Vol 13.0
2022年11月刊
2022年11月總第13期
CONTENTS
壹
一線
終于有人把數據崗的職能、工作內容、知識技能講清楚了
貳
風向
叁
數說
肆
熱點
編 委 會：數據部
主 編：趙凱
版面設計：趙凱
聲明：所有素材均來源于網絡，如有侵權請聯系刪除。
如何完成一份高質量的數據周報or月報
數據分析，如何支持決策
數字化轉型，需要什么樣人才體系？
終于有人把數據崗的職能、工作
內容、知識技能講清楚了
□ 來源：知乎 作者：好好的分析師
□ 鏈接：//zhuanlan.zhihu.com/p/418104163
“數據崗的職能是什么？核心價值是什么？工作內容有什么？每部分的知識和技能如何獲取？”
壹
一線
“‘數據崗的職能是什么（做什么工作）？（對公司）貢獻了什么樣的價值？’是一件非常重要的母題”我說時來不及思索，但思索之后，還是這樣說。
因為一旦思考清楚這個母題，對個人而言，就可以回答個人成長與職業規劃的問題；對組織而言，就可以回答能力發展與組織建設的問題。為什么這么說？
圖1：個人與組織待解的問題
放假回家，一家人圍著餐桌閑聊。談及工作，我媽問我：“你每天都在公司做些什么呀？”
我竟一時語塞，不是因為不知做了什么事；而是因為我們好像做了各種各樣的事（維護指標體系、做專題分析、建數據表、建設數據產品、等等不一而足），但卻很難簡單明了的告訴我媽“我在做什么？有什么價值？”。
頓時感覺有點沮喪，因為“一件事情如果我沒辦法跟我媽講清楚，說明我自己沒有思考清楚。”。
因為工作的最小單元是一個個的任務。相似的任務聚合在一起，形成了職能；相關的職能組合起來形成了崗位。相關的崗位組合在一起，形成了部門；所有的部門組合在一起，構成了組織。
圖2：知識技能、職能崗位、部門組織之間的關系
PS：這里以職能為主要的顆粒度，是因為：不同的組織由于實際狀況的不同，對于相同名稱的崗位，會設計不同的崗位職能。
“數據分析崗”在目前階段就是一個非常典型的例子，在有些組織，這個崗位會歸屬與獨立的數據部門，而有些組織內它會歸屬于業務部門（產品/營銷/研發/等等）。在有的組織內部，對產品、運營等等崗位有不低的數據能力要求；而在有些組織內，則并非如此。這些現象的本質是不同的崗位設計，不同的職能組合。
而對個人而言，待完成的任務，決定了所需的知識技能；所以弄清楚數據崗的職能，以及自己想要履行的職能，就可以明白自己要掌握哪些知識與技能。即，解決了個人成長的問題。從承擔單一職能，到承擔多個職能（職責擴大化），到職能豐富化，進而到承擔主要的協作職能（管理職能），就是職業規劃與職業發展的一種路徑圖。
而對組織而言，明確哪些是需履行而目前未履行好的數據職能，就能明確能力發展的方向；對職能的重組和對崗位的重組，使得整體的工作更加順滑、高效，就是一定程度上的組織建設。
這也是為什么，有的同學說，在他們公司，數據分析師從不跑SQL；有的同學說，數據分析師要懂數據產品設計；有的同學說，數據分析師要熟悉各類算法；等等。這些同學說的都對，都是實際情況；但這不意味著數據分析師什么都要會，什么都要懂，什么都要做。
一、核心職能：數據崗位的核心職能是什么？
談到數據崗的工作有哪些，大家的腦海里肯定會浮現出特別多的詞：ETL、取數、做報表、專題分析、指標體系。績效管理，不一而足…… 但是究竟什么才是數據崗的核心職能？如何通過一句話總結性地告訴父母，我們在做什么工作呢？
圖3：數據崗的工作事項
“千舉萬變，其道一也。”——《荀子》
現在，我們弄清楚了數據崗的兩個核心職能。那么這兩個核心職能對于組織（企業）而言，有什么樣的價值呢？
好好認為，數據崗的核心職能有兩個：① 產出數據資產；② 提升信息的價值密度。
數據資產：所謂數據資產，是個人/企業所控制的，預期會帶來未來經濟利益的數據資源。這種資源可以是以物理形式存儲，例如文檔資料；也可以是以電子的方式記錄，例如電子文件。
價值密度：所謂價值密度，是指一個數據集預期可帶來的經濟收益，與其數據量的比值。這里的數據集，可以是51字節的一句商業判斷，也可以是3M的數據分析報告，也可能是PB/EP級別的數據庫。
我們不妨一起來檢驗一下這個定義：
圖4：典型數據工作的職能歸屬
圖5：數據職能的價值
這么說稍微有點抽象，這里以問答社區（知乎）為例，簡要說明一下“業務數據化”與“數據業務化”的含義。
大家可以稍微回憶一下：當我們在訪問問答社區（刷知乎）時，都會產生哪些行為？
簡單列舉一下，例如：閱讀、播放、點擊、滑動、跳轉、點贊（雙擊屏幕即刻體驗）等等。這些用戶的行為，都可以歸屬為知乎運營業務中的一部分。
而知乎記錄這些“用戶行為”的過程就是一種“業務的數據化”。但如果僅僅是用一個又一個的分區，記錄這些行為日志，只是產生了數據，而沒有產生價值。
當知乎加工、分析、利用這些數據進行產品設計，對用戶進行信息推送時，就完成了一個“數據業務化”的過程。
圖6：“業務數據化”與“數據業務化”案例示意
二、生產關系：數據職能對于組織而言貢獻了什么價值？
兩個核心職能，對應了組織的兩個核心能力：
“產出數據資產”是一個量化業務的過程，對應著組織“業務數據化”的能力。
“提升信息的價值密度”是一個驅動業務的過程，對應著組織“數據業務化”的能力。
簡而言之，數據職能在組織中貢獻的價值就是：量化業務與驅動業務。
在明確了數據職能在組織中的價值之后，我們最后來回答關于個人職業發展的問題：數據分析如何入門？數據崗需要儲備哪些知識與技能？如何成長？
我們常說，有些事是我們擅長的，有些事是我們熱愛的，有些事是這個世界所需要的。而我們職業發展的目標就是找到這三者的交集。
圖8：職業發展的目標
在上述的例子中，相較于數據業務化，業務數據化好像是一個相較而言比較簡單的能力，涉及的主要工作事項就是數據埋點和落庫。
但實際上“業務數據化”并不簡單。僅僅是一個頁面的PV的統計，就要考慮、是否彈窗、用戶是否切換Tab、是否最小化窗口，等等實際操作場景；最終，可能要經過長時間的多次迭代，才能得到一個較好的埋點標準。
通過“業務數據化”和“數據業務化”，組織可以建立起一個正向的閉環數據流。在這個正循環的過程中，數據越用越多、越用越好。
圖7：閉環數據流
所以：
首先我們要弄清楚組織需要各個崗位做什么工作。在了解工作內容之后，我們就可以對自己是否感興趣做一個初步的判斷。當然很多時候，還需要通過嘗試的方式，去探索自己的興趣。
然后，我們根據工作的內容來補充自己的知識與技能，逐步從入門到精通。
1、數據崗位的工作內容
前文提到， 公司的目標是通過“業務數據化”與“數據業務化”建立起一個正向的、閉環的數據流。
而數據崗的工作內容，抽象而言，就是支撐起整個數據流運轉；具體而言可以分為：生產數據、處理數據和消費數據三大模塊。
下圖簡單示意了，不同崗位在數據流中所處的位置：
圖9：不同崗位在數據流中所處的位置
三、知識技能：各崗位有哪些數據類工作，需要哪些知識技能？
PS：以上僅為示意，不同企業可根據實際狀況進行調整。
因為很多同學，對數據分析師的工作非常感興趣。這里以阿里集團為例，簡單介紹一下中臺數據分析師日常的工作內容。
開拓新的數據源：例如，信息爬取、競對分析等。
產出表資產：例如，在DWD（明細數據層）的基礎上，建立DWM（數據中間層）和DWS（數據服務層）的數據表。
沉淀分析方法論：例如，指標拆解、異常監控、因果推斷等。
搭建與維護指標體系：例如，指標設計、指標體系建設等。
建設與維護數據產品：例如，指標管理系統、數據報表、數據看板、分析引擎等。
關于“臨時取數需求”，好好將其歸屬與“數據產品”這一個工作分類下。這是因為：找分析師跑SQL取數的根本原因，在于數據產品沒有建設好，或是沒有建立起良性的合作機制。進而導致了各方需要“繞道”數據分析師這個“產品”來取數。
輸出商業洞察：如分析報告等。
在阿里巴巴，中臺數據分析師的日常工作中，主要的交付物有6類：
1、開拓新的數據源
2、產出表資產
3、沉淀分析方法論
4、搭建與維護指標體系
5、建設與維護數據產品
6、輸出商業洞察
圖10：數據分析師日常工作中的主要交付物
這里再簡單介紹下其他崗位的工作：
○ 數倉工程師的主要工作包括生產與加工數據。
· 生產數據：比如埋點設計，將業務事實轉化為數據落表等。
· 加工數據：比如數據治理，通過ETL的流程，保證數據的質量。或是數據架構設計，使得數據的存儲、加工、調用等有保障的同時，控制成本與風險等。
○ 算法工程師的主要工作包括加工和消費數據。
· 加工數據：比如用戶打標，通過算法對用戶原始的數據信息進行加工，進而給用戶打上標簽，描述TA現在可能的狀態，或是未來可能發生的行為。
· 消費數據：比如算法推薦，基于用戶的歷史數據，給出推薦。或是時序預測，對未來的業務狀況進行預測，進而作為決策的依據。
○ 用戶研究崗的工作內容涉及到生產和消費數據。
· 生產數據：比如調研問卷、焦點訪談等。
· 消費數據：比如消費者洞察報告、UI設計建議等。
其他崗位，好好在此就不一一列舉說明了，因為不同的公司，對相同崗位也會有不同的職能安排。以上介紹也僅為拋磚引玉，還望有不同看法的同學，不吝賜教。
但方法是可以復用的。當你在開展工作時，可以分析一下，你所在的公司的數據流情況，以及不同的崗位，在整個數據流中承擔的職責與貢獻的價值。
希望以上的介紹，能讓大家對數據崗的日常工作有一個簡要的了解。
2、數據崗所需的知識與技能
就工作內容而言，這中臺數據分析師的工作既涉及到“業務數據化”（開拓數據源、表資產），也涉及“數據業務化”（指標體系、分析方法論、數據產品、商業洞察）。所以說，所需的知識與技能是比較廣域的。
根據這6類工作內容，我們來逐一梳理一下數據分析崗所需的專業知識與技能：
通用的職業技能，如溝通方式與方法、時間管理、預期管理等，好好在此不多贅述。
①、開拓新的數據源
· 知識方面：學習搜索技能、積累公開數據源的路徑、掌握競對分析的方法論。如有余力，可以學習一些用戶研究相關的知識，如調研問卷設計、訪談設計等。
· 技能方面：如有余力，掌握一些初步的爬蟲技能；至少知道什么信息可以通過網頁爬取的方式獲得。
②、產出表資產
· 知識方面：學習基礎的數據庫相關知識。有志于更深入了解數據資產管理的同學，可以看看《大數據之路》、《華為數據之道》等為切入點。
· 技能方面：掌握SQL。在有基礎編程與數據庫知識打底的情況下，可以直接通過牛客的SQL題庫邊練邊學。搜索引擎是一位很好的老師，何況工作之后也大多數時候是面向Google編程。
如果暫時還沒有基礎的編程知識，可以考慮通過北京理工大學，嵩天教授的《Python語言程序設計》入門。學習曲線非常適中。
③、沉淀分析方法論
· 知識方面：需要有一些數學/統計學的基礎知識，并且掌握一些通用的邏輯思維方法，如金字塔原理等。如有余力的，可以學習一些算法模型相關的知識，如回歸、分類、聚類等。
· 技能方面：掌握一些處理數據的工具，如Excel、Python等。
④、搭建指標體系
· 可參考之前的推文《終于有人把數據指標體系講明白了》。
· 當然最重要的，依舊是理解業務。
那么怎么理解“理解業務”這件事呢？
好好也沒有想到一個非常好的形式上的定義。這里好好給一個舉例式的定義：如果你是一個保險從業者，最基本的要求是知道“一張保單是如何流轉的”。如果你是一個電商從業者，最基本的要求是知道“消費者從登陸到交易完成的整個鏈路是怎么樣的”。
⑤、沉淀數據產品
· 知識方面：掌握一定的數據可視化相關的知識，在此推薦電子工業出版社出版的《數據可視化》。對于數據治理相關的知識，可以參照上文提到的《數據中臺》《大數據之路》《華為數據之道》等；如要更加深入的介入數倉建設，可參閱Kimball的《數據倉庫工具箱》
· 技能方面：掌握至少一樣BI看板設計工具，如FineBI等。如有余力可以學習一些產品設計原理，如尼爾森十大可用性原則等。
⑥、輸出商業洞察
· 知識方面：可參照《》。
· 技能方面：掌握一些基本的PPT制作方法，即保證一定的美觀性、又提升工作的效率，最重要的是保證信息傳遞的有效性與高效性。當然，在實際工作中，直接套用模板是非常省事的。
· 數據崗的核心職能：數據崗的核心職能有兩個，第一，產出數據資產；第二， 提升信息的價值密度。
· 數據職能的價值：通過數據量化與驅動業務，幫助組織實現“業務數據化”與“數據業務化”。進而，建立起一個正向的閉環數據流，使得數據越用越多，越用越好。
· 數據分析崗的工作內容：① 開拓新的數據源、② 產出表資產、③ 沉淀分析方法論、④ 搭建與維護指標體系、⑤ 建設與維護數據產品、⑥ 輸出商業洞察。
· 如何積累所需的知識與技能：任務驅動、目標導向。
四、小結一下
貳
風向
如何完成一份高質量的數據
周報or月報
□ 作者：小火龍說數據
□ 鏈接://mp.weixin.qq.com/s/xngUDFxMNYl-aBk2XU31iw
在日常工作中，數據分析經常扮演著“醫生”的角色，無論是產品、運營、策略、市場，都需要定期的數據分析報告，來評估現階段產品的健康度，并且有針對性的制定下階段的策略方向。而周報/月報（以下簡稱為周報），則是最直觀、最通用的方式。
數據周報的目的，根據「匯報內容」和「匯報對象」形成一個面，如下圖：
01 數據周報的目的
橫向 – 匯報內容
度量業務健康度：根據用戶的行為數據，排查日常數據波動的原因，同時度量策略迭代的效果。
探索業務機會：通過近期熱點事件、熱點APP、熱點功能，探索業務可發展的機遇，給予上層及業務方指導性的建議。
例如：近期數字藏品搜索指數上漲明顯，是否有價值？我們要不要做？
縱向 – 匯報對象
在做周報之前，需要知道匯報對象是誰，不同的匯報對象關注的方向是不同的，直接影響內容的側重點。
匯報給高層：關注市場方向，基于數據分析及數據探索來做決策，根據業務價值考慮投入多少資源。
匯報給中層：關注策略方向，基于數據分析制定產品策略，同時評估現有策略的效果。
數據周報匯報內容
當明確了周報的目的后，需要匯報哪些內容？并以何種形式進行展示？便成為數據同學最關心的問題。這里，小火龍分享給大家一種通用的匯報格式，可以參考，但并不局限于這一種。
其中，內容涵蓋：周報摘要、核心數據、下周計劃。
周報摘要
摘要以幾句話描述過去一周的核心內容，能夠讓大家在1-2min內了解全貌。老板一般都比較忙，需要快速了解近期產品現狀、出現了哪些問題、以及作了哪些決策。因此摘要內容需要：重結論、輕數據。
摘要總結上，可以參考「四段式」總結法：定性結論、定量結論、業務原因、影響周期，將結論一句話表述清楚，例如下圖：
核心數據
核心數據模塊，主要涵蓋三個方面：業務概覽內容、異動分析內容、探索專題分析內容。
業務概覽內容：業務北極星指標現狀趨勢，重點標出「異動點」，結論一目了然。
異動分析內容：維度下鉆拆解，對業務概覽的詳細解讀，善用圖表與文字的結合。
探索專題分析內容：該模塊不是必選項，針對專題進行分析，如果有能夠落地的結論，可以在這里體現出來。
下周計劃
周報需要讓老板了解數據方以及業務方下周的工作規劃，這部分內容往往與業務同學溝通之后再行制定。內容需要有邏輯，以1、2、3點的方式輸出，簡明扼要。
例如：功能滲透率=功能頁面曝光uv/dau OR 功能滲透率=首頁功能tab點擊uv/dau，兩者的差異在于加載是否成功，有時候會出現較大差異。
指標理解問題：由于有些指標含義很相近，需要避免理解上的偏差，建議將易混淆指標的計算方式加在備注中。
例如：ctr=點擊次數/展現次數；uctr=點擊用戶數/展現用戶數。
最后，和大家談談日常數據報告的幾點注意事項，看看你有沒有踩過坑！
1、內容 – 數據質量：數據報告最基本的要求是數據不能有誤，數據錯誤可能有以下幾項原因：
· 數據底層問題：需要充分了解底層數據邏輯，是否做過過濾？是否做過篩選？
· 指標定義問題：指標定義是否正確，是否符合業務的需求。
2、 內容 – 數據結論轉化為業務結論：在輸出報告之前，需與業務同學溝通，站在業務角度給出結論，而不能僅僅闡述數據。這里需要注意，如果問題比較隱蔽，沒有排查出來，不要硬上結論，可以在周報中標明：問題仍在差異，晚些給出。
3、 匯報 – 從業務角度溝通問題：很多數據同學在匯報的時候，會犯一個問題：從數據現狀上講了很多，但沒有結論，也不知道為什么數據會這樣。由于我們的匯報對象往往是業務的leader，因此要站在業務的角度聊數據。
4、 匯報 – 輸出對于產品的改進：如果能探索出對業務有價值的數據內容，在匯報中給予體現，會是一個很好的加分項。
5、 提效 – 搭建周報模板：由于周報是每周例行的工作內容，提效是必要的。提效的方式有很多種，Excel vba模板、平臺化自動輸出分析數據，都是不錯的方法，可以參考借鑒。
6、 提效 – 分析思路沉淀：報告的提效，沉淀是必不可少的，同時分析的方法論可以遷移到其他的應用場景。
數據周報異動分析思路
數據的異動分析查詢，小火龍在之前的文章中分享過沉淀的方法論，感興趣可以戳藍字部分，這里就不再展開了，同時附上「異動分析思路圖」。
異動分析思路：如何30min內排查出指標異動的原因？
異動維度排查：指標異動排查中，3種快速定位異常維度的方法？
異動問題量化：指標異動排查中，如何量化對大盤的貢獻程度？
注意事項
數據分析，如何支持決策
□ 作者：接地氣的陳老師
□ 鏈接：//mp.weixin.qq.com/s/JCL7XZ6siauEKQvFHzBcqA
“數據分析要支持管理層做出科學的，準確的決策”
——這是很多企業對數據分析師的要求。然而問題來了：到底咋個支持法？！為啥辛辛苦苦碼了一大堆數據，還是被說：沒啥用？
要素一：決策目標。
提高女朋友滿意度。
要素二：決策層級。
最高級決策：要不要出去玩（要/不要）
次一級決策：要去哪里玩？（已決定：要玩，再考慮：近郊/遠郊、室內/室外）
次二級決策：要去哪個具體場所玩？（已決定：遠郊，室外，再考慮：公園/游樂場/景點……）
次三級決策：要怎么去？在哪里吃飯？怎么回？（已決定去郊區著名景點，決定行程細節）
要素三：評價因素。
比如基于以下因素，決定出去找個地方玩：
1、現在是秋天，天氣好
2、女朋友喜歡出去玩
3、附近有個幾個景點口碑還不錯
4、附近這幾個景點還沒去過
這些就是支撐：“出去玩”的評價因素。評價因素是用來判斷決策是否科學的重要依據。
因為很有可能決策人在謀劃階段思考的因素，在現實中不成立，比如：
1、現在是秋天，天氣好——這兩天突然很陰沉想下雨
2、女朋友喜歡出去玩——但是這兩天沒心情
3、附近有個幾個景點口碑還不錯——但是女朋友聽閨蜜說這都不好玩
因此，根據實際情況作出評價，修正決策，就變得非常重要。
叁
數說
一、剝去決策的神秘面紗
很多同學一聽到“決策”倆字就慫了。對“決策”的第一印象，就是各種聽不懂的高大上詞語，什么“把握機遇”“苦練內功”“真抓實干”……這些東西咋個和數據扯上關系？
如果只看這些玄幻詞語，確實和數據沒啥關系！所以想要數據支持決策，第一步，就是剝去決策的神秘面紗，用最簡單直白的數據模型來描述決策這件事，這樣才能做到可量化，可分析。
舉個最直白的例子，一個小伙好不容易盼到周末，終于可以跟女朋友約會了！那么他該怎么辦呢？這就是一個典型的決策問題。
二、決策的三大要素
三、決策的四大原則
在做決策時候，有幾個基本原則：
原則一：清晰決策目標。
如果目標是“我得盡快甩了她”，那后邊就想著怎么冷暴力好了。
原則二：決策層級圍繞決策目標構建。
如果目標是“討好女朋友”，那后邊就不要想著周末自己憋家打一天游戲，然后扣個可樂拉環當戒指糊弄過去。
原則三：每一級決策受上一級制約。
如果已經選了去遠郊，出行方式就只能考慮：租車/打車，最好公交都不考慮。
原則四：每一級決策有自己的評價因素。
決策人根據實際情況，修正評價因素。
了解了這四大原則，我們可以進一步看：數據在決策中的作用。
決策的科學性和準確性，也可以一定程度上通過數據保證。
所謂的決策不科學性：原本可以出去玩，結果非宅家惹女朋友不開心。或者本來可以去景點，結果因為不知道，所以沒去。通過數據澄清現狀，梳理邏輯，可以避免這些問題。
所謂的決策不準確：原本該打車，結果算錯了時間和距離，做了公交，把女朋友累得半死大發脾氣……
雖然數據不能直接告訴你科學、準確的決策是啥。但是是否當前的決策不科學、不準確，有多大概率是科學、準確的，是可以評估的。
故事到這就講完了，估計很多小伙仰天長嘆：誒呀嗎，你看我都沒有女朋友。可見決策是個多么難的事呀！實際上，在企業里做決策，比追女朋友容易得多。
四、數據如何支持決策
注意：決策是個業務能力，理論上跟數據沒啥關系！就像小伙子去約會，如果他高大英俊，氣質不凡，腰纏萬貫。那即使他啥都不做，都有大把女生撲上門來，滿意度還賊高。
BUT！小伙們自己照照鏡子，每日三省吾身：高否？富否？帥否？絕大部分小伙既沒有傾國傾城的相貌，又沒有億萬身家，這時候就得認真思考該怎么和女孩子相處。這時候，又會冒出來更多問題。
問題一：壓根不知道干什么。很多鋼鐵直男除了傻憨憨地問好，就不知道干啥了。有幾個餐廳，幾個公園，幾個游樂場，有啥電影可以看，全不知道。這咋進一步決策嘛。
問題二：知道有可以做的事，但不會評估。知道上海有迪士尼，廣州有長隆，就憨憨地拖著女朋友去，天氣咋樣，有沒有心情，一概不考慮，結果無辜被噴。
問題三：評估層級不夠細，越往細節問題越多。女朋友想去長隆，于是興沖沖定了票，至于交通咋走，去了咋吃，準備多少錢，全沒安排，結果一路搞得小姑娘又餓又累，花錢不討好。
當遇到不知道，不明確，算錯數的情況，就是數據發揮作用的時候了！
這時候數據可以：
` 澄清現狀
` 梳理邏輯
` 計算過程
從而支持決策。
五、企業經營決策與數據分析
之所以在企業里做決策比自己追女朋友容易，是因為但凡有點規模的企業，都有組織架構和人員分工，但凡是個正規企業，都有清晰的經營范圍。因此只要能了解企業的業務特點，部門分工，就能按圖索驥弄清楚決策特點。這可比猜女生的心思容易太多了。
站在數據角度，企業決策的內核并不復雜，其核心，就是：
` ABC指標，做哪個？
` 從多少，做到多少？
` 多長時間內做完？
這三個問題答完即可，剩下的是具體執行問題。不同部門、不同等級的領導，關心的指標肯定不同。
部門間的區別：
` 戰略發展部：全公司經營性指標
` 銷售部：銷售金額、銷售數量、銷售回款……
` 運營部：總用戶數、新增用戶數、活躍用戶數……
` 供應鏈：生產訂單數、產品供應數、物料使用數……?
領導等級也有區別：
` 公司級高管：戰略性問題，如發展路線，考核標準，職責劃分
` 部門級領導：戰術性問題，比如具體做哪些產品線，哪些客群，任務分配
` 小組及領導：戰斗性問題，比如是早上干還是晚上干，顏色紅色藍色，按鈕左邊右邊
并且，很多決策是有固定套路的，比如對于單產品，有三種典型策略（如下圖）。
對于多產品線/業務線，也有三種典型策略（如下圖）。
實際工作中，數據支持決策之所以難，主要難在：
1、不懂業務，部門、層級、分工、目標完全弄不清
2、沒有分清決策層級，不是做的太淺，就是一下扎的太細
3、沒有列羅每一級的評估因素，評估不夠充分，不能說服人
當然，更糟糕的做法，是試圖建立一個神威無敵大將軍超牛逼模型，一模解千愁，把各種各樣的問題都分析清楚。真要有這么厲害的玩意，強烈建議不要打工了，直接去炒股，一摸一個準，下個世界首富就是你，歐耶！梳理問題邏輯，層層遞進，多種方法組合，才是支持決策的正道。
然鵝，總有那種很作的女朋友：
你問她想去哪玩，她說隨便
你建議去室內的，她說無聊
你建議去郊外，她說太累
你說咱們討論討論，她說你直男！沒腦子！
你怎么就不能讀懂女孩子心呢
就是得我嘴上啥都不說，你一下精準猜出我的想法真要是談戀愛遇到這種姑奶奶，強烈建議直接踹了省事，咱伺候不起。
所以對各種業務的數據形態有積累以后，就能很容易照葫蘆畫瓢，幫領導理清決策邏輯（如下圖）。
數字化轉型，需要什么樣人才體系？
□ 作者：千冰儀
□ 鏈接：//mp.weixin.qq.com/s/2LMJ0Sm7ouDjbjMOYUP2TA
一、數字化轉型的動因
數字化轉型的含義以及重要意義在各種場合的峰會、不同級別的分享都已經耳熟能詳了，每個都知道它，但并不是每個企業都知道該從哪里著手去落地。偶然進了一個數據產品經理的直播分享群，看到群里很多人在問，數據產品經理在數字化轉型中起到什么作用，金融、證券等不同行業，如何實施數字化轉型等等問題。結合當下的秋招求職季，就簡單分享自己對于數字化轉型的理解，以及在轉型的過程中，需要怎樣的人才體系。
肆
熱點
既然數字化轉型的終極目的是降本增效，以終為始，那就要先看目前的經營流程中，主要的“本”花在了哪里，這時涉及兩個層面，一是要能夠梳理清楚現有的核心業務流程，二是有沒有完善的數據，可以去衡量這個成本。借用著名管理學大師彼得德魯克的一句話，“如果你沒法衡量它，你就沒有辦法改善”。對于營利性組織，不管是ToC還是ToB亦或者ToG，其目的都是通過提供某種產品或服務，以獲得商業價值，所以經典的營銷理論-4P理論仍然適用。
Product(產品)：產品&服務的生產過程中，數據可以發揮哪些作用？
1.通過數字化監管生產過程，提供數據化管理抓手
互聯網行業的數字化進程相對較快，各種App的埋點采集方案發展成熟，對用戶行為的細致分析，找到產品流程中的改善點。而在工業、農業、制造業等行業，主要依賴傳感器將采集設備數據，再將數據轉化成決策信息。工業4.0，農業數字化，首先要解決的就是有數據，用數據的問題。
2.將數據能力整合到產品當中，提供更加智能和強大的產品能力
產品千人千面的個性化推薦，到AI人工智能機器人、智能音響、無人駕駛，通過對數據的挖掘和應用，不斷對產品進行創新，提升產品的吸引力。數據的智能化應用場景，也自然成為數字化成熟度的重要指標之一。
試想，對于一個隱居山里，自給自足的人來講，他只需要自己掌控好自己的生活節奏，自己開心就好。而一旦他進入了城市生活，面對林林總總的物欲橫流，鄰居家又拆遷了幾套房，換了幾輛車，孩子工作年薪百萬后，他的心態還有多大可能處之泰然呢。
同樣，數字化轉型驅動的根因就是一個“卷”字，當同行都已經用10塊錢去獲取一個新客，用2周完成一個新產品的上線，而自己企業還需要100塊和1個月，你說老板急不急。尤其是近幾年國際形式不穩定，疫情持續反復，不管是個人還是企業消費態度逐漸悲觀后，大家都想拼了命的降本增效，以度過這個寒冬。隨著大數據、AI、云計算等技術的成熟，數字化自然就成了降低經營成本，提升運營效率的利器。
二、數字化轉型，轉什么？
Promotion（促銷）：酒香也怕巷子深，促銷的目的是為了帶來用戶的增長，包括新客的獲取和老客的復購。數字化轉型要基于數據，構建用戶畫像信息，從而進行自動化的營銷，實現用戶運營的精細化、個性化。
Place（渠道）：流量紅利過后，用戶流量相對集中在少數的頭部流量池中，對于企業來講，需要通過數據手段，找到自己產品的目標受眾，而不是“盲投”。
Price（價格）：賠本賺吆喝是互聯網早期的跑馬圈地常用手段，但泡沫散去后，可以燒的錢越來越少了，怎樣站著把錢賺了，也是數據要解決的問題
此外，為了把產品和服務生產出來，涉及到的人事流程、財務流程、IT流程，也都是數字化轉型的內容之一，通過數據優化人力資源、財務流程達到降本增效的目標。
數字化轉型本質是業務問題，其次才是技術問題，所以數字化轉型想要成功，首先需要知道數據可以在業務中發揮什么樣的價值，然后才是對應的數據技術、數據平臺、產品工具等。在轉型過程中，涉及的人才結構如圖：
三、數字化轉型需要什么樣的人才體系？
1.CIO/CTO
數字化轉型是一把手工程，轉型必然涉及現有組織或流程的變革，自下而上的轉型幾乎不可能成功，所以需要戰略層面的授權，否則師出無名必然功敗垂成。
2.外交官
術業有專攻，尤其是傳統行業的業務人員對數據的認知處于比較淺的層次，想要在轉型過程中，數據團隊不是閉門造車，而是深刻的理解了業務流程和痛點，就需要具備深厚的數據功底的“外交官”的角色，去不斷深入業務過程，可以告訴業務數據能夠帶來哪些改變，現有哪些數據，還需要做哪些工作。這一角色最好主要由數據產品經理承擔，因為他可以去協調組織不同的資源，去把事情做成。同時數據分析師，或者數據倉庫的負責人也可以參與，作為信息的輸入和輸出。
3.智囊團
數字化轉型最終的目的是帶來實打實的價值收益，所以需要能夠基于數據，充分挖掘出有用的信息，為業務提供決策或智能應用的輸入，數據分析師主要利用數據分析的技術和手段提供最優的決策，算法工程師則依賴于AI技術，提供更加智能的能力，比如基于AI的智能排班流程，個性化營銷或產品推薦服務等。數據產品經理主要是參與其中，提供部分業務知識的輸入。
4.奠基者
數據是數字化轉型的根據，沒有數據或者數據臟亂差，轉型過程必然坎坷或面臨失敗。數據匯聚、清洗加工處理，形成可以高復用的數據資產，并對數據進行持續的治理，保障數據質量，降低存儲和計算成本，主要是數據開發工程師的職責。在這過程，數據產品經理主要是數據需求或數據產品需求輸入，提供數據資產建設所需要的業務信息輸入。
5.建筑師
工欲善其事必先利其器，數字化轉型過程中，數據從采集到分析應用過程中，基于數據產品或工具來提升數據應用流轉的效率，在這過程中，需要相關的數據產品經理規劃和設計對應數據產品，由前端工程師和后端工程師進行開發變現。
四、總結
數字化轉型是未來五到十年的重要方向，在企業經營或政府管理過程中，可以通過數據化的指標監控以及智能化的產品應用，來提升經營、管理效率。數字化轉型過程中，垂直的崗位包括數據分析師、數據開發工程師、算法工程師、平臺研發工程師，而數據產品經理則是一個綜合性的崗位，雖然不像其他角色直接進行分析或者開發具體的產品，有很高的技術門檻。但如果能夠把數據能力和業務知識充分結合起來，帶著數據團隊，把數據賦能業務的能力充分體現處理，那么將是不可或缺的。
時光短促，
我只愿時光靜好
增值電信業務經營許可證：陜B2-20210327 |