資料分析師需要具備哪些軟實力?透過 3 大舉例來更加瞭解資料科學工作
電信業如何決定何時對即將流失的客戶進行挽留?Uber 在高峰期間提高的車資倍數竟因人而異?資料分析在實務上被如何應用?若想要做好資料科學相關工作,你需要具備的 4 大軟實力告訴你知!
對文章有興趣來不及看?點選右上角「
橘色小書籤」收藏文章,再也不怕錯過就是一輩子!
開始資料分析前,你需要具備什麼背景知識?
資料分析的目標是從眾多數據中,萃取出有價值的資訊,為決策提供重要參考,以支撐業務的發展。其中的價值包含但不限於:
-
資訊在 BI 平台的即時展現
-
特定主題的深度分析報告
-
算法策略 ( 例如 Facebook/Youtube 的推薦)
不論你要產出上述哪一種結果,數據都是最基本的元素。如果做過實證分析的話,相信多少都體驗過找數據的痛苦。好不容易找到需要的資料,便一股腦地開心丟進模型中跑。但再深入想想,你所找到的這些數字,是如何產出的?背後的篩選邏輯是什麼?即便數據是來自具有公信力的大型機構公布的,但這些數據符合你分析資料的目的嗎?
幸運的是,在一家企業中,原始數據通常會由數據倉儲團隊來負責儲存,不必到處亂找。但相對的,你必須深入了解數據是怎麼儲存的、邏輯是什麼,才能更好地使用這些數據進行分析。
以電商的例子來說,在拿到了用戶的訂單資料後,你知道這些訂單中哪些是已付款訂單、哪些是未付款訂單嗎?你需要的數據是哪種?要不要排除未付款訂單?
這個問題是沒有標準答案的,需要依賴你對業務的了解及分析內容來定義。
In computer science, garbage in, garbage out.
數據倉儲人員,也需要具備分析領域的知識,這可以幫助他們對原始數據儲存的規劃。這也是為什麼數據科學家要同時具備電腦能力、數學、產業/領域知識的原因。
線上課程推薦:《入門數據分析,掌握 Hive SQL 取數能力》
在開始資料分析前,大致會經過下圖的思考流程:
資料分析工作需要具備什麼軟實力?
資料分析領域還在發展中,因此對職稱的定義還沒有形成明顯的規範,很有可能發生 A 公司的數據分析師工作內容 = B 公司的數據產品經理的情況。但具備以下四種軟實力,將能夠大大幫助到你的資料分析工作:
1、邏輯思維
台灣的教育方式,通常會給我們標準答案。但人類發展上,進步就是一直保持懷疑,並找到更好的方法。以分析來說,一個問題解法絕對不只一種。拿經濟學最熟悉的回歸模型來說,線性迴歸模型比較好嗎?還是多元線性回歸?或是根本不要用回歸,能不能用聚類分析?
假設聚類分析比較好,那好的程度可以到多少?假設準確率能提升 1 %,但花的時間要延長 2 週,這樣效益會更好嗎?
另外,以往學過的理論,在面對不同場景下,能不能拓展並適用?通常優秀的分析師在接受到問題時,腦中都能快速閃過各種方法的優劣評估。
2、 業務理解
對業務理解的程度主要會影響到「定義問題」的精準度,因為業務方常常會丟出假議題(即,提出的分析需求不能確實解釋遇到的問題)。
舉例來說,電話客服主管注意到服務滿意度一直在下降,他認為客服人員無法確實解決客戶問題,因此想加大培訓力道,因此提出一個分析需求:
給了滿意度不佳的客戶,主要是問了什麼類型的問題?
為什麼說這可能是假議題?問題在詢問時,便已假設「客戶滿意度不佳,是因為某些地方的培訓力道不夠而導致的。」但實際上,會造成滿意度不佳的原因也有可能是因為其他原因。例如,客戶變多了,打電話進來的進線量也跟著增加,而客服的人力沒增加,因此等待時間變長,因而導致客戶不滿。如果是這個原因,那要做事情就不是培訓了。而是考慮增加人力或是常見問題機器人自動回覆的功能。再來,如果這是影響公司滿意度的一項明顯因素,是不是應該將此數據在報表平台上即時展示,以利追蹤。
3、溝通協調
若服務的對象是業務方,那就必須讓他了解,你要做的事情確實能幫助他們解決問題。你需要把技術語言翻譯成易懂的表達,乃至於溝通產出時間,產出的形式、可能面臨的風險。這樣雙方的配合才會更高效。
4、保持好奇心持續學習
資料分析的領域不斷在發展,應用層面越來越廣泛,商業環境更是變遷快速;會一直有新的技術出來、也會有新的問題發生。在這狀況下,持續學習的重要性就不言可欲了。就像內生成長理論說的,Learning by doing。
從分析師的等級來看,在問題識別、應用價值、執行與管理能力、影響力這四點,也是軟實力的體現。
案例分析:資料分析在經濟學上的 3 個應用
下面將介紹 3 個在真實商業場合上的實際應用,幫助大家更好瞭解:
1、電信業的高風險用戶挽留
這個例子是電信業的高風險用戶模型,我們稱為 churn model,目標是判斷哪些客戶是可能流失的,這樣在用戶真的流失前,就可以用簡訊、電話等方式提前溝通,或是在客戶進門市辦理業務時,用一些隱藏的優惠方案讓他們快點續約。
實現方式就是你們熟悉的回歸模型,只是變量從經濟的指標換成其他特徵。
當你時常手機收到續約短信、或是門市人員對你特別熱情,恩⋯⋯ 你可能已經被 tag 成高風險用戶了。
2、Uber 的差別定價
搭過 Uber 應該有經驗,在某些時段,例如早晚高峰或是下大雨的日子,叫車時會有一些費用的加倍(例如 1.5 倍)。究竟 1.5 這個數字是如何出來的?甚至兩個人在同時叫車,一位是加價 1.5 倍、一位卻只加價 1.3 倍。
這個應用非常經濟學,Uber 在計算你的價格彈性、得出你的需求曲線後,會進行差別取價剝奪消費者剩餘。而且實現了傳統理論中幾乎不可能實現的第三級差別定價。
Uber 呈現了經濟學家理想中經濟應有的模樣。
而隨之而來的議題是,這些策略對社會福利是合理的嗎?在此例子中,Uber 在眾多議題上為了跟政府周旋,還因此請了一票經濟學家在協助。
3、業務制度設計
這個例子是關於制度經濟學 (Institutional economics)。假設公司的銷售都依賴於銷售員,為了要讓公司利潤極大,我該如何設計一套制度,讓業務盡可能有動力的去銷售?最常見的方式就是薪資結構設計。那麼,究竟要高底薪低抽成好,還是低底薪高抽成?
再來,公司有一批潛在客戶名單,這些名單該如何分配給不同的業務,以達成公司有最多成交客戶的目標?好名單分配給好業務嗎?還是平均分配?
近一步,好名單是如何定義?好業務是如何定義?客戶有新進客戶,業務也有新進業務,我無法判斷他是好是壞,這裡面該設計怎樣的考核方式或升等機制?
而這個議題因為會牽扯到較多利益結構、也更容易受公司策略變化的影響(例如策略由追求市佔率轉變為盈利)。而我自己經驗比上面兩個例子還要複雜許多(需要常吵架跟妥協)。
看完文章要用時卻忘光光?點選下方按鈕
收藏此文章,我隨時都在這等你回來!
推薦課程
▶ 入門數據分析,掌握 Hive SQL 取數能力
延伸閱讀
(本文原載於邱國欣(Andy Chiu) medium,原標題:中山大學經濟所職涯座談(三) :讓資料變商機 — 資料分析在我們生活中的應用)