大数据未来前景如何？重要吗
新闻来源：优漫教育
日期：2021-06-21
现在，许多互联网公司都提供数据分析服务，但真正使数据分析能产生商业价值的公司寥寥无几。所以，本文结合作者本人多年的数据分析经验与理解，希望能给从事数据分析工作或有兴趣进行数据分析工作的读者提供一个框架，以思考数据分析的价值，更好的帮助大家利用好资料分析…
一、为什么数据分析如此重要。
对toC类产品来说，由于覆盖的用户较多，用户基数大，用户多种多样，背景不同。对于用户来说，我们很难完全了解其情况(调查问卷也只涵盖了部分用户，调查问卷得出的结论可能并不一定能真实地反映整个用户)，因此，如何使产品更好地为用户服务，如何真正为用户创造价值，是每一个提供toC产品和服务的公司都会头疼的问题。幸运的是，大数据为我们理解用户提供了一个窗口，用户在产品上的操作行为为我们理解用户提供了“蛛丝马迹”，用户的操作行为也是用户最真实意图的反馈，通过对用户行为的分析，我们能够更详细地了解用户，最终引导我们更好地迭代产品，为用户提供更好的服务体验，通过用户行为分析得到的认知，也能够引导我们更好地运营内容和用户。在适当的变现手段的帮助下，更好的为用户服务，最终产生商业价值。
深入了解数据分析的价值，能更好地帮助我们拓展业务。本文在第二、三小节中，分别从数据分析本身和业务维度两个方面对数据分析的价值进行了阐释，并对数据分析的价值进行了分析。
二、以数据分析本身为维度，思考数据分析的价值。
所谓数据分析，就是利用一些数据分析工具、手段、方法或思想，从大量、异构的数据中发现规律，从而揭示数据背后的真实情况，为我们进行业务开发提供决策依据。通过对数据本身进行方法和形式的分析，数据分析的价值体现在以下6个层面。
1、展览。
把每天的重要指标，如每日新增用户数，DAU(DailyActiveUser)，会员用户活跃度，会员购买率等等，以可视化的方式展示出来，可以使公司老板或业务主管对整个核心数据有一个全面的了解，从而能把握大趋势。这些数据分析的输出通常是通过数据报告、Dashdaily和其他方法来展示的。阿里双十一的大屏幕实时显示总量(Gi)就是这样的价值产出形式。
由于不同企业的业务属性不同，需要显示的数据指标也会有很大差异，即使是同一企业在不同的发展阶段，也需要了解的数据也会有所不同。对创业型企业来说，可能会比较注重新产品、日活、渠道开发和留人等，对成熟型企业，则可能更注重商业变现相关的指标，如会员发展、会员留存、客单价、广告库存等。
对于处于某个开发阶段的公司来说，作为数据分析员和数据产品经理，一定要将最有价值的核心指标提炼出来，供公司管理层决策之用(许多核心指标都直接来自管理部门的需求)，并具有从不同维度分解显示数据指标的能力(下钻数据)。该模型还可以为后续其他维度的数据价值表现提供参考和基础。
2、说明。
透过资料分析，我们可以解释产品或使用者行为中的某些现象或资料变更，让我们了解现象发生或资料变更的原因。例如，crash的打开速度在某个版本发布后被发现，而crash的速率则通过数据分析不同硬件设备的crash速率，发现在某些类型的硬件设备上crash速率非常高，并且高于以前的版本，因此，很可能是这个设备上的兼容性测试出现问题，导致APP更容易crash。
资料分析的解释价值，更多的是比较简单情况下造成的问题或异常，即原因往往是单边的，这种问题往往容易发现，通过简单的资料分析就可以搞定，而下面的归因分析则可能更为复杂。
3、归属。
不同于上面的解释，归因可能导致的原因是多方面的、复杂的，归因分析需要找出问题的主要原因，通过解决主要矛盾，避免问题恶化或提高数据指标，例如找出用户流动率高的原因。这一分析过程和总结的原因可以沉淀为对产品和用户的深刻理解。
无论是解释还是归因，都需要进行多维分析比较，把核心指标层层分解，从中找出问题所在。而且需要丰富的业务知识和数据分析技能，才能从纷繁无序的现象中发现问题的本质。
4、预计
预报是对产品未来发展趋势的判断，有准确的判断力可指导操作。比方说，如果我们能比较准确地预测广告库存，就能更好地引导我们的销售和投放。DAU、销售量、订货数量等预测都是常用的形式。
各行业也会对所需预测的指标有所差异，电商行业则可能比较关注数据，如日订单量、GMV，而视频行业则更关注每日播放量(直接决定了CPM有多少广告贴片。一些需求需要实时动态预测，如滴滴会预测未来某一天的客户订单量，而另一些则可能仅能预测T+1，例如视频行业的贴片广告库存，通常不需要实时预测。
建立数据指标的预测需要建立数学模型(如时间序列模型)，建立模型要考虑历史数据和提取的重要特征，要确定具体的维度作为特征，要深刻理解相关的预测问题，所以对数据分析师有一定的要求，不仅是简单的数据分析，还要了解机器学习，或熟悉业务特征。
5、防止
防患于未然是有针对性的防御措施，即预先考虑产品迭代或运营推广可能产生的(负面)影响，并就每一类影响确定可能产生的后果和可行的对策。例如，产品在第一次开启广告商业化尝试时，估计到广告可能对用户体验造成的损害，我们需要从多个维度定义一些统计数据和指标，比较分析广告投放前后的指标，有针对性地提供一些应对方案(如用户留存率下降、投诉增加等)，以应对出现的不利情况。例如，通过预测可能出现的双十一流量高峰，可以提前对服务器进行扩展，从而避免业务受到大流量冲击的影响。
防御性是一种预先防御策略，数据分析在其中的作用可以是预先判断将要发生的事件(如上述预测双十一的流量高峰)，或者监测数据指标，根据指标的变化实时动态地调整业务。
6、决定。
作为数据分析最终价值体现形式的决策，是通过各维度的数据对比、交叉分析、趋势分析，形成产品迭代、运营的最终解决方案，期望通过该方案的落地实施，提升产品的用户体验，创造商业价值。一切资料分析的最终目的是指导操作和决策。
例如，通过数据分析发现某页的用户体验较差，然后提出优化方案，这是一个决策过程。也比如，通过渠道分析，对比各渠道新用户的留存情况，再结合各渠道的推广成本，挖掘出优质的，性价比高的渠道，从而加大该渠道的推广力度。这是将数据分析用于决策的一些例子。
而要充分体现数据分析的价值，就需要通过探索性分析，最终形成能够指导产品迭代优化和操作的最终决策方案。可以说，提前决策是比事后探究分析更高级、更难实现的价值体现形式，作为数据分析师必须具有从事后探究分析发展为提前决策的意识，这样才能更好地成长，更好地发挥数据分析的价值。
