Vol 13.0
2022年11月刊
2022年11月总第13期
CONTENTS
壹
一线
终于有人把数据岗的职能、工作内容、知识技能讲清楚了
贰
风向
叁
数说
肆
热点
编 委 会：数据部
主 编：赵凯
版面设计：赵凯
声明：所有素材均来源于网络，如有侵权请联系删除。
如何完成一份高质量的数据周报or月报
数据分析，如何支持决策
数字化转型，需要什么样人才体系？
终于有人把数据岗的职能、工作
内容、知识技能讲清楚了
□ 来源：知乎 作者：好好的分析师
□ 链接：https://zhuanlan.zhihu.com/p/418104163
“数据岗的职能是什么？核心价值是什么？工作内容有什么？每部分的知识和技能如何获取？”
壹
一线
“‘数据岗的职能是什么（做什么工作）？（对公司）贡献了什么样的价值？’是一件非常重要的母题”我说时来不及思索，但思索之后，还是这样说。
因为一旦思考清楚这个母题，对个人而言，就可以回答个人成长与职业规划的问题；对组织而言，就可以回答能力发展与组织建设的问题。为什么这么说？
图1：个人与组织待解的问题
放假回家，一家人围着餐桌闲聊。谈及工作，我妈问我：“你每天都在公司做些什么呀？”
我竟一时语塞，不是因为不知做了什么事；而是因为我们好像做了各种各样的事（维护指标体系、做专题分析、建数据表、建设数据产品、等等不一而足），但却很难简单明了的告诉我妈“我在做什么？有什么价值？”。
顿时感觉有点沮丧，因为“一件事情如果我没办法跟我妈讲清楚，说明我自己没有思考清楚。”。
因为工作的最小单元是一个个的任务。相似的任务聚合在一起，形成了职能；相关的职能组合起来形成了岗位。相关的岗位组合在一起，形成了部门；所有的部门组合在一起，构成了组织。
图2：知识技能、职能岗位、部门组织之间的关系
PS：这里以职能为主要的颗粒度，是因为：不同的组织由于实际状况的不同，对于相同名称的岗位，会设计不同的岗位职能。
“数据分析岗”在目前阶段就是一个非常典型的例子，在有些组织，这个岗位会归属与独立的数据部门，而有些组织内它会归属于业务部门（产品/营销/研发/等等）。在有的组织内部，对产品、运营等等岗位有不低的数据能力要求；而在有些组织内，则并非如此。这些现象的本质是不同的岗位设计，不同的职能组合。
而对个人而言，待完成的任务，决定了所需的知识技能；所以弄清楚数据岗的职能，以及自己想要履行的职能，就可以明白自己要掌握哪些知识与技能。即，解决了个人成长的问题。从承担单一职能，到承担多个职能（职责扩大化），到职能丰富化，进而到承担主要的协作职能（管理职能），就是职业规划与职业发展的一种路径图。
而对组织而言，明确哪些是需履行而目前未履行好的数据职能，就能明确能力发展的方向；对职能的重组和对岗位的重组，使得整体的工作更加顺滑、高效，就是一定程度上的组织建设。
这也是为什么，有的同学说，在他们公司，数据分析师从不跑SQL；有的同学说，数据分析师要懂数据产品设计；有的同学说，数据分析师要熟悉各类算法；等等。这些同学说的都对，都是实际情况；但这不意味着数据分析师什么都要会，什么都要懂，什么都要做。
一、核心职能：数据岗位的核心职能是什么？
谈到数据岗的工作有哪些，大家的脑海里肯定会浮现出特别多的词：ETL、取数、做报表、专题分析、指标体系。绩效管理，不一而足…… 但是究竟什么才是数据岗的核心职能？如何通过一句话总结性地告诉父母，我们在做什么工作呢？
图3：数据岗的工作事项
“千举万变，其道一也。”——《荀子》
现在，我们弄清楚了数据岗的两个核心职能。那么这两个核心职能对于组织（企业）而言，有什么样的价值呢？
好好认为，数据岗的核心职能有两个：① 产出数据资产；② 提升信息的价值密度。
数据资产：所谓数据资产，是个人/企业所控制的，预期会带来未来经济利益的数据资源。这种资源可以是以物理形式存储，例如文档资料；也可以是以电子的方式记录，例如电子文件。
价值密度：所谓价值密度，是指一个数据集预期可带来的经济收益，与其数据量的比值。这里的数据集，可以是51字节的一句商业判断，也可以是3M的数据分析报告，也可能是PB/EP级别的数据库。
我们不妨一起来检验一下这个定义：
图4：典型数据工作的职能归属
图5：数据职能的价值
这么说稍微有点抽象，这里以问答社区（知乎）为例，简要说明一下“业务数据化”与“数据业务化”的含义。
大家可以稍微回忆一下：当我们在访问问答社区（刷知乎）时，都会产生哪些行为？
简单列举一下，例如：阅读、播放、点击、滑动、跳转、点赞（双击屏幕即刻体验）等等。这些用户的行为，都可以归属为知乎运营业务中的一部分。
而知乎记录这些“用户行为”的过程就是一种“业务的数据化”。但如果仅仅是用一个又一个的分区，记录这些行为日志，只是产生了数据，而没有产生价值。
当知乎加工、分析、利用这些数据进行产品设计，对用户进行信息推送时，就完成了一个“数据业务化”的过程。
图6：“业务数据化”与“数据业务化”案例示意
二、生产关系：数据职能对于组织而言贡献了什么价值？
两个核心职能，对应了组织的两个核心能力：
“产出数据资产”是一个量化业务的过程，对应着组织“业务数据化”的能力。
“提升信息的价值密度”是一个驱动业务的过程，对应着组织“数据业务化”的能力。
简而言之，数据职能在组织中贡献的价值就是：量化业务与驱动业务。
在明确了数据职能在组织中的价值之后，我们最后来回答关于个人职业发展的问题：数据分析如何入门？数据岗需要储备哪些知识与技能？如何成长？
我们常说，有些事是我们擅长的，有些事是我们热爱的，有些事是这个世界所需要的。而我们职业发展的目标就是找到这三者的交集。
图8：职业发展的目标
在上述的例子中，相较于数据业务化，业务数据化好像是一个相较而言比较简单的能力，涉及的主要工作事项就是数据埋点和落库。
但实际上“业务数据化”并不简单。仅仅是一个页面的PV的统计，就要考虑、是否弹窗、用户是否切换Tab、是否最小化窗口，等等实际操作场景；最终，可能要经过长时间的多次迭代，才能得到一个较好的埋点标准。
通过“业务数据化”和“数据业务化”，组织可以建立起一个正向的闭环数据流。在这个正循环的过程中，数据越用越多、越用越好。
图7：闭环数据流
所以：
首先我们要弄清楚组织需要各个岗位做什么工作。在了解工作内容之后，我们就可以对自己是否感兴趣做一个初步的判断。当然很多时候，还需要通过尝试的方式，去探索自己的兴趣。
然后，我们根据工作的内容来补充自己的知识与技能，逐步从入门到精通。
1、数据岗位的工作内容
前文提到， 公司的目标是通过“业务数据化”与“数据业务化”建立起一个正向的、闭环的数据流。
而数据岗的工作内容，抽象而言，就是支撑起整个数据流运转；具体而言可以分为：生产数据、处理数据和消费数据三大模块。
下图简单示意了，不同岗位在数据流中所处的位置：
图9：不同岗位在数据流中所处的位置
三、知识技能：各岗位有哪些数据类工作，需要哪些知识技能？
PS：以上仅为示意，不同企业可根据实际状况进行调整。
因为很多同学，对数据分析师的工作非常感兴趣。这里以阿里集团为例，简单介绍一下中台数据分析师日常的工作内容。
开拓新的数据源：例如，信息爬取、竞对分析等。
产出表资产：例如，在DWD（明细数据层）的基础上，建立DWM（数据中间层）和DWS（数据服务层）的数据表。
沉淀分析方法论：例如，指标拆解、异常监控、因果推断等。
搭建与维护指标体系：例如，指标设计、指标体系建设等。
建设与维护数据产品：例如，指标管理系统、数据报表、数据看板、分析引擎等。
关于“临时取数需求”，好好将其归属与“数据产品”这一个工作分类下。这是因为：找分析师跑SQL取数的根本原因，在于数据产品没有建设好，或是没有建立起良性的合作机制。进而导致了各方需要“绕道”数据分析师这个“产品”来取数。
输出商业洞察：如分析报告等。
在阿里巴巴，中台数据分析师的日常工作中，主要的交付物有6类：
1、开拓新的数据源
2、产出表资产
3、沉淀分析方法论
4、搭建与维护指标体系
5、建设与维护数据产品
6、输出商业洞察
图10：数据分析师日常工作中的主要交付物
这里再简单介绍下其他岗位的工作：
○ 数仓工程师的主要工作包括生产与加工数据。
· 生产数据：比如埋点设计，将业务事实转化为数据落表等。
· 加工数据：比如数据治理，通过ETL的流程，保证数据的质量。或是数据架构设计，使得数据的存储、加工、调用等有保障的同时，控制成本与风险等。
○ 算法工程师的主要工作包括加工和消费数据。
· 加工数据：比如用户打标，通过算法对用户原始的数据信息进行加工，进而给用户打上标签，描述TA现在可能的状态，或是未来可能发生的行为。
· 消费数据：比如算法推荐，基于用户的历史数据，给出推荐。或是时序预测，对未来的业务状况进行预测，进而作为决策的依据。
○ 用户研究岗的工作内容涉及到生产和消费数据。
· 生产数据：比如调研问卷、焦点访谈等。
· 消费数据：比如消费者洞察报告、UI设计建议等。
其他岗位，好好在此就不一一列举说明了，因为不同的公司，对相同岗位也会有不同的职能安排。以上介绍也仅为抛砖引玉，还望有不同看法的同学，不吝赐教。
但方法是可以复用的。当你在开展工作时，可以分析一下，你所在的公司的数据流情况，以及不同的岗位，在整个数据流中承担的职责与贡献的价值。
希望以上的介绍，能让大家对数据岗的日常工作有一个简要的了解。
2、数据岗所需的知识与技能
就工作内容而言，这中台数据分析师的工作既涉及到“业务数据化”（开拓数据源、表资产），也涉及“数据业务化”（指标体系、分析方法论、数据产品、商业洞察）。所以说，所需的知识与技能是比较广域的。
根据这6类工作内容，我们来逐一梳理一下数据分析岗所需的专业知识与技能：
通用的职业技能，如沟通方式与方法、时间管理、预期管理等，好好在此不多赘述。
①、开拓新的数据源
· 知识方面：学习搜索技能、积累公开数据源的路径、掌握竞对分析的方法论。如有余力，可以学习一些用户研究相关的知识，如调研问卷设计、访谈设计等。
· 技能方面：如有余力，掌握一些初步的爬虫技能；至少知道什么信息可以通过网页爬取的方式获得。
②、产出表资产
· 知识方面：学习基础的数据库相关知识。有志于更深入了解数据资产管理的同学，可以看看《大数据之路》、《华为数据之道》等为切入点。
· 技能方面：掌握SQL。在有基础编程与数据库知识打底的情况下，可以直接通过牛客的SQL题库边练边学。搜索引擎是一位很好的老师，何况工作之后也大多数时候是面向Google编程。
如果暂时还没有基础的编程知识，可以考虑通过北京理工大学，嵩天教授的《Python语言程序设计》入门。学习曲线非常适中。
③、沉淀分析方法论
· 知识方面：需要有一些数学/统计学的基础知识，并且掌握一些通用的逻辑思维方法，如金字塔原理等。如有余力的，可以学习一些算法模型相关的知识，如回归、分类、聚类等。
· 技能方面：掌握一些处理数据的工具，如Excel、Python等。
④、搭建指标体系
· 可参考之前的推文《终于有人把数据指标体系讲明白了》。
· 当然最重要的，依旧是理解业务。
那么怎么理解“理解业务”这件事呢？
好好也没有想到一个非常好的形式上的定义。这里好好给一个举例式的定义：如果你是一个保险从业者，最基本的要求是知道“一张保单是如何流转的”。如果你是一个电商从业者，最基本的要求是知道“消费者从登陆到交易完成的整个链路是怎么样的”。
⑤、沉淀数据产品
· 知识方面：掌握一定的数据可视化相关的知识，在此推荐电子工业出版社出版的《数据可视化》。对于数据治理相关的知识，可以参照上文提到的《数据中台》《大数据之路》《华为数据之道》等；如要更加深入的介入数仓建设，可参阅Kimball的《数据仓库工具箱》
· 技能方面：掌握至少一样BI看板设计工具，如FineBI等。如有余力可以学习一些产品设计原理，如尼尔森十大可用性原则等。
⑥、输出商业洞察
· 技能方面：掌握一些基本的PPT制作方法，即保证一定的美观性、又提升工作的效率，最重要的是保证信息传递的有效性与高效性。当然，在实际工作中，直接套用模板是非常省事的。
· 数据岗的核心职能：数据岗的核心职能有两个，第一，产出数据资产；第二， 提升信息的价值密度。
· 数据职能的价值：通过数据量化与驱动业务，帮助组织实现“业务数据化”与“数据业务化”。进而，建立起一个正向的闭环数据流，使得数据越用越多，越用越好。
· 数据分析岗的工作内容：① 开拓新的数据源、② 产出表资产、③ 沉淀分析方法论、④ 搭建与维护指标体系、⑤ 建设与维护数据产品、⑥ 输出商业洞察。
· 如何积累所需的知识与技能：任务驱动、目标导向。
四、小结一下
贰
风向
如何完成一份高质量的数据
周报or月报
□ 作者：小火龙说数据
□ 链接:https://mp.weixin.qq.com/s/xngUDFxMNYl-aBk2XU31iw
在日常工作中，数据分析经常扮演着“医生”的角色，无论是产品、运营、策略、市场，都需要定期的数据分析报告，来评估现阶段产品的健康度，并且有针对性的制定下阶段的策略方向。而周报/月报（以下简称为周报），则是最直观、最通用的方式。
数据周报的目的，根据「汇报内容」和「汇报对象」形成一个面，如下图：
01 数据周报的目的
横向 – 汇报内容
度量业务健康度：根据用户的行为数据，排查日常数据波动的原因，同时度量策略迭代的效果。
探索业务机会：通过近期热点事件、热点APP、热点功能，探索业务可发展的机遇，给予上层及业务方指导性的建议。
例如：近期数字藏品搜索指数上涨明显，是否有价值？我们要不要做？
纵向 – 汇报对象
在做周报之前，需要知道汇报对象是谁，不同的汇报对象关注的方向是不同的，直接影响内容的侧重点。
汇报给高层：关注市场方向，基于数据分析及数据探索来做决策，根据业务价值考虑投入多少资源。
汇报给中层：关注策略方向，基于数据分析制定产品策略，同时评估现有策略的效果。
数据周报汇报内容
当明确了周报的目的后，需要汇报哪些内容？并以何种形式进行展示？便成为数据同学最关心的问题。这里，小火龙分享给大家一种通用的汇报格式，可以参考，但并不局限于这一种。
其中，内容涵盖：周报摘要、核心数据、下周计划。
周报摘要
摘要以几句话描述过去一周的核心内容，能够让大家在1-2min内了解全貌。老板一般都比较忙，需要快速了解近期产品现状、出现了哪些问题、以及作了哪些决策。因此摘要内容需要：重结论、轻数据。
摘要总结上，可以参考「四段式」总结法：定性结论、定量结论、业务原因、影响周期，将结论一句话表述清楚，例如下图：
核心数据
核心数据模块，主要涵盖三个方面：业务概览内容、异动分析内容、探索专题分析内容。
业务概览内容：业务北极星指标现状趋势，重点标出「异动点」，结论一目了然。
异动分析内容：维度下钻拆解，对业务概览的详细解读，善用图表与文字的结合。
探索专题分析内容：该模块不是必选项，针对专题进行分析，如果有能够落地的结论，可以在这里体现出来。
下周计划
周报需要让老板了解数据方以及业务方下周的工作规划，这部分内容往往与业务同学沟通之后再行制定。内容需要有逻辑，以1、2、3点的方式输出，简明扼要。
例如：功能渗透率=功能页面曝光uv/dau OR 功能渗透率=首页功能tab点击uv/dau，两者的差异在于加载是否成功，有时候会出现较大差异。
指标理解问题：由于有些指标含义很相近，需要避免理解上的偏差，建议将易混淆指标的计算方式加在备注中。
例如：ctr=点击次数/展现次数；uctr=点击用户数/展现用户数。
最后，和大家谈谈日常数据报告的几点注意事项，看看你有没有踩过坑！
1、内容 – 数据质量：数据报告最基本的要求是数据不能有误，数据错误可能有以下几项原因：
· 数据底层问题：需要充分了解底层数据逻辑，是否做过过滤？是否做过筛选？
· 指标定义问题：指标定义是否正确，是否符合业务的需求。
2、 内容 – 数据结论转化为业务结论：在输出报告之前，需与业务同学沟通，站在业务角度给出结论，而不能仅仅阐述数据。这里需要注意，如果问题比较隐蔽，没有排查出来，不要硬上结论，可以在周报中标明：问题仍在差异，晚些给出。
3、 汇报 – 从业务角度沟通问题：很多数据同学在汇报的时候，会犯一个问题：从数据现状上讲了很多，但没有结论，也不知道为什么数据会这样。由于我们的汇报对象往往是业务的leader，因此要站在业务的角度聊数据。
4、 汇报 – 输出对于产品的改进：如果能探索出对业务有价值的数据内容，在汇报中给予体现，会是一个很好的加分项。
5、 提效 – 搭建周报模板：由于周报是每周例行的工作内容，提效是必要的。提效的方式有很多种，Excel vba模板、平台化自动输出分析数据，都是不错的方法，可以参考借鉴。
6、 提效 – 分析思路沉淀：报告的提效，沉淀是必不可少的，同时分析的方法论可以迁移到其他的应用场景。
数据周报异动分析思路
数据的异动分析查询，小火龙在之前的文章中分享过沉淀的方法论，感兴趣可以戳蓝字部分，这里就不再展开了，同时附上「异动分析思路图」。
异动分析思路：如何30min内排查出指标异动的原因？
异动维度排查：指标异动排查中，3种快速定位异常维度的方法？
异动问题量化：指标异动排查中，如何量化对大盘的贡献程度？
注意事项
数据分析，如何支持决策
□ 作者：接地气的陈老师
□ 链接：https://mp.weixin.qq.com/s/JCL7XZ6siauEKQvFHzBcqA
“数据分析要支持管理层做出科学的，准确的决策”
——这是很多企业对数据分析师的要求。然而问题来了：到底咋个支持法？！为啥辛辛苦苦码了一大堆数据，还是被说：没啥用？
要素一：决策目标。
提高女朋友满意度。
要素二：决策层级。
最高级决策：要不要出去玩（要/不要）
次一级决策：要去哪里玩？（已决定：要玩，再考虑：近郊/远郊、室内/室外）
次二级决策：要去哪个具体场所玩？（已决定：远郊，室外，再考虑：公园/游乐场/景点……）
次三级决策：要怎么去？在哪里吃饭？怎么回？（已决定去郊区著名景点，决定行程细节）
要素三：评价因素。
比如基于以下因素，决定出去找个地方玩：
1、现在是秋天，天气好
2、女朋友喜欢出去玩
3、附近有个几个景点口碑还不错
4、附近这几个景点还没去过
这些就是支撑：“出去玩”的评价因素。评价因素是用来判断决策是否科学的重要依据。
因为很有可能决策人在谋划阶段思考的因素，在现实中不成立，比如：
1、现在是秋天，天气好——这两天突然很阴沉想下雨
2、女朋友喜欢出去玩——但是这两天没心情
3、附近有个几个景点口碑还不错——但是女朋友听闺蜜说这都不好玩
因此，根据实际情况作出评价，修正决策，就变得非常重要。
叁
数说
一、剥去决策的神秘面纱
很多同学一听到“决策”俩字就怂了。对“决策”的第一印象，就是各种听不懂的高大上词语，什么“把握机遇”“苦练内功”“真抓实干”……这些东西咋个和数据扯上关系？
如果只看这些玄幻词语，确实和数据没啥关系！所以想要数据支持决策，第一步，就是剥去决策的神秘面纱，用最简单直白的数据模型来描述决策这件事，这样才能做到可量化，可分析。
举个最直白的例子，一个小伙好不容易盼到周末，终于可以跟女朋友约会了！那么他该怎么办呢？这就是一个典型的决策问题。
二、决策的三大要素
三、决策的四大原则
在做决策时候，有几个基本原则：
原则一：清晰决策目标。
如果目标是“我得尽快甩了她”，那后边就想着怎么冷暴力好了。
原则二：决策层级围绕决策目标构建。
如果目标是“讨好女朋友”，那后边就不要想着周末自己憋家打一天游戏，然后扣个可乐拉环当戒指糊弄过去。
原则三：每一级决策受上一级制约。
如果已经选了去远郊，出行方式就只能考虑：租车/打车，最好公交都不考虑。
原则四：每一级决策有自己的评价因素。
决策人根据实际情况，修正评价因素。
了解了这四大原则，我们可以进一步看：数据在决策中的作用。
决策的科学性和准确性，也可以一定程度上通过数据保证。
所谓的决策不科学性：原本可以出去玩，结果非宅家惹女朋友不开心。或者本来可以去景点，结果因为不知道，所以没去。通过数据澄清现状，梳理逻辑，可以避免这些问题。
所谓的决策不准确：原本该打车，结果算错了时间和距离，做了公交，把女朋友累得半死大发脾气……
虽然数据不能直接告诉你科学、准确的决策是啥。但是是否当前的决策不科学、不准确，有多大概率是科学、准确的，是可以评估的。
故事到这就讲完了，估计很多小伙仰天长叹：诶呀吗，你看我都没有女朋友。可见决策是个多么难的事呀！实际上，在企业里做决策，比追女朋友容易得多。
四、数据如何支持决策
注意：决策是个业务能力，理论上跟数据没啥关系！就像小伙子去约会，如果他高大英俊，气质不凡，腰缠万贯。那即使他啥都不做，都有大把女生扑上门来，满意度还贼高。
BUT！小伙们自己照照镜子，每日三省吾身：高否？富否？帅否？绝大部分小伙既没有倾国倾城的相貌，又没有亿万身家，这时候就得认真思考该怎么和女孩子相处。这时候，又会冒出来更多问题。
问题一：压根不知道干什么。很多钢铁直男除了傻憨憨地问好，就不知道干啥了。有几个餐厅，几个公园，几个游乐场，有啥电影可以看，全不知道。这咋进一步决策嘛。
问题二：知道有可以做的事，但不会评估。知道上海有迪士尼，广州有长隆，就憨憨地拖着女朋友去，天气咋样，有没有心情，一概不考虑，结果无辜被喷。
问题三：评估层级不够细，越往细节问题越多。女朋友想去长隆，于是兴冲冲定了票，至于交通咋走，去了咋吃，准备多少钱，全没安排，结果一路搞得小姑娘又饿又累，花钱不讨好。
当遇到不知道，不明确，算错数的情况，就是数据发挥作用的时候了！
这时候数据可以：
` 澄清现状
` 梳理逻辑
` 计算过程
从而支持决策。
五、企业经营决策与数据分析
之所以在企业里做决策比自己追女朋友容易，是因为但凡有点规模的企业，都有组织架构和人员分工，但凡是个正规企业，都有清晰的经营范围。因此只要能了解企业的业务特点，部门分工，就能按图索骥弄清楚决策特点。这可比猜女生的心思容易太多了。
站在数据角度，企业决策的内核并不复杂，其核心，就是：
` ABC指标，做哪个？
` 从多少，做到多少？
` 多长时间内做完？
这三个问题答完即可，剩下的是具体执行问题。不同部门、不同等级的领导，关心的指标肯定不同。
部门间的区别：
` 战略发展部：全公司经营性指标
` 销售部：销售金额、销售数量、销售回款……
` 运营部：总用户数、新增用户数、活跃用户数……
` 供应链：生产订单数、产品供应数、物料使用数……
领导等级也有区别：
` 公司级高管：战略性问题，如发展路线，考核标准，职责划分
` 部门级领导：战术性问题，比如具体做哪些产品线，哪些客群，任务分配
` 小组及领导：战斗性问题，比如是早上干还是晚上干，颜色红色蓝色，按钮左边右边
并且，很多决策是有固定套路的，比如对于单产品，有三种典型策略（如下图）。
对于多产品线/业务线，也有三种典型策略（如下图）。
实际工作中，数据支持决策之所以难，主要难在：
1、不懂业务，部门、层级、分工、目标完全弄不清
2、没有分清决策层级，不是做的太浅，就是一下扎的太细
3、没有列罗每一级的评估因素，评估不够充分，不能说服人
当然，更糟糕的做法，是试图建立一个神威无敌大将军超牛逼模型，一模解千愁，把各种各样的问题都分析清楚。真要有这么厉害的玩意，强烈建议不要打工了，直接去炒股，一摸一个准，下个世界首富就是你，欧耶！梳理问题逻辑，层层递进，多种方法组合，才是支持决策的正道。
然鹅，总有那种很作的女朋友：
你问她想去哪玩，她说随便
你建议去室内的，她说无聊
你建议去郊外，她说太累
你说咱们讨论讨论，她说你直男！没脑子！
你怎么就不能读懂女孩子心呢
就是得我嘴上啥都不说，你一下精准猜出我的想法真要是谈恋爱遇到这种姑奶奶，强烈建议直接踹了省事，咱伺候不起。
所以对各种业务的数据形态有积累以后，就能很容易照葫芦画瓢，帮领导理清决策逻辑（如下图）。
数字化转型，需要什么样人才体系？
□ 作者：千冰仪
□ 链接：https://mp.weixin.qq.com/s/2LMJ0Sm7ouDjbjMOYUP2TA
一、数字化转型的动因
数字化转型的含义以及重要意义在各种场合的峰会、不同级别的分享都已经耳熟能详了，每个都知道它，但并不是每个企业都知道该从哪里着手去落地。偶然进了一个数据产品经理的直播分享群，看到群里很多人在问，数据产品经理在数字化转型中起到什么作用，金融、证券等不同行业，如何实施数字化转型等等问题。结合当下的秋招求职季，就简单分享自己对于数字化转型的理解，以及在转型的过程中，需要怎样的人才体系。
肆
热点
既然数字化转型的终极目的是降本增效，以终为始，那就要先看目前的经营流程中，主要的“本”花在了哪里，这时涉及两个层面，一是要能够梳理清楚现有的核心业务流程，二是有没有完善的数据，可以去衡量这个成本。借用著名管理学大师彼得德鲁克的一句话，“如果你没法衡量它，你就没有办法改善”。对于营利性组织，不管是ToC还是ToB亦或者ToG，其目的都是通过提供某种产品或服务，以获得商业价值，所以经典的营销理论-4P理论仍然适用。
Product(产品)：产品&服务的生产过程中，数据可以发挥哪些作用？
1.通过数字化监管生产过程，提供数据化管理抓手
互联网行业的数字化进程相对较快，各种App的埋点采集方案发展成熟，对用户行为的细致分析，找到产品流程中的改善点。而在工业、农业、制造业等行业，主要依赖传感器将采集设备数据，再将数据转化成决策信息。工业4.0，农业数字化，首先要解决的就是有数据，用数据的问题。
2.将数据能力整合到产品当中，提供更加智能和强大的产品能力
产品千人千面的个性化推荐，到AI人工智能机器人、智能音响、无人驾驶，通过对数据的挖掘和应用，不断对产品进行创新，提升产品的吸引力。数据的智能化应用场景，也自然成为数字化成熟度的重要指标之一。
试想，对于一个隐居山里，自给自足的人来讲，他只需要自己掌控好自己的生活节奏，自己开心就好。而一旦他进入了城市生活，面对林林总总的物欲横流，邻居家又拆迁了几套房，换了几辆车，孩子工作年薪百万后，他的心态还有多大可能处之泰然呢。
同样，数字化转型驱动的根因就是一个“卷”字，当同行都已经用10块钱去获取一个新客，用2周完成一个新产品的上线，而自己企业还需要100块和1个月，你说老板急不急。尤其是近几年国际形式不稳定，疫情持续反复，不管是个人还是企业消费态度逐渐悲观后，大家都想拼了命的降本增效，以度过这个寒冬。随着大数据、AI、云计算等技术的成熟，数字化自然就成了降低经营成本，提升运营效率的利器。
二、数字化转型，转什么？
Promotion（促销）：酒香也怕巷子深，促销的目的是为了带来用户的增长，包括新客的获取和老客的复购。数字化转型要基于数据，构建用户画像信息，从而进行自动化的营销，实现用户运营的精细化、个性化。
Place（渠道）：流量红利过后，用户流量相对集中在少数的头部流量池中，对于企业来讲，需要通过数据手段，找到自己产品的目标受众，而不是“盲投”。
Price（价格）：赔本赚吆喝是互联网早期的跑马圈地常用手段，但泡沫散去后，可以烧的钱越来越少了，怎样站着把钱赚了，也是数据要解决的问题
此外，为了把产品和服务生产出来，涉及到的人事流程、财务流程、IT流程，也都是数字化转型的内容之一，通过数据优化人力资源、财务流程达到降本增效的目标。
数字化转型本质是业务问题，其次才是技术问题，所以数字化转型想要成功，首先需要知道数据可以在业务中发挥什么样的价值，然后才是对应的数据技术、数据平台、产品工具等。在转型过程中，涉及的人才结构如图：
三、数字化转型需要什么样的人才体系？
1.CIO/CTO
数字化转型是一把手工程，转型必然涉及现有组织或流程的变革，自下而上的转型几乎不可能成功，所以需要战略层面的授权，否则师出无名必然功败垂成。
2.外交官
术业有专攻，尤其是传统行业的业务人员对数据的认知处于比较浅的层次，想要在转型过程中，数据团队不是闭门造车，而是深刻的理解了业务流程和痛点，就需要具备深厚的数据功底的“外交官”的角色，去不断深入业务过程，可以告诉业务数据能够带来哪些改变，现有哪些数据，还需要做哪些工作。这一角色最好主要由数据产品经理承担，因为他可以去协调组织不同的资源，去把事情做成。同时数据分析师，或者数据仓库的负责人也可以参与，作为信息的输入和输出。
3.智囊团
数字化转型最终的目的是带来实打实的价值收益，所以需要能够基于数据，充分挖掘出有用的信息，为业务提供决策或智能应用的输入，数据分析师主要利用数据分析的技术和手段提供最优的决策，算法工程师则依赖于AI技术，提供更加智能的能力，比如基于AI的智能排班流程，个性化营销或产品推荐服务等。数据产品经理主要是参与其中，提供部分业务知识的输入。
4.奠基者
数据是数字化转型的根据，没有数据或者数据脏乱差，转型过程必然坎坷或面临失败。数据汇聚、清洗加工处理，形成可以高复用的数据资产，并对数据进行持续的治理，保障数据质量，降低存储和计算成本，主要是数据开发工程师的职责。在这过程，数据产品经理主要是数据需求或数据产品需求输入，提供数据资产建设所需要的业务信息输入。
5.建筑师
工欲善其事必先利其器，数字化转型过程中，数据从采集到分析应用过程中，基于数据产品或工具来提升数据应用流转的效率，在这过程中，需要相关的数据产品经理规划和设计对应数据产品，由前端工程师和后端工程师进行开发变现。
四、总结
数字化转型是未来五到十年的重要方向，在企业经营或政府管理过程中，可以通过数据化的指标监控以及智能化的产品应用，来提升经营、管理效率。数字化转型过程中，垂直的岗位包括数据分析师、数据开发工程师、算法工程师、平台研发工程师，而数据产品经理则是一个综合性的岗位，虽然不像其他角色直接进行分析或者开发具体的产品，有很高的技术门槛。但如果能够把数据能力和业务知识充分结合起来，带着数据团队，把数据赋能业务的能力充分体现处理，那么将是不可或缺的。
时光短促，
我只愿时光静好
增值电信业务经营许可证：陕B2-20210327 | 
陕公网安备 61102302611033号