这是一句说出来大家都认同的话，但对于所有从事数据分析的人来说，这又是一句没用的话，因为根本不知道章法在哪里。
有些大道理说起来其实都很很轻松，你做起来就不是那么回事了，我们在做数据这行时，习惯从战术角度快速寻找到办法解决问题，这本身没什么不对，不过，一旦到了自己的问题，该解决不了，还是解决不了。剩下的办法看似只有看书，自己练习，和别人交流，把战术向方法论转移过度。
其实，在个人看来，我们去用数据作分析时，忽略了前面还有商业二字，而商业意味着人，场景，问题，解决方案，反馈等等吧，算法，技术细节很重要，但未必是最重要的事情。往往我们在进行数据的使用和分析时，缺少的是一套数据分析思维，而不是技能和工具掌控能力。
数据是用来解决问题的，首先你要学会的是分解明确问题。当我们确认一个需求时，往往对问题的定位和需求梳理，其实是不明确的，问题本身的提出者可能无法特别清晰的描述自己的痛点和需要解决的问题。这是个很现实的情况，有时候可能就是一句话，有时候又会限定的特别死。而作为一个用数据来解决问题的专家或者团队，你需要明确的用类似于prd一样的嗅觉和方式，去不断明确要解决的问题，从一个大范围向小范围缩窄，直到你的定位和问题提出者的诉求达到最小一致性为准。如果在一开始你无法去取得一个问题理解的一致性，那后面的事情都是无法开始进行的。我们知道一般的问题提出要么极其具象，要么极其模糊和含混不清。只是个大概的范畴。用数据来解决的问题，最终都是要有目标管理，就是怎么量化是否解决的好。
所以，你要花一些时间去不断询问问题，定位问题和痛点。而如果问题提出者不够清晰，更多时候，你要站在业务交付去尝试的理顺和帮助问题提出者明确的关键信息，进而为自己的接下来工作打下基础，此外，这也是在初期与问题提出者协商一致的重要因素。这里面有个工具还是很不错的，叫做OGSM:
对于大多数人在一开始要去用数据解决问题时，都要从文字上准确描述目的是什么？这也是如果清晰定义商业问题，要达到什么样子的预期效果。此后作为数据专家，则需要设计相对应的指标或者数据来进行目标的管理和确认，因为最终对于问题的解决好坏，直接反馈在目标数据的管理层面。 第三步则就是，你该如何针对前面梳理的内容，制定具体的执行方法，而这一步往往是怎么用你的专业知识解决商业问题。最终还要去设计一个监测和量化的标准体系，用于对目标数据的反馈。
OGSM的框架看似简单，但其实是一套对于商业数据分析开展工作的有效机制。直白的讲，当你要开始一个新问题的解决时，你需要有一封邮件或者一张纸，从以上四个部分，快速的形成对于一个项目或者问题的准备。此后，就是依托于制定的这套方针开始执行。
策略是以商业场景作为考虑的，做数据时请先定框架。当你有了清晰的问题定义和目标后，接下来你还是要从问题本身出发，提出一套解决问题的框架，当然这个思维框架是解决实际的应用问题，注意不单纯是考虑使用什么算法和模型的问题，而是问题该结合应用场景，该怎么展开阶段式的突破。这一点是最需要和商业问题本身结合处理的。我们多数人因为没有商业问题应用的感觉，我们是以线性的思维在考虑是否可以到到纯粹的目标结果，而忽略结果本身也许偏离了应用的轨道。比如结果准确度提供0.1%，并没有在业务上显现出巨大的提升。那么这种纯粹的追求准确度，丝毫不解决业务问题。商业问题在遇到数据，有时候需要循环迭代和测试，是需要一些妥协的。生硬的结果不代表应用能力有极高的提升和更好的效果。
商业的感觉最直接的源于就是在策略的制定阶段，你要从全局问题考虑，而不是局部最优。因为你的局部解决再好，对于你要解决问题的全局其实帮助的作用不是那么大，我们很多做数据分析的人，其实不懂得一定的妥协，这导致你的分析和结果，难以高效的服务于商业。比如你能100%命中一个人，跟你80%命中100个人，在实际业务中，你收到的业务人员的反馈是完全不同的。因为数据首先服务于商业，要力求效益最大化。
做数据请考虑人的因素。数据工作本身就是一个和人打交道的工作，商业感觉的一个重要方面时，你的问题解决方案在过程是要保持和问题提出者的互动和通俗的讲解远理和效果。而不是隔离开纯粹的捣鼓一个准确率。脱离了问题提出者的过程建议，也许最终结果即使满足了你的需求，但问题提出者不一定买单。这是在商业环境很现实的情况。我们要避免过程问题提出者在应用成果时是单纯的吐槽好坏，而没有建设性的建议，包括仅就单次结果进行评论。数据的工作把本身就是在不断优化和提升，接受好的效果，也能接受不好的效果，总之这都是效果。
而我们没有理解商业问题本身诉求，只是纯粹抱怨业务人员的反馈，其实接下来什么也做不了。沟通和协商是必须有的。
数据不是万能的，商业问题有他本源的面貌。数据的生命力是需要经过人的处理和不断破译才会发挥价值，数据本身不会说话，另外数据多数情况下，能够被使用的，也是人们选择性的采集和加工的。一定程度上，是带有商业选择和目的性的，也就是说你看到的和可以获取的本身就是带有偏见的数据。所以，你的分析，对于数据的理解，是需要考虑商业和场景的。数据可以告诉你很多的信息，但是这些信息是被遴选出来的。我们需要从数据中去得到一些见识，但是同时，也要去看到数据的局限性。而要想去突破局限，更多的要考虑如何通过不断的循环迭代和不断的数据优化，破解商业问题。这是从商业出发，逆向反馈到数据的源头，帮助不断丰富数据，不断基于商业考虑，去挖掘很多数据，再完善和解决商业问题。
原文地址：https://www.cnblogs.com/yuyang-DataAnalysis/p/10124454.html