什么是“数据分析需求”？

什么是 数据需求 ？

在移动互联网年代，数据需求随处可见，以至于我们会忘了这是个需求：

• 我累死了 > 有多累？ > 晒出微信步数：我走了25000步
• 我在做饭，忙得要死 > 忙什么？ > 包了60个饺子，还要再包20个
• 我很快到 > 多久到？ > 我25分钟内到

有精细化管理需要的地方，就有数据需求。没有数据，会让判断/决策失灵。 有决策的地方就会有数据需求。
数据需求：用数据（非数字）**量化**描述一个具体事务的需求。
企业里有特别多的数据需求：

• 有好多客户都在投诉了 —— 多少人在投诉？？？
• 产品销量好的不行 —— 到底卖了多少？
• 你们要赶快做 —— 到底要求多少时间内完成？

特别涉及多人合作，分工执行时，就特别需要数据，不然大家就是一团热锅上的蚂蚁。所以总能听到企业里有人在要数据。
量化管理，使工作更高效，决策更精准。

数据需求的基本规范

以女生了解相亲对象为例：

身高多少？ 收入多少？ 好看吗？ 基础指标：年龄、学历、住址、籍贯

• 数据最适合描述的是 连续型变量 ，比如身高（158、159），年龄，工资……
• 数据可以描述 定序变量 ，比如VP1，VIP2，VIP3。虽然不知道具体高多少，但是次序是明确的：VIP3＞VIP2＞VIP1。
• 剩下的是 分类变量 ，比如不同风格的“帅”，没有度量没有次序，只能作为一个个类别，这些类别可作为分析的标签。但这不属于数据需求，属于分类需求，需要人工标注。

一个完整的数据需求，需要有以下基本内容：

• 取数对象：张小凡
• 取数指标：身高，年龄收入产负债
• 取数二级指标：工资收入、股票收入、房产价值、贷款数量、贷款每月还款
• 用户标签：长相一般但过得去，斯文国个范
• 当取数不是一个人，而是一群的时候，还能做分类维度
  | 取数对象：XX企业适婚男性 | | 取数指标 | | | | | | :—-: | :—-: | —- | —- | —- | —- | —- | | | 年龄 | 身高 | 学历 | 工资收入 | 房产 | | 分类维度 | 小凡 | | | | | | | | 小李 | | | | | | | | 小王 | | | | | | | | 小陈 | | | | | |

【注意】数据需求的时效性**

• 过去时：他毕业的时候（具体xx年-xx年）有多少钱？
• 进行时：他现在（日/月，更新周期）有多少钱
• 将来时：他以后工资能到多少？（以后多久？考虑不考虑跳槽？）

数据表＋时间要求＋附加说明（如预测依据），就是完整的数据需求内容了。但是， 数据需求 不是 数据分析需求 。“身高175”只是一个数据，没有说明任何问题。

什么是 数据分析需求 ？

• 分析问题：分析了什么？疑问、假设、困惑……
• 分析过程：怎么分析的？推导、思路……
• 分析结论：结论是什么？不是简单地给出一个数字

数据分析，就是把分析过程、结果进一步量化。
分析可能不需要数据，如柯南破案，但数据分析需要把数据融入其中。

相亲时，女生问男生身高，其实想问的是“适合不适合我”。

• 他身高多少？ > 数据需求，175cm
• 他高不高？ > 数据分析需求
  • “我身高170，男方至少要180往上吧？” > 复杂度1：看一个指标，给一个评价
    • 身高175cm是个数据，“高”是个判断
    • 单维度-定量-评估类分析
    • 分析问题：是否打到某一个评估标准？
    • 分析过程：差异值=标准值-实际值，差异值是否达到标准？
    • 分析结论：是/否达标
  • “我也不知道多高才合适” > 复杂度2：如何给评价制定一个标准
    • 没有标准，先找标准，并且这个标准要得到相关方的认可
    • 分析问题：是否作为参照标准？
    • 分析过程：根据业务场景/经验总结如下……
    • 分析结论：是/否可作为标准
  • “合适不合适？除了身高，富吗？帅吗？学历如何？哪里人？” > 复杂度3：连看n个指标，做一个综合评价
    • 指标太多，就得做个综合判断
    • 综合评估类分析需求，把一堆指标归纳为一个综合性的 定量结果
  • “他是哪一类型的男人？鲜肉/大叔” > 复杂度3：不能用一个数值评价时，就得分类贴标签
    • 综合评估的结果不是一个连续型变量或有序变量（好/中/差），这时候就是一个 分类（分群）问题
    • 如用户细分、用户画像
  • “他这么好，为什么没有女朋友？会不会是有其他问题？” > 复杂度4：我不光想知道他是几分，还想知道为什么？
    • 为什么 > 探索性分析
    • 分析问题：XXX的原因是什么？
    • 分析过程：有/无假设
    • 分析结论：XXX的原因有几种，每一种……
  • “未来这人有发展前途吗？” > 复杂度5：预测未来
    • 会怎样 > 预测问题
    • 分析问题：XXX的未来预计如何？
    • 分析过程：根据趋势/驱动原因，分析推测如下……
    • 分析结论：XXX的未来预计是……

      常见数据分析需求——基本形态

      在分析实际问题时，光凭表象是不靠谱的，往往需要构建复杂的分析逻辑。

      你为什么不喜欢我？ 因为你不是一个金发碧眼的外国人

数据分析需求的基本规范

数据分析需求的格式，比数据需求的简单很多。当我们取一个具体的数据时，业务方很可能不清楚数据来源、格式、字段、计算过程。但在数据分析需求中，有对象、有问题、有可量化可记录的数据，业务方只需讲清楚想解决的问题，具体用哪些数据、如何论证问题都是数据分析师考虑的事情。

1. 有对象（针对XX部门的XX工作）
2. 有问题（是什么，为什么，会怎样）
3. 有可量化、可记录的数据

评估类

评估类注意事项

掌握现状和业务方期望
比如，女生问“他够不够高”，至少得知道三个数据才能分析：

1. 女生身高
2. 女生期望的身高差
3. 目标男生的身高

女生身高和期望身高差属于需求范畴，要沟通才能知道。
找到相关方都认可的标准
如果没有标准，就得先制定标准。

• 根据经验判断：一米八就够高
• 根据业务场景分析：“你需要什么效果？”“这样能不能接受？”

无论采用哪种方法，都需要需求方认账。
处理问题是否要体现人的意志
评估时（特别是多维度评估）谁说了算最重要。

• 主观法：人工确认权重（专家法、AHP）
• 客观法：机器计算，人不参与（神经网络）

无论采用哪种方法，都需要需求方认账。

评估类沟通要点

1. 有对象（针对XX部门的XX工作）
2. 有问题（评价做得好不好，得几分，属于什么标准）
3. 评价标准是否已确认（是，继续；否，先解决标准）
4. 多指标评价时，权重如何来是否确认（主观/客观）
5. 业务方期望值（主观上认为好还是不好）

原因类

原因类注意事项

先问是不是，再问为什么

• 提问要基于事实，而不是瞎猜。如果不清楚现状，先设法搞清楚现状再提问题。
• 找原因类需求往往是建立在评估基础上的。

确认是否有假设

• 如果已有假设，直接验证假设。
• 如果没有假设，先探索可能的假设。

漫无目的的提原因很容易，难在导出结论。
关注可被解决的原因
费力气研究不可解决的问题是自寻烦恼，所以提前知道解决问题的范围很重要。
除非这是一个甩锅的分析……

原因类沟通要点

1. 有对象（针对XX部门的XX工作）
2. 有问题（XX问题的原因是什么，XX问题和XX是否有关）
3. 问题是真实存在（是，继续；否，停止）
4. 是否有假设（有，验证假设；没有，探索潜在）
5. 如果发现问题，业务方能有什么解决手段（缩小探索范围，聚焦可改进的措施）

预测类

预测类注意事项

先确认预测的前提
预测的前提越细致，预测的结果越准确。一定要沟通清楚。
预测逻辑要获得业务方的认可

• 只要业务对未来情况有判断，就基于业务判断进行预测
• 除非业务完全搞不定，否则不要上类似黑箱的算法
• 脱离了业务逻辑，预测结果很难落地，而且如果业务不参与，锅全是你的

关注预测结果会导致的行为
例子：下面哪个预测，更容易对控制饮酒产生效果？

1. 预测：一个人喝酒喝死需要喝多少杯？986525杯。
   应用：我停在986524杯就不会死了。

2. 预测：一个人一年喝超过多少瓶酒，死亡概率超过50％？不能超过40瓶，折合一天1.5杯。应用：自己喝，一天喝一杯；和朋友喝，一周一场。

   预测类沟通要点

3. 有对象（针对XX部门的XX工作）

4. 有问题（XX预计会涨/跌，XX预计数量是多少）
5. 预测前提尽可能清晰（请尽可能详细的描述XXX的特征）
6. 预测的基本假设，业务方是否认可（趋势/因果）
7. 如果预测数量为XXX，业务方相应的有什么行动（确认 容错空间 ）