數據分析師第二怕被問到的問題！

成人的世界，有更多難以應付的考題

高考絕不是最難解答的考題。實際上當你步入職場後，有更多問題能把你一句話問死。讓你心驚膽戰，聽到就怕。比如股評師，最怕被問到的問題是：「老師，你買了什麼股票，掙了多少錢啊！」o(╯╰)o

數據分析師怕什麼？第二位的，當然是：「老師，你那麼會分析，你的房子買在哪裡呀，買了多少套啦！」當然，更進一步的還可以追殺一句：「你天天做模型，做預測，咋不預測下房價咧，做模型掙得多還是買房子掙得多呀？」

聽了這個，你是啥心情？ 是不是好想對著丫腦袋天降正義一下。

因為會做分析不代表會買房啊！因為真到買房的時候，你會發現首付，月供，投機賣家，土豪買家，甚至女朋友，老丈人，自己親媽都會成為比分析模型、數據、計算更重要的影響變數。不信，往下看：

籌備買房：突然發現自己爹媽一份錢都不肯支持。「這些錢是我們養老的，你不是年薪百萬高端數據科學家嗎，自己掙去啊！」即使在上海挑個便宜點的400萬一套的，首付也得140萬，家裡不支持的話，自己得攢多少年啊！更糟糕的是，辛苦工作3年漲薪了，發現房價漲的更快了！哭暈在電腦前。

開始看房：這時候才發現自己的女朋友是個現實版的樊勝美。房產證加名都是小意思，買房非要你出全款！蛋碎一地啊！這時候開始反思，當初為啥要找這種女朋友！可是真的很漂亮啊，夢中女神啊，費了九牛二虎之力才追來的啊！啥叫騎虎難下啊！

看房選房：好不容易籌集到經費，開始選房。終於想著數據分析本領可以派上用場了。做了爬蟲，爬取全上海在售樓信息。做決策樹模型篩選房源，整套過程行雲流水，心理暗暗開心。結果去到一問發現被土豪一把買走了！

購房意向：渡盡劫難，終於找到一套房子開始和業務談判，誰知政策忽然變了，房價開始暴漲！業主表示要麼加價50萬要麼不談了。~(>_

當然，更多的時候是看看房價，想想算了，可能女朋友還沒半個呢，先不買了。然後過了一年發現年薪漲了幾萬塊，房價漲了100多萬塊。加完班回出租屋，走出地鐵站，聽到派傳單的小哥鏗響有力的一句：「今年不買房，明年又白忙！」。心中五味雜陳，可能要去地鐵出口的燒烤攤擼幾串安慰一下了。

從分析到落地，隔著很多運氣

顯然大家已經看出來了，這個鍋不該數據分析工作背。因為整理數據，分析原因才是數據分析師的本職工作。真當一個數據結果落地的時候，要受多重因素制約。一個成功的項目，運氣成份非常重要。

然而很多人，特別是業務部門不這麼理解。既然你做了分析，就得對結果負責。如果按照分析建議執行總是不利，是不是在分析的時候就少考慮了很多因素呢？如果分析沒有結論，那隻能說明你分析的不夠專業！

因此作為專業數據分析的我們，必須很清醒的看到：到底業務部門提的是什麼問題？對症下藥，才能體現出我們能力高低。

總的來說，常見的問題分為三類：

數據問題：現在的房價是多少？預計明年房價是多少？

分析問題：為什麼預計明年房價繼續上漲？為什麼漲到這個幅度？

策略問題：明年我要買房，我該怎麼辦？

解決數據問題是分析師基本職責

出現：「是什麼？」的，是典型的數據問題。人們問數據問題，期待的是一個具體的數字。數字是多少，與統計口徑有關係。清晰表達一個數字，需要時間範圍，需要取數區域，需要計算公式。取數還和數據來源渠道有關係。越是內部的數據越準確，越是外部的數據越籠統。清晰了標準定義以後才能提供有效的數據。

比如當我們提及房價多少錢一平米的時候，我們是在談掛牌價還是成交價？（掛牌價通常都有很大水分）看成交價看多長時間範圍內的？（越長越不準）是在談商品房、小產權房、公寓？（實際上相當多小老闆在一線買小產權房）新房還是老房？（價格差太多了）我們談的數據是統計局發布、中介現場提供、還是購房網站公布？（含水量差不多是這個順序）

取一個數是數據分析師最基礎職責。然而即使取數也有能力高低。懂業務的分析師，可以圍繞取數目標提出更多精細化取數方法，從而更全面、更多維度反應事情全貌，給到業務部門其實。還以買房為例，新聞媒體總喜歡報道一些很宏觀的平均值。實際上深入到一個城市不同板塊、位置、樓齡的小區，是可以經常找到買房小機會的。

分析問題是分析師晉級要求

出現：「為什麼？」的，是典型的分析問題。解決分析問題，核心是邏輯，是弄清楚問題的因果關係並且加以量化。探索因果關係的過程有多種形式。可以先通過數據探索，尋找規律，再到現實場景中驗證。也可以先基於經驗，習慣，觀察到的現象抽象成數據指標，用數據來驗證是否這些感性的理論可以用數據支持。總之，分析邏輯的建立，提煉經驗，數據驗證的過程是必不可少。

這也是房價很難預測的原因。房價，特別是一線城市的房價早就脫離了正常產品銷售的範疇，成了一種政策產品。房價對政策反應非常靈敏。但是我們很難預知政策什麼時候出，會怎麼出。缺失了一個關鍵信息，就很難真正搞懂房價到底會怎麼走。今年年頭陳老師看中一套房子準備賣舊換新，結果限購令一出，丫一周內飆升100多萬……找誰說理去。(+﹏+)

分析問題布滿了數據分析師進階之路。從一個菜鳥入門剛會取數開始，分5個步驟逐步提高自己：

1. 描述現象

2. 發現異常值

3. 發現問題

4.發現導致問題的原因

5. 剖析重點原因

6. 預計問題走勢

這個過程，也伴隨著數據分析師對業務的理解。因為數字只是一個數字，數據是否反映了問題，反映了什麼問題，是什麼導致這些問題，是要基於對業務場景的理解，才能提高的。能夠看到數字就把問題潛在原因，預計對未來的走勢描述清楚，就已經是一個很優秀的數據分析師了。

策略問題需要與業務部門緊密合作

出現：「做什麼？」的，是典型的策略問題。策略落地，要考慮n多影響因素。正如同買房一樣，至少要考慮：

1.父母意見（領導的支持）

2. 男/女朋友一條心（上下游部門配合）

3.賣主不鬧事（市場環境良好）

4. 不遇到土豪買家（競爭壓力小）

5. 自己能籌集到足夠多資金（實力雄厚）

這時候真正體現出了長袖善舞，多錢善賈的道理。這也是為什麼很多人不重視數據照樣能獲得成功的原因。有可能人家就是財大氣粗運氣好，心黑手狠腰桿硬。這些也都是促進項目成功的原因。但這不代表數據分析師不能做事情。有很多場景我們可以提升決策效率：

1. 領導支持：總結經驗，提示方向，估算收益，爭取資源。

2. 部門配合：預計工作量，合理規劃工作，監測工作過程，提示問題。

3. 市場環境：採集信息，警示風險

4. 競爭壓力：採集信息，警示風險

最終，通過理性的分析，為項目籌集到儘可能多的資源，規避一些明顯的風險。項目做的多好，要看產品經理設計能力、運營操盤能力、市場的推廣能力。但項目做得多爛，則要看數據分析能否把之前遇過的大坑標識出來，能否及時感知風險，提示機會。在實際運作用，數據分析更多起提高下限的作用。

數據分析落地到業務是一個加分項。並不是所有的數據都能促成業績，但是這是值得努力的。畢竟沒有數據分析師甘心默默無聞當一個被人抱怨的支撐部門。我們掌握了科學方法，探索出規律，就希望他們能真正產生價值。就像如果真的用買房模型買到稱心如意的房子，就再完美不過了。

——全文還差一點就完了——

問：全文都在講第二怕被問到，那數據分析師最怕被問到的問題是什麼？

答：以陳老師的個人經驗，最怕的問題是：朋友聚餐，喝得七葷八素以後要買單，朋友們一起說：「來來來，搞數據的算一算賬單準不準！」o(╯╰)o

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！