甲方乙方:数据分析内外有别
现在是一个大数据时代,人人嘴边都挂着数据创造价值、数据挖掘等一些热词。各公司内部也逐渐认识到数据的重要性,纷纷成立数据部门,期待数据可以真正的为业务服务。
另外,也有一些专做数据服务的第三方公司不断涌现,希望能够帮助产生数据的甲方分担数据分析的担子,挖掘出更多有价值的规律,帮助甲方不断改进业务水平、不断发现业务中存在的问题。从这个角度来讲,甲方公司与第三方数据服务公司的初衷是一致的。
那么到底在第三方公司做数据服务和甲方公司做数据服务有没有哪些不同呢?结合最近几年第三方公司到甲方公司做数据的经历,对二者做数据方面的差异进行了一个简单的总结。
第三方公司与甲方公司关于数据服务的合作模式大致有这样几种:
1) 长期监测流量数据——定期提供日报、周报、月报;
2) 临时项目——接到甲方公司的需求,发起项目,在规定的项目周期内,以报告的形式总结项目研究成果。
无论哪种合作方式,第三方分析人员在分析的过程中,总是孤独的、总是更依赖数据的。因为不在所分析的环境之内,不知道运营最近在做什么,不知道产品有什么样的计划,一句话:不知道对方关注的点到底在哪里。
甲方公司内部做数据,其实合作方式也同上面列的两种差不多。只是细节配合上有所不同:
1) 研究前会详细了解项目的背景及产品或运营人员的困惑;
2) 研究中遇到数据上无法解释的问题,可以随时找到相关的人员反馈情况。和业务同事一起分析数据异常的原因。
3) 研究后会汇报整个研究成果、和业务同事讨论下一步的改进策略及方案、约定下一次的研究时间点。
所以说,受到条件所限,尽管初衷与甲方公司是一致的,但是由于无法深入接触业务,因此对于最终的目标只能停留在完成一份严谨、专业的数据分析报告上。至于后续,甲方公司如何使用这份报告,如何改进业务、是否改进业务等一系列后续的工作都不得而知。因此,第三方公司的成果产出总是不能在整个业务链条上形成一个闭环。
但是,这个也的确是无法避免的一个事情。相信目前大多数公司,尤其是中国公司,对公司内部数据的私密性还是比较看重,对于第三方公司的态度不会是完全开放的。因此,双方的配合也仅限于比较浅层的合作。第三方公司想要真正走完业务闭环,从现阶段来讲是完全不可能的。
久而久之,第三方的数据分析人员也就习惯了把制作一份精良的报告作为最终的目标。
附:过渡阶段真实感受
刚从第三方公司进入新浪微博做第一个项目的时候,项目汇报当天得到了产品人员的肯定。我当时非常高兴,感到工作得到了认可。以为产品同事都认可了,肯定领导也会觉得还不错吧。但是,结果却是完全相反的。
组长同学对于我没有任何下一步结果追踪计划感到很不解,从我们严肃的谈话中我深切的体会到,在甲方公司数据真的是为产品改进或运营服务的。如果你的发现仅停留在问题的总结和整理上,那工作基本上只做了50分。相当于,医生只为病人拍了x光,之后就对病人置之不理了。
对于第三方公司与甲方公司的合作方式,项目的价值就体现在报告上,因此报告的制作既要美观又要让人感到“物超所值”。只有几页的PPT是绝不能作为最后的产出成果的。如果能在研究时,通过建立某个复杂的模型,来辅助说明研究成果就会显得更有价值。
而在甲方公司内部,大家都迫切的想知道,看到这个研究成果我到底能做什么。如果这个模型复杂到产品人员都看不懂,或不知所措,那也是没有意义的。反而是针对某个具体问题的研究,哪怕只有几页纸,几个数据,也会令产品人员很兴奋。
比如,偶尔从数据上看到一些现象或问题,此时做一个简单的整理,打印出几页纸就可以去和产品、运营的同学去聊了。去看看业务一线的同事是如何看待这一现象的,是不是有一些重要的运营策略影响了某些数据结果,造成数据结果异常,而并非真正出现了问题。如果没有其他异常因素的影响依旧出现了这个现象,那么我们下面真的要立项去花时间找到问题的原因了。
第三方数据公司,核心业务就是对数据进行采集、分析,因此负责产出数据报告的数据分析人员,相比之下,工作成果很容易被大家看到。因此,也很受到公司的重视。
而在甲方公司,数据服务是一个职能线,是为产品和运营人员服务的。或许工作价值的体现只有在完整走完业务链条后才能够体现出来。即便走完整个业务链条,又如何评估数据在整个过程中的作用,也是一个艰难的工作。但是,作为一个数据分析人员,能够看到自己的分析,帮助产品或运营发现了问题,使产品体验或运营机制得到了改善,这种成就感还是会使分析人员振奋的,还是会兴致勃勃的冲向下一个项目。
第三方数据公司由于服务行业内的多家公司,因此会将同行业公司的相同业务模块放在一起,出一个行业标准。 在不透露客户商业机密的情况下,为客户提供行业标准数据。使各家都可以清楚的了解其在行业中的地位,了解哪些数据表面上看起来很好看,但是与行业标准对比,其实情况并不乐观。我想,这也是第三方数据公司的最大价值所在。
但是,现状是,中国的互联网行业,大家对数据还是守得很紧,不愿意过多的让第三方介入。这造成的结果就是,大家都没有一个行业标准。数据结果的好坏就只能依靠经验了。
综上所述,这两种数据分析工作的差异,给我的体会是:数据分析重点不在数据,而在于如何能够真正的解决实际的问题。数据分析师的终极价值不是会使用多少种统计工具,能挖掘出多少个数据模型,而是真正的懂业务。看到数据结果能够知道哪些业务出现了问题,而看到业务问题又可以清楚的知道通过分析哪些数据能够获知问题的原因。当然,如果从大的方面来讲,各公司都能够愿意与第三方公司合作,通过第三方公司把行业标准建立起来,那将会使数据最终发挥更大的价值。
数据分析咨询请扫描二维码
必备的职业技能 统计学基础 - 理解概率、假设检验、回归分析等统计概念。 - 运用统计方法对数据进行分析和解读。 编程能力 - 掌 ...
2024-11-27基础课程 - 统计学基础: 统计学是数据分析的基石,包括概率、假设检验、回归分析等基本知识。这有助于分析师更好地理解数据背后 ...
2024-11-27数据分析领域涉及众多工具软件,涵盖了从数据处理、分析到可视化的各个方面。在选择适合自己需求的工具时,需要考虑数据规模、分 ...
2024-11-27在数据分析领域,选择合适的工具至关重要。不同的软件适用于不同的需求和技能水平。以下是几款值得考虑的数据分析软件: - Table ...
2024-11-27数据分析中常用的Excel与Python函数公式涵盖了广泛的应用场景。掌握这些基础和高级技巧对于成为一名优秀的数据分析师至关重要。 ...
2024-11-27Python是一种高级编程语言,由荷兰程序员Guido van Rossum于1989年圣诞节期间开始开发,并于1991年首次发布。Python的设计哲学强 ...
2024-11-27课程内容 数学基础: 高等数学、线性代数、概率论与数理统计、微积分等为算法设计和数据分析打下基础。 编程与算法: 掌握 ...
2024-11-27爬虫工程师是互联网时代中至关重要的职业之一,他们的工作内容主要涉及编写和维护网络爬虫程序,进行数据采集与清洗,设计系统架 ...
2024-11-27技能需求 数据管理与建模 - 掌握SQL、HiveQL、Spark SQL等数据库语言,进行复杂数据查询和分析。 - 使用数据建模工具如ER/Studio ...
2024-11-27技术技能 - 编程技能 - 掌握SQL、Python、R语言等编程工具是基本要求,可用于数据提取、清洗和分析。 - 数据分析与建模技能 ...
2024-11-27财务数据分析职业展望 - 需求激增: 随着企业信息化和数字化进程的加速,财务数据产生和积累速度急剧增长,推动了财务数据分析需 ...
2024-11-27技术技能 数学与统计技能:数据分析师需要具备扎实的数学基础,包括统计学、概率论、多变量微积分和线性代数等知识,以帮助理 ...
2024-11-27选择适当的工具和软件 选择恰当的工具对于创建出色的数据分析图表至关重要。Excel提供强大的数据可视化功能,R语言的ggplot2包 ...
2024-11-27初级市场分析师在工作中面临着重要任务之一:评估竞争对手的表现。这项工作不仅有助于描绘行业竞争格局,还能帮助企业发现自身的 ...
2024-11-27基础知识的建立 要想在数据分析领域脱颖而出,首先需要打好坚实的基础。 数据分析的基础知识十分重要,其中包括统计学、概率论、 ...
2024-11-27# 要学习Python数据分析 掌握Python基础知识 - 首先需要掌握Python的基础知识,包括基本语法、数据结构(如列表、元组、字典等) ...
2024-11-27学数据分析能在什么单位工作 数据分析的就业领域概述 数据分析专业毕业生广泛应用于各行各业,包括但不限于以下单位: 政府机关 ...
2024-11-27想学数据分析需要学哪些课程 数据分析学习路径推荐 基础课程: 统计学: 统计学作为数据分析的基石,涵盖概率论、描述性统计、 ...
2024-11-27# 现在什么行业发展前景最好 **人工智能与机器学习** - 人工智能技术快速发展,广泛应用于智能家居、自动驾驶等领域。 - 具备巨 ...
2024-11-27# 未来最有前景的行业 **人工智能与机器学习** - 人工智能被认为是未来最具潜力的行业之一,其应用范围广泛,包括智能家居、医 ...
2024-11-27