數據分析師到底在作什麼？

我認爲數據分析的基礎是知有常無常，通常建議採起的措施是挑肥揀瘦，目標是以更少的成本得到同等收入，另外還有一點比較可貴是識別機會。預測其實應該也算，可是預測大多牽扯到技術性多一點，這裏只講理念。

知有常無常，換句話說就是知道數據變化的時候，哪些是正常波動，哪些是非正常波動，趨勢是怎樣的。通常經過同比、環比等等，去判斷是否處於可接受範圍內的波動，若是是異常波動，則要判斷異常波動的緣由。通常異常波動的影響因素都是經過排除法查找，排除的項目是變更項目的影響因素，好比銷售額=訪客數*拍下率*拍下付款率*產品單價*單客件數，銷售額變更就會從等號後面幾個因素去找。再細分好比訪客數降低，則要細分各訪客來源數量上的變化，成交付款率每每是由顧客對產品知足需求程度以及產品（相對）價格的斷定決定的，若是判斷越明確，則這個值越大，價格較高會加劇猶疑，可是有時候產品價格升高時拍下付款率升高，可能的緣由是高價格對拍下階段的顧客已經作了過濾，剩下的都是成交意願較高的客戶(這個是觀察最近霧霾羅漢果購買的變化，應該是瞬時流量增加帶來的相對不肯定人羣對拍下付款率的稀釋)。拍下率通常與（相對）價格關聯比較高，其餘還有頁面描述、活動、評價以及服務承諾之類，大量不精準流量會帶來拍下率的降低，而不精準流量的剔除也會帶來拍下率的升高，因此要具體分析判斷。單客件數受活動刺激以及包郵比較厲害。好吧，扯遠了。

知有常無常，有個「知」字，如何作到知呢？之前靠的是經驗，即假定在類似情境下會產生相似的結果，或者事物按照類似的軌跡發展，人們會按照模糊的數據去判定將來，可是假定不少時候不成立，按照固有預期去走的人不少會失敗。有數據，可是隻是判斷數據表面輸入輸出的關係去支持決策，其實跟經驗沒兩樣。我認爲除了利用已有知識解釋緣由外，應該想辦法對結果進行驗證，由於解釋不少時候都是基於常識的假設，未必正確，通過穩健的驗證的知識進入「知」的範疇。憑空生出可靠地想法是比較可貴，常常生出的就很牛叉，由於很能生啊。好吧，又扯遠了，其實講的就是解釋未必對，應該常常針對現象提出解釋，儘可能對解釋驗證。

挑肥揀瘦，就是在資源有限的狀況下，把資源投入有潛力或者塊頭大（潛在利潤？份額大）的部分，而對潛力小或者肉薄的部分維持、削減設置剔掉。對有望長成大樹的樹苗多澆水上肥，直到他不怎麼長，再選擇其餘合適樹苗，對長不大的樹聽任無論甚至砍掉以避免影響其餘樹的生長（陽光水肥的分配），大的樹不會有大的生長，只是保持蟲害的關注。其實還有個比喻，就是把濃的用水衝，直到平均溶度爲止，再尋找下一個高濃度。對每一份的投入要考慮投入在各個部分產生的收益是否最大，從短時間看如何，長期怎樣？挑肥揀瘦，就是同等投入追求更高產出的過程。這一部分涉及到量化和度的問題。

識別機會就是比較創造性的活動了，通常人很難作到，由於出發點和受過的訓練不同，總之呢，是須要經過不斷的商業訓練以及知識補充完善決策的背景。

預測呢，很大程度上是量化哪一個是肥的，哪一個是瘦的，不扯。