優秀的數據分析項目不是一大堆數據的堆砌，而是要有具體的産出。這需要數據分析師搞清楚為誰服務、找到合适的時機、在開工之前确認好項目需求再開始分析工作，并在最後結合項目目标做好個性化彙報。

上一篇我們普及了數據分析項目是什麼。今天我們系統講解一下：如何做一個優秀的數據分析項目。

首先大家要明白，并不是所有的項目，都需要找一個萬人大會堂，拉着橫幅，董事長總經理輪流上台鳴鑼開道的。隻要滿足“在特定時間、特定條件下有具體産出的”都是項目。

因此，做項目的關鍵，不是圖個名号，而是有具體的産出。有了具體産品的産出，KPI/OKR文檔好交差；領導對你滿意度提升；升職考評的時候有更多資本；跳槽也有更多可以寫簡曆的東西。這才是我們要争取的。而所謂“優秀”的項目，指的是比“我跑個數據”更有說服力的産出。

那麼，第一步該從哪裡開始呢？

第一步，認識服務對象

做項目，最重要的當然是搞清楚目标；搞清楚目标，第一步當然是搞清楚為誰服務。這是數據分析新手與老鳥之間的最大差異。往往沒入行的小白，滿腦子都是“模闆、模型、公式”。以為隻要對着模闆copy一份就算是完成工作了。剛入行的菜鳥們喜歡籠統的說：業務。可業務并不是一個孤零零的、獨立的個人。業務兩個字背後，是非常具體的、複雜的含義（如下圖所示）。

具體問題具體分析，是數據分析的最基礎要求，也是做好項目的第一步。因為這五大要素和它們的具體形态，決定了我們的數據分析可以做到什麼程度，應該做成什麼樣子，做成什麼樣才能滿足需求。具體的關系，如下圖所示：

理清具體問題非常重要。過去我們常說傳統企業如何如何，互聯網企業如何如何，在渠道融合發展的今天，實際上二者之間邊界越來越模糊。如果不具體分析，往往會鬧出很多笑話。

比如：

• 曾是toC互聯網企業，現在要發力toB，完全不知道怎麼和客戶打交道；
• 名為互聯網産品，可服務對象是實體老闆，銷售還在用最原始的電話外呼；
• 名為互聯網行業，可運作的仍是實體産品，進銷存量收利一樣都不差；
• 名為新零售，可數據采集一塌糊塗，連傳統連鎖店都比不上；
• 名為傳統企業，可在做數字化轉型，玩的是分銷、裂變；

以上種種複雜場景，不是大喊一句“我是互聯網AARRR思維”就能搞掂的。指望套模闆結局就是死翹翹。況且經過這幾年的曆練，很多運營、産品經理、策劃都學會了基礎數據分析概念，這時候還抱着充滿“SOWT、PEST、5w2h”一類空洞口号ppt模闆，數據分析師就等着下崗吧。具體問題、具體分析，怎麼強調都不為過。

并且，了解清楚狀況，對于下一步把握戰機非常重要。如果凡事都等着業務找上門來才幹，那就跟叼飛盤的汪汪沒啥區别了（業務提一個假設，數據驗證一個假設，宛如一隻叼飛盤的汪汪）。自己對形勢有判斷，才好主動發現機會。

第二步，找到發力時機

數據分析項目，最大的敵人是：日常工作。所以，并不是所有事情都适合立項目來做。時機非常重要。

往往我們要挑業務部門的以下時機入手：

• 想做創新
• 想改良現狀
• 新工作兩眼一抹黑
• 遭遇問題不知所措
• 三闆斧砍完不見效

在這些戰機時刻，抛出系統的解決方案，一鼓作氣獨立把問題解決掉（如下圖所示）：

第三步，确認項目需求

找好發力時機以後，與具體業務方談妥，準備動身開工。在開工前一定要确認好項目需求，具體來說就是項目鐵三角：

這裡有三點要注意：

1. 數字、模型、報告本身不是産出。業務從不了解情況到了解，從沒有辦法到有辦法，從不知道怎麼選到知道怎麼選，從沒有準備到一二三級預案，這才是産出。所以不要脫離問題就數論數。從數字裡推出結論。
2. 時間千萬别忘了。時間緊，盡量快速出結論；時間寬，就要分步驟輸出，企業不是學校留大半年給你慢慢憋論文。
3. 有多大鍋下多少米。如果數據質量差、人手不足、缺乏分析經驗，就沉住氣一步步做，不指望一次解決所有問題。

這三點對于項目成果至關重要，過往曆史中有太多數據分析師沉迷于折騰“科學方法”，忽視了項目管理，忽視了時間-投入，結果畫的餅大，煎的餅小，最後灰溜溜收場。

這裡要還要注意工作方式。确認需求，不是讓你直接問業務：“你們想分析點啥”。這種問法太被動，又回到叼飛盤老路上。而且往往業務會回答的你摸不着腦袋。

比如：

• 你幫我想個辦法呗（找你要執行方案）
• 一定是對手/天氣/運氣……（企圖甩鍋）
• 我想分析用戶心智資源（壓根沒數據）
• 隻要有人工智能用戶就會買單（方法不切實際）

所以，靠譜的做法，是一步步梳理需求，引導到數據分析可以解決的問題上，正本清源，客觀解決問題（如下圖）。具體引導方法有很多細節可以講，稍後我們結合具體案例，詳細的說。

第四步，開展分析工作

做完需求，後續就是正式工作。具體内容和分析議題有關，這裡不展開講的。如果前期梳理清楚，中間過程自然順利。這裡隻強調一點：數據分析工作切記憋大招。憋得越久，人們對你期望值就越高，最後失望就越嚴重。因此，隻要項目工資超過1周，就得有周彙報，通知大家進度；時間超過1個月，一定要有月總結，拿中間過程和大家碰一下。

特别特别是用到算法的項目，往往一聽到算法業務部門都以為是神兵下凡，所到之處必然望風披靡。所以，算法項目死于業務期望值過高的例子，特别特别多。過程中，具體的算法過程不用向業務彙報，但是遭遇的困難和期望輸出的結論，要經常保持溝通，适當控制業務期望，避免最後一刻才發現貨不對闆，最後身敗名裂。

第五步，工作彙報

這裡不展開說了，陳老師剛剛更新一個數據分析報告系列連載，大家可以參閱。總之，彙報的時候，要考慮目标聽衆的身份、目的、結合項目目标做個性化彙報。這樣才能取得好效果（如下圖）。

基于聽衆的思考，使得即使同樣的數據，同樣的結論，也能有不同的表達形式，最後抓住聽衆眼球，讓大家感興趣，給項目完美收工。

小結

縱觀整個過程，我們能看到，做好項目的過程，就是把數據方法應用于企業實踐的過程。數據本身有統計學、數學、編程、數據庫等專業知識，但其中相當部分（比如數倉、ETL）是為保障數據本身的正常運行；相當部分（比如語義判斷、圖像識别）是用于工業應用，不用考慮業務理解和配合；相當部分（比如統計學）适用于科學實驗、農林牧魚研究。

大量的業務不是科學問題，而是實操問題。O2O平台如何管理商戶，新媒體平台如何發展本地客戶，直播電商怎麼選款等等問題，都得把數據知識和實際工作結合才能輸出結論。更不用說，大家混職場都夾雜了辦公室政治，如何出人頭地少背鍋的訴求。因此才有了我們今天的讨論，才有了各種推動項目的方法。這是每個做數據的同學從校園到職場的必經一步。

今天隻是給了個框架，具體的問題，我們結合具體場景來分析。之前說分享基建類項目，很多同學說做得苦，那我們也考慮給一個最符合數據分析幻想的分析型項目的例子，如果感興趣，我們下一篇分享哦。

#專欄作家#

接地氣的陳老師，接地氣學堂，人人都是産品經理專欄作家。資深咨詢顧問，在互聯網，金融，快消，零售，耐用，美容等15個行業有豐富數據相關經驗。

本文原創發布于人人都是産品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部