数据分析师会遇见的8大经典问题！（数据分析者面临的问题）

在做数据分析的过程中，你可能会被业务方、被领导等人的一些问题 " 难倒 "，而这些问题产生的根本原因，可能还是在于其他相关人员对 " 数据分析 " 这件事不够了解。具体而言，数据分析师可能会遇到哪些问题，又可以如何解决？本文便进行了一定总结，一起来看看吧。

做数据的同学们，你们在工作中被刁难过吗？有哪些问题是经常遇到，又让人恨得咬牙切齿的呢？从之前同学们吐槽的话题里，我精选了 8 个高频问题，今天一起来看一下。注意！前方高能，准备好降压药 ~

问题 1：" 不就是一个数吗，为啥要这么久？"

这个问题很常见，大部分人并不知道 " 一个数 " 到底意味着啥，而上幼儿园第一个学的就是数数，所以让人误以为 " 搞一个数 " 和数数一样容易。

想解决问题，首先得向业务宣传，数据是咋来的，丫不是从天上掉下来的。并且建立一套标准，坚持不懈地向业务宣传：

哪些是需要重新采集的；

哪些已采集但未清洗、不可用的；

哪些可用，但是查询条件很复杂的；

哪些可用，且查询简单的；

哪些不用查询，有固定报表输出的。

在宣传的时候，同步宣传：想快速响应，就坐下来谈需求，固定成报表。这样既能提升业务认知，又能多安利我们的 BI 系统，把 BI 的使用率搞上去，把零散、临时需求干掉，才是长期解决之道。

注意！宣传的时候，不要发那些《腾讯 / 字节 / 华为大数据应用之道》之类，描述大数据多厉害的文章，只会吊高业务的胃口。应该多转发一些大数据 / 数据仓库 / 数据治理 / 数据分析的书单、技能树一类，让他们直观体验下 " 卧槽，这个东西这么复杂呀！"

问题 2：" 我们的数据可大了，都在那里了，你为啥分析不出来？"

这个问题和上个问题是同胞姐妹，本质都是领导不懂数据，以为有几个数字就是 " 大数据 " 了。

这个问题还有个面孔，就是招（hu）聘（you）你进来的时候，领导语重心长地说：" 我们的数据很大，都在那了，就差你分析了 "，这时候一定小心，他们的数据八成是没有清理过的，商品编码、订单号都很乱的交易数据。如果再加上 " 没有数据团队 "，或者 " 你自己孤悬于数据团队以外 " 这一条，请谨慎入职，你会被 PUA 到怀疑人生的。

问题 3：" 数据不是数据分析的事吗，为啥要我参与？"

注意，这一句是疑问句，不是反问句。业务有可能真的不知道，他和数据有啥关系。这时候需要我们耐心指引一下：

得先采集，才有数据；

采集数据需要业务流程；

用户基础信息得收集才有；

页面要埋点才有用户行为数据；

商品信息得标准化维护，否则我们看不懂；

供应商信息、物料信息、活动信息、优惠券信息同上；

如果业务上活动时候乱套用一气，数据分不出来哪个是对的；

……

总之，详细陈述利弊，尽量争取业务支持。说到口干舌燥业务还是不搭理，记得写会议纪要，事后数据乱成一团麻，这也有人背锅不是……

如果这一句是反问句，那么处理方法参照下一条。

问题 4：" 你跑你的数去，你问那么多干嘛！"

这个问题有两种形态。形态一是业务找到我们拿数，却说不清取数口径。这个时候不管对方态度多凶，必须要事先确认清楚，事先不确认清楚事后他照样会怪你：" 取得都不准！你做的都是错的！" 如果对方实在是既凶又蠢，那就拿数据字典让他勾选到底看啥指标，看多久的。

形态二是事后我们想主动了解业务，结果碰一鼻子灰。注意！有些业务部门的人就是很难伺候，所以不强求所有的业务都配合，如果他真的不想沟通，就和他公事公办，换个人再沟通。一般有一两个部门合作良好，其他部门对付对付就差不多了。

问题 5：" 你做的这个，我早知道了，有没有深入的分析？"

这个问题和上一个问题是同胞姐妹。都是业务合作态度差导致的。你都不告诉我你知道了啥，我咋知道你有么有知道呢？只要我们主动沟通过，那责任就不在我们这边。如果我们没有沟通过，那下来反思反思，多积极沟通直到鼻子碰灰为止。

其实这里可以有个双赢解：业务事先给分析假设，数据分析事后验证假设。不但能直插业务最关心的问题，而且能帮助数据了解业务的思路，最后双赢。不过这需要业务部门有合作意识，大家可以择人行事。

问题 6：" 你预测得到底准不准？"

这个问题永远有人问。注意！不要和他争论 "80%、90%，95% 哪个算准 "。这就上套了，后边但凡业务出点问题，他都会怪到你头上 " 你预测得不准啊，我商品毛利才 5 个点，你预测 95% 准有啥用！都怪你！"

这个问题的本质是：业务拿到预测要干啥？！

如果先预测自然趋势，业务再基于自然趋势判断，那最后结果是被业务行为干扰过的，肯定和预测不一样。

如果是先考虑业务行为，再预测结果，那业务得先告诉我们他们要怎么做，否则肯定预测不准。

如果预测的指标跟业务没关系，那业务做得不好就不应该怪到预测上（都说没关系了，还想甩锅呢！）

当然，最理想的状态是：预测会有问题，经过业务努力没有问题，然后业务表扬数据分析及时发现了问题，数据分析表扬业务行动有效制止了问题，相互吹捧它不香吗，何必相互伤害。

问题 7：" 你要是能预测得 100% 准，我肯定能把业务做好！"

这个问题也有同胞姐妹，比如 " 我做得不好，都怪数据分析不能 100% 精确锁定问题 "，总之业务做不好，锅是数据的，业务自己没责任。

很多同学会反问：" 我哪里分析得不精准了！" 这就上套了。不要和这些人争论分析的细节，争论到最后，他总会怪到你头上，诸如：" 你为什么不能 100% 精准分析出来用户会在哪一天哪一秒钟打开 APP!" 除非我们有魔法水晶球，否则这些是做不到的。

最好的办法，是借力打力。注意！老板们是很讨厌这种推卸责任的业务的。所以比较好的处理办法，是做分层分析，多总结成功业务的例子。同样的数据分析支持，为啥别人能做好，为啥偏偏就你做不好。把矛头引到 " 你为啥比不上别人 "，引到 " 业务该怎么做 " 上，这样不但能避免甩锅，还能脚踏实地地解决问题。

问题 8：" 你怎么证明，你做的分析和公司业绩提升有关系！"

这个问题一般在考核绩效的时候才冒出来。听到问题的时候，都会让人恨得咬牙切齿，好想骂一句：" 当初求数像条狗，看完数据嫌人丑！" 不过一般这么问的都是领导，除了怒而辞职外，有没有更好的办法呢？

其实支撑类职能，都会多多少少遇到这一类问题，本质上就是作为 " 工具人 " 职能，都是用到的时候才觉得有用，没用的时候就忘了。想解决问题，得从绩效评估源头入手，不但要有合理的评估标准，还得有心机地多制造一些 " 美好瞬间 "，让领导们看得见，记得住。

专栏作家

接地气的陈老师，微信公众号：接地气学堂，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等 15 个行业有丰富数据相关经验。

本文原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自 Unsplash，基于 CC0 协议。

查看原文