走向数据之光，价值驱动

“学习、交流、成长”

周末参加了一场数据分析沙龙，这样的活动以往都是去上海、北京，在杭州还是比较少有

活动分享有三位嘉宾，也分三篇来做一下会上受到的启发和感受。

数据分析这个职业在国内的发展还挺短的，15年左右的时间，经过互联网、物联网、AI智能、AIGC几个阶段的发展，岗位越来越细分，从业的人也越来越多，起点也越来越高，伴随的职场焦虑也越来越强，数据分析无用论、数据分析发展瓶颈的声音也在变多。

走向数据之光，这是朱老师分享的主题，也就引用下来作为这几篇的主题内容了

和黄小伟老师的交集，来源于大洛的社群，认识很久，之前也讨论过一些深入的话题，听现场分享还是第一次，对数据的理解、在业务上的应用、价值度量、职业发展各个方面的感悟都很深刻，启发很多。下面是分享的内容，和一部分会场上听下来之后的记录。

“数据分析的价值要怎么做度量”

业务目标要达成，是目的还是手段？需要去思考一个问题：业务完成，是因为策略而达成，还是因为结果本身就是可达成的

“数据分析的价值评估方式”

在得到上看到的内容：理想汽车的定位问题，横向人生阶段，纵向汽车定位（要学会在日常里面做深度思考，每一个信息都可能是一次思想的裂变）

横纵轴下，不同的阶段cover的事情、内容、深度都会不一样，要做好成长性学习的准备

组织视角，需要考虑分工个人视角，需要去考虑成长和期望，需要考虑价值贡献，才能有结果导向，博得更高的财务回报for财务总监、VP、CEO的时候，他们需要的是决策痛点：“明年我们的商业化版本要不要调价”期待：“能不能调，调多少”能力：“能不能分析过往的模式”、“外面的行业模式”、“外界的行业、丛林指数”、“财务ltv模型是不是在变好，单价变高之后，用户保有量变少”结果：“以bp的形式，去思考商业分析”

“数据分析的目的与方法论”当分析出现的时候，需要通过数据带来一些增量价值，要么扩大范围、要么增加加速过程怎么来促进飞轮加速过程在企业里面，分析的工作往往很被动，这就和贝叶斯算法中怎么保证校正因子是对的持续迭代是最优的道理一样，确保在这一次和下一次的选择是最优策略需要有方法论的支撑

“数据分析方法论之SE环”

这个方法论的弊端：

●你能不能拿到高质量的问题，有没有掌控权，质量不高的问题，永远拿不到好的结果
●价值能不能得到双方的认同和认可
●价值扩散是保障不到的，没有杠杆效应

●怎么做问题的质量判断？先接受问题，后面质疑合理性，建立好企业内部的知识库，做问题倒逼
●所有的研究分析，本次报告尝试解决的问题是什么？数据分析的起点是knowledge+，在data、information上的优势，很难持续保持AIGC改变的是，数据处理、数据分析的流程data和information上的资源在20%左右，70%以上在分析能力构建上关注更高价值层面的事情扩增问题范围的时候，成本谁来承担
●报告产生之后的评价，5分制，不满足的情况下都需要给到原因提出的人-业务的负责人-本部门的负责人，没有vs有用，有时候可能是问题错了提一个错的问题，是否是有成本代价的

“数据分析工作的价值度量”

做数据需求、分析报告，都是有成本的定性，问题复杂度，需要多人协同参与的时候，价值度需要做好成本核算，每一个事情分别投入的人力，需要做到可测算

“数据分析面临的AIGC挑战”

AI改变什么BI产品类似于商品货架，不同的产品、不同的商品，集中收敛、分散经营的模式AI改变的模式是，可以用过快速对话机器人获得知识

数据分析的起点是knowledge+，在data、information上的优势，很难持续保持AIGC改变的是，数据处理、数据分析的流程data和information上的资源在20%左右，70%以上在分析能力构建上关注更高价值层面的事情