必備的8個主要流程「數據分析的流程包括哪些」

1. 新的需求

數據分析工作流程的第 1 個狀態，就是忠實地記錄新的需求，純粹地站在需求方的角度，不加任何評判地收集原始的需求。

這個狀態借鑒了 ORID 焦點討論法的第 1 步，也就是真實地記錄客觀的事實。

關於 ORID 焦點討論法，我從網上查了一些相關資料，看到下面這個例子，感覺比較恰當。假設昨天晚上在下班的路上，我遇到一條狗（O 事實），當時我很害怕（R 感受），心想應該怎麼辦（I 思考），為了避免被狗咬，我最終決定繞路走（D 決定）。

2. 需求確認

需求確認是分析任務成敗的關鍵，針對不同的情況，應該採取不同的對策。

第 1 種情況：需求方無法清楚描述問題。

劉思喆老師說，這類需求方的專業技能不合格，會禍害上下游，「fire」掉就可以了，絕對不可以手軟。

關於「fire」這個英文單詞，有「開除」的意思，不過我理解劉思喆老師在這裡表達的應該是「拒絕」。

對於一般的數據分析師而言，需求方可能就是自己的老闆，恐怕沒有「開除」的勇氣。遇到這種情況，我個人建議加強溝通交流，主動多問一問具體情況，搞清楚需求方的真正意圖。

第 2 種情況：需求方將很多問題混雜在一起。

這種情況非常普遍，數據分析師需要應用 MECE 原則，幫助需求方梳理業務，變成相互獨立、完全窮盡的問題，並了解其中的主要矛盾和次要矛盾。

第 3 種情況：需求方無法和數據進行映射。

這種情況也相對比較普遍，一般企業是通過「角色前置」來緩解這個問題，比如設置「產品經理」的崗位角色。不過有的時候，前置的角色可能不合格，這就需要數據分析師在「數據確認」環節給予專業的建議。

第 4 種情況：需求方提出了錯誤的數據需求。

想象一下，數據需求本身就不對，你作為數據分析師，居然漂亮地執行完成了……結果需求方不滿意，又提了一遍，後面可能還有第三遍……最終需求方可能很不滿意，數據分析師吃啞巴虧。

當出現這種情況時，建議數據分析師在執行之前，先進行合理的溝通，指出數據需求本身的不當之處。

第 5 種情況：需求方無法預判可能的分析結果。

這種情況很正常，畢竟很難碰到非常完美的需求方。我認為此時數據分析師應該多一些包容和理解，多站在對方的角度看問題，自己先學會預判，然後再幫助對方學會預判，為對方排憂解難。

假如遇到需求方不僅掌握業務和數據之間的關係，而且懂得利用數據分析的結果，來指導下一步的行動，那麼數據分析師應該好好珍惜。

3. 數據確認

當需求確認清楚之後，接下來需要確認數據源，可能會遇到 3 個問題。

第 1 個問題：期望的數據沒有存儲。

作為數據分析師，如果你能幫助改善這個問題，讓企業的數據更加完備，那麼你的影響力將會得到提升。

第 2 個問題：數據分散在不同的位置。

在傳統企業，這個問題非常普遍，可能還沒有建立數據倉庫。對於互聯網企業，這個問題體現了數據倉庫設計的不完備。

如果不是經常性的問題，臨時解決即可。如果是經常性的問題，建議數據分析師主動了解底層的數據邏輯，編寫自動化的代碼，在可能的情況下，交付給數據倉庫團隊。

第 3 個問題：數據源錯誤。

這個問題非常致命，如果數據源不對，後面的分析結果可能造成誤導，讓需求方做出錯誤決策，後果不堪設想。

所以，數據分析師提高數據敏感度也很重要，在做數據分析之前，一定要先確認一下，數據源是正確無誤的嗎？

4. 實現中

在需求實現的過程中，數據分析師要管理好自己的分析代碼。

以 Python 為例，盡量使用 Numpy、Pandas、Matplotlib 等比較成熟的包，用 Git 做好代碼的版本控制，特別注意代碼注釋和提交信息的可讀性和完整性，讓數據處理的每個步驟都清晰易懂。

另外，配合使用 Jupyter Lab 之類的工具，能大大提升數據分析的工作效率。

一方面，我們要把好的經驗和方法，沉澱為固定的流程步驟，實現工作的流程化。比如一個數據報表，用怎樣的格式和規範，讀者容易抓住其中最有價值的信息？

另一方面，我們還要實現流程的工具化。因為總有人會「偷懶」，總有人會逾越流程，總有人會偷偷地繞過流程。所以，我們要適應用工具來輔助流程的執行。

如果流程工具用起來不適應，怎麼辦？

華為早年引入集成產品開發 （簡稱 IPD）的流程，大家剛開始也不適應。

任正非說了一句話：先僵化、後優化、再固化。

5. 交付

突出主要分析結論，這是數據分析交付的重要內容。

如果分析沒有結論，就不能稱之為交付。

交付的內容，包括文字、表格、圖形等要素。文字表述要條理清晰，表格製作要標準規範，數據可視化的圖形要選擇合理。

6. 復盤

很多數據分析工作，最終停留在「交付」這個狀態，數據分析師交付結果之後，往往沒有去跟進後續的效果情況，沒有對分析的價值進行判斷，沒有進行復盤總結。

交付之後，不妨思考一下，我們通過數據分析，幫助需求方做出了哪些正確的決策？給企業帶來了哪些價值？與當初預期的目標相差多少？關鍵因素有哪些？假如重新再做一遍，怎麼做才能做得更好？

在復盤總結的過程中，可以鍛煉數據分析師對業務的理解能力和對價值的預判能力。

7. 等待

當你發現目前還不具備分析的條件時，那麼可以選擇等待一下。

比如說，當需求還沒有確認清楚的時候，應該等待需求方有空的時候，把需求溝通確認清楚。當缺少必要的數據源時，因為巧婦難為無米之炊，所以也需要耐心等待。

當然，在等待的時候，可以先思考一下大致的分析方向，以便讓後面的實現過程更加快捷。

8. 拒絕

當需求肯定無法實現的時候，要明確地予以拒絕，不要給人模稜兩可的答覆，此時要避免讓需求方有很大的期待，結果因實現不了而導致失望。

小結

本文總結了數據分析工作流程的 8 個狀態，

為了避免被貼上被動、低價值、重複勞動的標籤，數據分析師要主動完善自己的工作流程，優化自己的工作狀態。

最後，我把數據分析的 8 個狀態之間的流轉，用一張流程圖串聯了起來。

以上，希望能夠對你有所啟發。