数据分析能力分级模型，你在哪一级？

编辑导读：有些童鞋觉得，如果不能按自己的建议做项目，是不是就不能提升数据分析能力了？当然不是！数据分析的能力分为四层，本文作者对此一一介绍，看看你在第几层？

• 每天都在跑数，烦
• 跑完了数，业务爱看不看，更烦
• 好不容易提个建议，业务方当耳边风，烦烦烦

很多做数据的新人都有这个困惑，今天陈老师给大家解这个局。这里问题的核心在于：如果不能按自己的建议做项目，是不是就不能提升数据分析能力了？回答当然是：否！数据分析的能力晋级分为四个层级，所谓“按我的意见做”根本就不在这个晋级体系里。

那数据分析能力晋级体系到底有啥？结合一个具体例子，细细看。

第一层：跑个数

比如一个互联网业务，新用户获取数量，消费比例，消费金额数据如下：

这个肯定是数据分析师整理出来的。这也是第一层数据分析能力。跑正确的数，是基础中的基础，如果连数都跑不出来，可以直接转行做利用数据的业务部门，比如用户运营、增长黑客、渠道推广啥的。

问题是：跑完了数以后呢？

第二层：提建议

如果只是被动地等着业务提需求→跑个数→再提→再跑，不但做得很辛苦，而且没啥价值产出。大家都不喜欢这个状态。因此至少应该：把自己跑的数看一遍。在解读数据的基础上，找深入分析的机**点，提一些业务上建议，找一找数据变现的机**。

比如有一名数据分析师看到这个数据，提出建议如下：

这个就叫：从数据到建议。先不管这个建议靠不靠谱，起码不再仅仅是就数论数了，有了对业务有价值的思考。

然而，这种建议很可能不**被业务接受。负责新用户获取的增长部门表示：“你这分析我早知道了，行业内有很多9块9引流的方案在做呀，我要做个不一样的，做个单价200元的新人大礼包！现在就是没人做所以才没人买，我做了就有人买！”

这时候，最菜鸡的一批数据分析师已经叹口气退出了，然后仰天长叹：“我怀才不遇！如果到一家数据驱动型公司，一定全公司的人都乖乖听我的话，做他个9块9的引流……”

而有点经验的新手数据分析师，**奋起反击，列出业务部门想法的错误之处：

• 错误点1：如果新用户真有消费力，目前也有200元的产品，累计购买率才7%
• 错误点2：目前新用户仅识别手机号，如果给新用户太多优惠，很容易被薅羊毛
• 错误点3：老用户中，有大量用户能买200以上，他们**冒充新人来薅这个大礼包

注意：做到这一步，才算做到了“提建议”。提建议不止是对着数字拍脑袋，而是有论点，有论据，最好有正反向论据的支持（如下图）

然鹅，增长部门完全无视了数据的建议，就自己上200元的大礼包了。此时，新手数据分析师也退出了，然后仰天长叹：“我怀才不遇！如果到一家数据驱动型公司……”

那么数据分析的老鸟们，此时在干啥？

第三层：做梳理

真正老练的数据分析师，根本不**牵扯到这种争论里。真正老练的数据分析师，根本不**死抓着自己的一种观点和别人吵架，而是根据MECE的方法，把可能的情况梳理清楚（如下图）

当任何一方提出业务建议时，第一时间做的，不是去吵好不好，而是先引导大家，建立判断情况好不好的标准。

比如：针对业务提的方案：

• 最佳情况：新用户业绩提升，老用户业绩不变
• 中间情况：新用户业绩提升，老用户业绩下降，且提升部分远远大于下降部分
• 最差情况：新用户业绩提升，老用户业绩下降，且提升部分小于等于下降部分

（如下图）

这三种情况，分别对应三种假设：

• 假设1：新用户真的更喜欢高价值产品礼包
• 假设2：新用户有部分人喜欢，另外有一批老用户也喜欢
• 假设3：新用户完全不喜欢这个礼包，都是老用户在薅羊毛

这三种假设对应的下一步分析动作也是不同的：

• 假设1后续：可以持续推进新用户礼包
• 假设2后续：深入分析新用户群体，区分出喜欢大礼包/低价产品的用户特征，对比两类用户长期价值，为后续策略做铺垫
• 假设3后续：放弃新用户礼包，尝试低价产品

综上，以下四个步骤，才是数据老鸟的工作重点：

• 设定监控指标
• 设定评价标准
• 提出分析假设
• 制定分析计划

这样做让运营和高层领导都很舒服，可以很清晰地看到方案的来龙去脉，并且用数据说话，而不是靠官衔、嗓门、资历来判定对错，也不**牵扯上各种无意义的口水战。数据才是判官，数据分析师只是宣读判决文件的书记员。

当然，很有可能领导们**说：“那站在数据分析角度，你认为**是哪种情况？”这时候数据分析师可以表达自己观点了。

自己的观点选哪一个都行，理直气壮地说：“从数据角度看，这个方案很傻逼，成功率极低”也是OK的。因为数据分析师的观点，只是一种观点而已，最终检验观点对错，还是得数据说话。这才是数据分析师的真正价值。

注意！如果真的数据分析的判断很准的话，那么就不但能分析出来哪条方法是可行的，也能分析出来哪种方法不可行。数据分析的判断，不受“别人不听我的意见”的限制。

恰恰相反，如果业务一意孤行，且数据分析提前预判了业务的失败，那在老板心中对数据的信任反而更上一层楼。这种和业务的“对**”，其实考察的是更高层的一种分析能力：数据判断力。

第四层：下判断

数据判断力是数据分析的终极阶段。就是基于数据能对业务走势做出准确的判断，并且能用数据修正自己的判断逻辑，让对业务走势的判断越来越精准（如下图）：

如果真的能做到这一点，就是各种史书古籍中所谓的“算无遗策”的最佳状态了。如果数据分析师真达到这个状态，其实和一个合格的业务部门领导，在分析能力上已经没有差异了。如果能再强化一下对流程的管理能力，再补一下对下属的组织能力，就可以真正成为一个事业部级管理的大佬了。

遗憾的是，以上四个层级里：

• 大部分新手在第一层，只能当工具人。
• 少部分人晋升到第二层，但止于第二层，然后感慨自己“怀才不遇”。
• 只有极少部分人能做到第三层，这些人不是大企业的数据部门总监，就是专业顾问。

至于第四层，反而很少有数据出身的人能做到。倒是业务部门的领导兼任数据部门管理以后，强化了数据分析能力，更容易做到这一点。

这和专职的数据分析师在基础数据处理、数据质量上花了太多精力有关。精力投在技术层面多了，就没有余力顾及搞组织、建流程、挣资源这些事了。

不过这都是神仙打架的事。对刚入门的新手同学而言，终极目标就是做到第三层。不要让自己的思路止于：我有一个好点子。想办法梳理清楚各种可能性，建立检验标准与监控机制，利用数据结果不断修自己的判断，这样才能真正体现数据分析的价值，提升自己的数据分析能力。以上，与大家共勉。

#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。