【摘要】数据分析的出路在哪里数据分析的出路在哪里？类似问题出现在很多场景下：有的是面试的时候被问到：你觉得这个职位长期发展的前景如何有的是

数据分析的出路在哪里

数据分析的出路在哪里？类似问题出现在很多场景下：

有的是面试的时候被问到：你觉得这个职位长期发展的前景如何

有的是在各种群里的讨论：Data Scientist 的出路在哪里？为什么做 Analytics 的活 title 却是 Data Scientist? 

有的是同事之间的交流：你接下来做啥？

问法不同，但讨论的内容其实是类似的：数据分析 (Analytics) 有什么用？

我们先看一下数据分析的几个阶段：

第一阶段：没有数据，更没有分析

不管是产品也好，还是策略也好，凭的是从上到下的决定，靠的是经验和感觉。

最后效果如何，没有一个数据上的衡量标准，或者只有简单粗暴的几个数据：有多少人用（购买），收入多少，成本多少，最后赚了多少。

第二阶段：有数据，看起来好像有分析

这个阶段，数据多起来了，比如除了有多少人用，还有更多多维度的数据，比如年龄、性别、地区等等，也有了更多层次的数据，比如各种留存、拉新等方面。

分析方面则是有各种报表，看得眼花缭乱，很全面。

问题在于，这种情形下我们知道发生了什么，可能知道得还挺详细，但是并不知道为什么会发生这些，以及接下来可能发生什么。

于是进入

第三阶段：有数据，有分析，有原因

这个阶段开始引入 hypothesis 的概念，我们不但要知道发生了什么(reporting)，还要知道为什么会发生 (hypothesis driven).

知道了为什么会发生，可以告诉我们以后做类似的事情，可能会发生什么。

可能是通过 correlation analysis，找到一些互相有关系的线索。

可能是通过 A/B test，找到因果性。

诸如此类。

而在这个阶段做各种分析，A/B test 的时候，需要有 hypothesis-driven 的概念，而不能仅仅是：来，我们看下数据是什么样子的。

比如 A/B test 能提供因果性，帮我们做决定是一方面 (launch product or not)，更重要的是能帮助我们积累某一领域的知识，诸如提高 metrics A 可以提升留存；进一步， 我们可以知道提高 x% 的 A 可以提升 y% 的留存；再进一步，我们甚至还能搞清楚，对于不同的用户、不同的阶段，这个 x% -> y% 是不一样的。

而这也是 analytics 的工作会挂着 Data Scientist 的 title.

Scientist 的定义并不是工作方法多么高大上，而在于其思绪方式：通过 hypothesis-driven，不但要知道发生了什么，还要知道为什么发生。

（当然另一方面也是因为 Data Scientsit 这个名字比较好听了）

第四阶段：知道发生了什么、知道为什么发生、知道接下来应该做什么

跟上一阶段的区别在于，我们不但知道发生了什么 (reporting)，知道为什么发生 (hypothesis-driven)，还知道接下来应该做什么 (product/strategy leadership).

这个阶段有很多难点：本身搞清楚应该做什么就很难，还需要把这些东西 sell 出去，就更是难上加难了，而这恰恰是数据分析的出路（之一）。

不管数据分析做出了什么结果，如果没有把结论应用到实际 product change 里面去的话，都是垃圾。

知道发生了什么，比如 reporting，风险低回报低，因为不太能改变产品走向。

有些类型的数据分析，知道为什么发生，比如 A/B test，算是能改变产品走向，至少能决定 launch / no launch.

上面两点对于大多数人来说又是必不可少的，除去工作本身会有需要以外，还有很重要的一点是通过这些事情来跟合作者打下互相信任的基础，比如 product/engineering/design/UX research.

如果一上来就抛出数据分析的结论说咱们组接下来应该做 ABCD，要么他/她已经有了 track record，大家都很信任；要么其实产品组也不知道做什么，反正试试看呗。

所以大多数情况下，还是需要通过一些基本的项目打点基础，让 cross function team 觉得：哎不错，这个人挺靠谱的，数据分析做出来的东西还是要信的。

接下来再慢慢提供产品的方向：我们接下来一个月应该试试做 A，可能会有预期的效果。

于是试了一下做 A，发现预期的效果没错，信任进一步建立。

于是再接下来：我们接下来半年应该试试做 B, C, D，其中 B 可能性比较大，但是回报也不会太大；C 风险比较大，但是如果成功的话回报也多；D 则是一个新的方向，做成做不成不知道，咱们试试看。成的话一起喝汤吃肉，不成的话再试试别的。

因为有了前面打下的互相信任的基础，即使最后 C 和 D 都没有做成，也不会被觉得是数据分析本身不够 solid，瞎提供方向，而是这些项目本来就是有风险的。

当然了，如果没有互相信任的基础的话，很有可能大家也不会做 C 和 D，只会做 B.
而 B 的方向，很有可能本来就是打算做的，最后结果是数据分析提供了 support，而不是 lead.

对于大多数数据分析来说，阶段二是基础，阶段三是应该做到的，阶段四是好像能做到一些，但是还有很大提高余地的。

而数据分析的出路和影响力，就来源于四。

这也是为什么很多数据分析的职位看起来要求很低：第四阶段做得如何，实在是太难量化了。

从某个角度来说，数据分析跟算命是类似的：先告诉你人生过去的几十年发生了什么，你一对比发现说得还真不错 (reporting)；然后说你当下是不是有什么忧虑，在担心什么 (hypothesis driven)；再说你要解决这些问题，需要做 ABCD ( product leadership).

算命先生想要产生 impact，就需要把 reporting 做得准，hypothesis 搞得清楚，这样客户才能相信，接下来才能忽悠。

当然，数据分析做的事情，跟算命的区别在于最后一点：如果算命先生说的不对，你也不能回头去找他把摊儿掀了；而数据分析总是说得不对的话，摊儿可能真就没了。