谋体系的分量比以前要重了很多。
九、对于分析是职责的误区
就是分析师既要讲方法，也要讲判断，我们经常看到以前业界有一些争论，认为作为一个数据分析师，你要不要去做业务重要不重要，机会大不大，市场价值有没有判断。
如果你去做这些判断，就有人指责你，说你不专业，说你做运营的事儿，这个观点我不太同意，分析师本身就是辅助经营决策，分析就是要结合决策场景，具体业务去判断展开。如果不结合业务判断的话，就没有办法在这个决策过程上跟这个业务方对齐，就是因为作为一种资源，决策支持它的资源也是非常有限的，有大量的就是业务方向，有大量的市场动态，有大量的竞品的可能的动向。
其实他都他都会就发散到无数可以讲的故事，你如果追求去讲一个好听的故事，有意思的故事，你可以讲出无数的故事来。
你想说我要去做拆解是吧？想去拆解，寻找主要的影响因素，主要的异动就可以可以找到无数的异动，因为拆解方法千千万，但是到底什么东西应该成为重点，应该是跟目标是拉齐的，然后跟可能的抓手是能够贴近的。这些分析应该优先化资源去开展。就那就要有判断。
十、分析师长线分析类型
最重要的就是回答是否有新市场，或者是否有新的空间可以开拓，比如新的市场如何开拓，或者新的细分市场如何开拓这个是分析师要回答的长线问题。
第二个需要回答的是当前的竞争环境，我所处在的位置，我当前的经营到底健康不健康，我们是不是一个最佳状态，要不要调整？就常见的问题我发现我的竞争的现状不太好，但是它有可能是一个单点问题导致的，也可能是就是整个交易市场导致的。
如果是一个单点问题导致的，比如说今天我们发现，供给侧的拉新转化率不够，那我们让拉新团队解决就行了。但如果这个问题是竞争对手成交确定性和定价的一个平衡点跟我们不一样，因为这个平衡点的不一样，我们在竞争过程中是吃亏的，但这个问题不是某一个单一团队能解决的，这时候必须要由决策支持团队的把这个问题上升，由更高级组织来协调解决。
第三类是要提升经营效率，就是怎么样通过产业的进步和品牌对这种心智的固化创造毛利提供更多的空间。这是第二点，就需要讲方法，要讲一个判断。我不认可分析师不能用运营的思考方式来思考问题。第三类就是所有的决策都是在一个已有的信息空间内完成的，所有的实验迭代，它的这个迭代结果也都是在一个已有的信息空间里面完成的。
十一、分析师要围绕业务命题做定性分析
刚才讲了商业分析师要针对业务建立观察体系，我们这里稍微展开一点，就是分析师的职责转变，建立观察成为评估的守护者，动态的分析能力，我们还要做一件事儿，就是从方法层面把这个观察体系和评估体系分开。什么叫观察体系和评估体系分开？
就我们经常会看到有些数据报表，把每周的OKR的进展以周的方式同步出来，要不就是邮件同步，其实目的是想通过每周刷新一下这个OKR的进展，让大家知道，业务现状怎么样。你是不是有一些新的异动要去要去回答，但是有问题的。
这个相当于用评估的方法来实现观察。因为你做评估的时候，你可以聚焦OKR然后聚焦这个团队之间的差异。但是做观察的时候，其实它的方式方法应该是多层面多角度，就比如说你的上游影响你的业务团队，他们的一些业务动向，你要掌握市场的变化，各个细分市场的变化，然后竞争对手的动向你要掌握，这个才是建立观察。
我们要求所有的分析输出，不管你有没有明确地写出来，那你必须要非常清晰的就知道自己在回答什么样的业务问题。比如决策周报，邮件周报，业务日报导读。它的共性在于其实就不管你是一个多简或者多复杂的报表，其实你在回答什么问题，这个必须要是非常清晰的，而且是得在定性层面上回答这个问题。
就比如说日报导读就尽管就今天没有任何问题，那你必须要明确的说出来，经过排查没有问题，所有的指标是平稳的，今日没有任何问题，这是一个判断，就是有这个判断在，我们今天基于这个数据做的所有的决啊，就有的这种就是异常的观察，其实都是在一个有效的范围内完成的。
当然有问题的话，也好明确出来是哪里有问题，不管是一个业务问题还是数据异动，都要明确写出来。
我其实不太赞成，就是所有的分析都必须要落地到抓手，因为这个是很难的。就是一个好的分析，它确实往往可以落地到抓手，但是反过来说，不能落地到抓手的是不是就是不好的分析？这个其实不一定，特别是在越复杂的问题越高阶的决策支持过程中，一个分析，暂时不能支持到落地动作其实是非常正常的。
我要求比较严格的是分析师必须要永远知道在回答什么，不能是罗列一堆一堆数据，但是说我不清楚我正在回答什么问题，只是这很重要，我觉得大家可能就是要看，我觉得不放是不妥的，这个不行。你如果如果不清楚在回答什么问题的话，那你就不要放。
就是你如果真的认为它很重要，你一定要搞清楚它重要在哪，它在回答什么问题，然后按照定性的业务问题这个脉络来组织你要呈现的数据，最好就是有这种倾向性的判断，就是直接把它写出来，就哪怕这个判断是我暂时不能做最终的结论，这也是一个判断，要围绕定性的业务命题来展开回答。
我们就是要求以终为始，就我定义场景不是为了解决场景的有问题，我希望场景能回答哪些人群的层级是不同的，哪些消费层级是不同的，哪些场景对某种体验的诉求倾向性是不同的。
比如说分析师要能告诉我这个场景，用户对性价比有更高的要求，还是说你对便宜有更高的要求，就是如果这个场景回答不了这种倾向性，并且不能回答这个消费者的这种分层。那这个场景对我来讲是没有意义的。就在最早罗列需要收集定义的场景的这个阶段就已经去做了，做了这个预判，我要的场景必须能回答这三个问题。
十二、分析师的进阶之路
我发现就是依赖某种统计学技能，或者说依赖某种流程，或者依赖就是我们的这个中立监督身份，想去做好决策支持是不够的，核心战略承载，不能是技能流程或者说是独立的被考核或者说监督的身份。核心战略的承载，依靠人才的吸引和培养。我们需要对解决方案全过程有理解能力，有一定的判断力，然后对目标和市场有理解力和有一定的判断力的综合性的人才。
特别是对分析师的选拔上商业理解能力是一种更为稀缺的能力。当然这并不是说数据获取能力不重要，只是它没有商业理解重要。但是数据分析师基础还是要能够拿到数据。
就如果讲专业化分工，看起来好像分析师很不专业，但其实相对服务的业务方来讲，分析师最大的专业其实就是提供信息的广度，就分散和广度是分析师相对业务方最大的专业职责，就因为分析师提供的广度，为我服务的业务方，他在决策的时候，不会因为缺失一些信息，错误地利用一些信息，就可能会降低决策水平。
因为想具备这种全面对商业的理解能力，其实对观念和对能力都有很高的要求，这些要求如果没有在招募阶段就解决的话，后面的解决的成本会非常巨大。所以招聘非常重要。就既具备商科的这方面的素质和潜力，也具备这种解决方案的过程的这种理解力和掌控力，就具备这种双方面的素质的人才是稀缺的。这也是最需要的。
十三、分析师通常的进阶路线
1. 初级分析师
在做分析的时候能够注重于表述现象，而不是跟我读数据。你得跟我讲，现在供需是平衡的，成交率是80%，你不能过来只跟我讲成交率80%，因为这里面差距差别很大，这里面包含有没有一个具体的判断，就是你跟我讲供需没有异常，这里面其实包含很多很多信息，然后你后面追一句成交率是80%，其实只是给了我一个辅助的刻度，告诉我平衡点在哪。
如果你光是告诉我这个成交率是多少，那么等我做分析，如果我是业务方，你出了个题考我目前成交率80%，他是不是好的，这是不是平衡的，放在当前的竞争环境里面是不是好的。作为业务方我会很痛苦。等于你没有看清业务。
2. 中级分析师
要求是要能够综合权衡你对业务方的目标，决策过程和抓手都得有理解，所以在分析的时候选择千千万，可以拆解的维度千千万，你得有选择，做哪些分析是能服务目标的，做哪些分析是能有实施方案的，这些分析要优先做。凡是没什么用的，就是除非精力有富裕，或者说就是有一些其他的输入，那就要减少投入，要取舍，因为对过程的了解，对目标的了解，有取舍的能力这是对中级分析师的要求。
3. 中高级分析师
要求在商业层面上，跟业务方能够意见一致，和业务方对于业务的认知深度是一致的，这种商科知识要足够对市场，对对手，对增长，对财务的基本概念都得有。并且对于什么问题是重要问题，什么问题是不具备可行性的，也有一些基本的判断，免得完全在聚焦趋势上跟自己业务对不齐。
4. 高级分析师
要具备深刻的洞察，这种深刻能够确保关键的业务方在做某些关键决策的时候，必须要把你叫过来，因为你具备这个某一方面的深刻，我不跟你讨论一下，我觉得不放心，就真正的成为这种第一团队的成员，而不是说你可以帮我管20个分析师。
你可以组建一个商业分析团队，而是说你是我第一团队的人，我的核心决策必要有你在，也不是说有一个统计学问题，我不懂，你帮我把把关，那这种第一团队的成员就含金量还不够高，要具备某种深刻。
就我在用观念和认识能力来牵引大家，某种程度上我淡化了系统性思考和执行方面的管理能力，当然这两方面也很重要，特别是对很多工作来讲，有系统化思考能力，就是基本上决定一个人段位的基础的。
就是我一定程度上淡化了对这两方面的牵引，当然就是公司的职级要求会讲那个scope，就是你的责任边界和你服务的业务方是不是重要，能不能打通多个领域，但是那个可能是一个结果，当你做到关键水平足够高，然后并且事实能运作好一个团队，决策知识那些东西也自然会拿到。
我其实做了一个取舍，这种认识层面上的对齐，是最难攻克的，就是对于做好分析来讲，可能也是决定性的，这是我们怎么牵引人，培养人的，就重在关键层面的提升。
十四、不同数据驱动模式分析师要求
就是如果作为一个产品经理或者公司的业务方，想跟数据分析师合作的比较好，要注意什么，其实最重要的就是数据驱动就是它到底有哪些成功的实践，然后就是在什么样的情况下应该配置什么样的资源，其实是有泾渭分明的好几种模式，上面我们也讲了一下数据驱动的模式，我们下面想家这些模式对应的分析师画像。
1. 硅谷模式的分析师
如果你的产品是非常适合用实验迭代的方式去追求一个快，你的业务框架是比较完善的，比较可靠的。那这时候你所需要采取的模式可能就是硅谷这种增长黑客的模式，在这种情况下，数据团队可以为你提供的支持，是通过比较专业的方法来实现。
就是说小样本精确地回答迭代方向，你不需要太多的数据量，在一个很局部的空间里面，在很短的时间里面就可以回答，他可以回答哪些方案是更好的，还是需要修正的，其实就是快。
这时候对数据团队的要求就是你得找一些实验设计，对埋点的规范性流程控制很有经验，同时在统计方法上面就有掌握的比较全面的分析师。再有就是他在这个中立性上，个人诚信，中立性也是比较好的，就可以做到。你需要的分析师就是这个类型，这个其实在业界中资源其实还是比较多的，你首先就是做如果做这种选择的话，你需要的是相对比较偏技能的偏专业的，然后对固有流程就掌握得比较好的人。
2. 行为度量模式的分析师
这种模式是做这种用户研究，做这种流量研究，就像我说的，当我想进入一个细分领域，我现在有一个口红叫宫墙红，故宫口红，这个口红可能是个小众品牌，但是我想把它经营好，就我得不断的去试什么样的slogan，什么样的花色是我的用户最喜欢的，然后还要结合一下线下的判断。
这种模式就是流量选择的解读，实际上很大程度上是由行业专家来完成的，如果放在互联网公司，更多的是由业务方或者产品经理完成这种功能替代或者业务调整的。
数据分析师就是对流量的存在和流量的监控，分析师能够完成技能性的工作，但是对每一种流量变化的解读，它是需要有这种口红的行业知识的人去完成这种解读和下一轮迭代的。就这时候就要求就是双方的配合必须特别的亲密无间，而且对这个对流量的利用其实更多的主动权在行业专家这边，分析师所需要做的事情可能就是一个特别好的特别自动化的流量看板，然后不断的让行业专家利用数据做启发性分析，进而去调整业务策略来和用户互动。
3. 第三种模式的分析师
就是所谓的就是在美团可能叫商业分析，就帮助大领导拉齐各个业务团队的目标，并且追踪进度，一定程度上有的时候会去帮助预测目标。
那这个时候其实分析师对商科知识，对沟通，对所谓的就是经济模型，就是不是单位经济模型，就商业的经济模型这方面能力都比较强的，对这些方面的要求会很高，最好是读过MBA的就是或者说学过商科相关专业的同学，他能够帮助大老板去合理的预估目标，并且沟通下来这些目标，能够理解公司的业务和经营策略。
这时候其实你要的人才实际上是偏商科的，而且相对来说可能会比较偏沟通，有的时候会借助算法，但这时候借助算法倒不是说对技能本身有多高的要求，是需要一个中立方出来说服大家，以科学为名消除争议。这种类型就是需要这种比较综合的决策支持。其实一定程度上决策者本身就跑不掉的。
在第三种模式中还存在了一种分析师，或者我们不能叫他分析师，就是通过业务数据看清帮公司去做上市的时候数据的提供的。
这类人群当然首先是要看清公司的经营数据和业务数据，但是最重要的是寻找某种逻辑或者业务的关联度，能够通过当前的数据支持自己的观点，与商业分析师不同的点在于，商业分析师更多是基于数据来看，或者推导对于业务观点结论。
这种分析师更多是基于结果目标，要做多少的估值，我要去做这样的论证。所以他的画像更偏向于咨询公司或者投资公司或者行业研究公司去寻找。他需要对估值逻辑有很深入的理解，同时能理解业务，有商科背景，也能解读数据建立当前业务数据和目标估值的论证关系。
所以首先想用好数据分析师要分模式，就自己是用哪种商业模式来运作自己的团队，你希望的高效是哪一种？高效这个最重要。
十五、从分析师段位角度看如何配合
其实大体上分析师可以分成就是几种段位，就从下往上都是有各种明显的不足的，配合的方法也不尽相同：
就第一种是数据获取能力强，但是商业分析能力弱的，技能很全面，就是作为业务方你所要的信息，你只要能够说得非常明白我要什么，然后它是能够从技能层面上获得信息来源的，就是技术准确性上能够给你保证的。
但是它的缺点就在于，他不见得能够从商业层面上去领会你的问题，你得说得非常明白，我要什么，并且我想从哪个角度来看，跟谁比出现什么样的迹象才是好，什么是不好，就必须要把这个方向，参照系，这个度量和这个判断依据讲得非常清楚，才能够就是做非常好的配合。就是就是可能比较初级或者说特别偏技能的同学，就是所需要的这种合作方式。
然后再往上一层会有这种见识特别广的。他自己对商业问题会有感受能力的。同时它也有一些其他领域的方式方法能够拿出来给你做参考的。那这种时候就需要在目标层面上，在趋势逻辑层面上，在解决方案层面上多做沟通的。这个是可以有一些交流和效率提升机会的。
更好的就是说决策过程中就能参与进来的分析师，就是你对于目标的探讨和这个方案的探讨的过程中，可能有一些潜在的信息来源，本身就可以影响这个方向性的决策，那可以在前期就引入进来。
所以分模式，分能力水平，去具体问题具体看待，怎么合作这个是最重要的。一般情况下，大家对于自己在哪种模式里面认识是比较清楚的，但是一般情况下，大家也得不到特别高阶的分析师的直接服务，所以往往就需要找到合适的人，并且把参照系和衡量标准讲得特别清楚，才能够就是有比较高的合作效率。这里面稍有稍有差池就可能会变成尽管各自都在独立输出，但是对于决策的知识效果会差。
十六、哪些沟通和任务分析师认为有价值
第一条就是当你不断的去讲我概念层面上的目标，就是我定性的目标是什么？
比如说我今天做一个业务叫酒店预订，就我定性的目标到底是什么？到底是我想为这个细分市场打开一条通路，还是说我要看到下个层级的市场是什么，原来的偏快捷酒店的用户开始用我的产品，就我等于独立于原有的大盘，有一些非原有细分市场的用户进来。
还是说我希望通过商旅酒店服务好原有的用户，让整体的均价向下探10%，相对于我的竞争对手构建一个竞争力，还是说我就专门打这个商务出行的高峰期，因为我酒店不够，我就通过提升供给的方式，把我们的高峰期体验提升上去。
当然也可能是三者兼而有之了，就是在定性的层面上讲商业目标，这个是分析师最爱听的，因为这对于他去判断自己在分析过程中怎么取舍，他去判断自己应该去怎么帮对方建立上游观察，他去帮助对方怎么做评估，这个都是非常有意义的输入。
同时就是说要去共同确认这个信息的边界，就这个目标，那我们可以在多大的范围内去谈怎么做好这个目标？比如说我我现在要做商务酒店预订，我选择了要去做高峰期的运营效率的提升。那么有哪几条路径呢？
我是要从工程这个角度去不断把工程效率做高，还是要去跟一些酒店供应链合作，在高峰期期间做切换，就到底有哪几条路径是有可能去探索的，这几条路径就各自需要的信息边界到底有多大，这个都是他们爱听的。
然后第二条是就讲决策思路，就是怎么分轻重缓急，其实每一个团队都是有分轻重缓急的，这个套路是不一样的，背后也就是决策思路是不一样的。
有些团队做决策的时候，他其实非常偏抓手就是但凡是不可行的东西，你跟我讨论再多也没用，就是咱们做产品最烦的就是绝对不可行的东西，你没完没了的跟他跟我讲他商业意义，就是我再跟你讲可行不可行，你再跟我讲这东西价值有多大，或者说我我在跟你讲这里面具体有一个难点是需要资源来克服，你反复跟我强调，这个项目是高层已经决策了，就在不同的层面上讨论。
就每一个团队有自己分轻重缓急的不同的方式，就是典型的就是从可行性角度出发，优先从可行性角度出发，优先从存量资源的角度出发，优先从商业目标的重要性的角度来出发，以及优先从这个就是协调配合的角度来出发，就是讲决策思路，我们业务方式如何分轻重缓急的，这个对分析师也非常有意义。
十七、哪些事情是分析师认为没有价值，不爱听的需求
分析师最不爱听的就是我不管，我要的就是一个准确的数据，就是要的是关于这几个问题的数据，我不管怎么去弄准确的数据，它必须是准的。
这个有些情况下就还好，但有些情况下就确实搞不定。因为一旦边界过大，哪怕是想仅仅把数据搞准都是极其困难的。不可能有无限的资源，也不可能在不明风险的情况下，就把所有的风险在一个线上数据源里面就把它收敛了。这个是分析师比较害怕，不喜欢听的。
第二个不喜欢听的就是你能不能再再找找，为什么我这个新的特性没有收益，你能不能再观察一下其他方向？就我们原本是打算从这两个结果指标来评估，但是没看到。那你能不能看看其他指标呢？我们再找找，说不定我这个迭代是有价值的，就是我们做实验的时候，实际上会碰到这样就是这个观察指标不好，想在更大的范围内找收益，这个是不爱听的。
在做目标预测的时候，有些事是有历史规律的，是可以预测的，有些问题就没有历史规律，就是很难预测的，分析师最不爱听的是什么？你能不能再去从统计这方面找找方法，看看能不能给我估一个准确的估值。
就有些估不准。就确实是估不准，不是说你优化统计的方法去就能排除干扰，就能对一些没有历史，没有历史样本的东西做估算的。这个是比较难办的，就是一旦一个事情超越了它的模式，可能提供决策的能力，其实你通过说我再深入研究研究，再花点儿时间，或者说再去找找其他方法都是解不了的，或者说很难解。
第三种就是说我认为数据不够，你要给我建立更多观察维度，就是完全脱离了业务和定性的目标来聊数据，应该是说我觉得当前的数据在什么程度下，我无法作出决策判断，或者说你可以做判断的依据是什么，而不是说我脱离了业务不断的要求分析师给出更多的分析维度。这个也是分析师不喜欢的。
作者：阿润，公众号：阿润的增长研习社（ID：arungrowth365）
本文作者 @阿润的增长研习社 。
版权声明
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！
