走向数据之光，实践思考

“学习、交流、成长”

这几年听到最多的一个声音，我们要开始“卷”价值了。那么“你的价值体现是什么？”、“当前还有多少价值可以做”、“接下来我们要创造什么价值”…

“数据分析中BI/BA的价值定位”

下面部分内容是鄢维凡老师在会上的分享，讨论的主题是数据分析（BI/BA）的价值定位和数据工作的价值思考。

“数据分析中BI/BA的价值思考”

发展到现在，不同行业不同类型的公司，应该都有增设数据类相关的岗位。业务形态不一样，组织的定位也迥然不同，在架构设计和职能负责的内容上也大相径庭。

当讨论价值的时候，首先应该要了解到我们所在的团队是属于哪种类型的组织架构，以及在整体业务视角下还有哪些人在做着数据相关的内容，寻找共性和差一点。

所有工作的核心价值，都可以提炼成为四点：降本、提效、创收、控风险。

应对不同角色的人，需要厘清各自的需求点，回到第一篇《数据分析能够带来诸多商业价值》中的归纳整理，了解数据受众是特别重要的一个环节。

● 老板的期待 -- 做一些帮助业务成长的数据分析

● 业务的诉求 -- 通过数据帮助我解决当前的问题

● 数据的能力 -- 数据技术应用带来潜在商业价值

“数据分析中的目标聚焦”

不同的企业，在不同的阶段，团队需要对接的事情都特别多。一开始了解业务、接触数据的时候，都会保持着非常浓厚的兴趣和新鲜感，时间一长，在价值感得不到满足的时候就会催生出自我怀疑，我做的事情真的有价值么？

引发职业焦虑的因素，和职业规划有着一定的关系，可能是现有目标不匹配，抑或是目标已偏离预期，再或者是没有找到真正的目标。

在布赖恩·费瑟斯通豪《远见：如何规划职业生涯3大阶段》一书中提到，你要不断问自己这三个问题：我擅长什么？我爱好什么？这个世界需要什么？三者交集的部分，找到自己的目标，当前应该做哪些方面的刻意练习，强化优势，用长板补短板。

而个人职业成长旅程中有三个定位：岗位定位，管理定位，行业定位。

● 28岁前，用岗位专业定位自己，你干啥最专业？

● 32岁之前，用管理角色定位自己，你做项目、带团队、搞运营的能力怎么样？

● 38岁之前，用行业品类定位自己，你在哪一个行业领域做到了顶尖？

“数据分析具体都要做什么”

经过互联网“十年”快速发展，对于几乎所有泛商科的岗位来说，“数据分析”都是不可或缺的必备技能。

数据分析，如果只是用来做数据处理，它就是一个技能，可以人人都是数据分析，如销售、市场、运营、策划、产品、技术等需要通过数据分析实现业务持续增长；财务、法务、人力等行政类岗位也是需要通过数据分析来提升工作效率，提高人效等指标。

数据分析，当统计实现具备一定难度的时候，加上大数据技术&工具、算法模型、需求理解、项目管理、根音、归因，它就变成了一门职业，不是人人都可以成为数据分析，需要具备非常强的专业门槛。

参考领英站内主流数据人才岗位的设计：

对于具体的岗位职责、工作内容，就需要对照各自公司的JD和岗位胜任力模型，组织需要这个角色做什么、负责什么、产出什么，基本上都写在大部门规划和考核点上。

要做的出色，就需要思考另外一个问题，我们站在这个位置，还可以再做点什么超出预期的事情来。

“数据分析发挥的三类价值”

回归到商业的几个本质上，信息差、理解差和认识差，数据在日常经营中所发挥的三类价值（资源价值、站位价值和信息价值），需要对具体的业务（市场、运营、活动、产品、设计）起到决策支撑性作用。

专业数据分析和业务团队自己的数据处理相对比，之间的差异点在于：

● 学习成本，专业的人学习专业的工具，快，并且能快速拿结果

● 理解认知，信息是可以快速传输的，但是理解会存在知识差

● 落地方案，我知道了，和我知道并且能做了，是两个层面的问题

不是业务没有数据分析能力，而是专业的BI更有性价比。如果企业内部的决策对数据的依赖度没那么高，对数据的时效要求比较低，数据所能催生出来的价值就会越稀缺，这时候数据更多时候是起到辅助验证的作用。

所以，要想在数据工作中找到自我成就感，那在公司选择或者老板选择上就注定需要多付出心思做筛选，因为需要，所以存在。

“数据分析在未来的展望”

“互联网”、“人工智能”、“AIGC”、“5G”、“量子计算”，在这个快速变化的时代下，国家提倡数字经济，企业实施数字化转型，对数字化人才的需求急剧增长，数字化人才日益成为国家创新驱动发展、企业转型升级的核心竞争力。

借用以前沐心做的一个总结，对职场上的绝大多数来说，懂业务的人不懂数据，懂数据的人不太懂业务。从经验上来看未来的展望，还是要夯实好基础功，利用专业壁垒，做好自己擅长的事情。譬如，

● 跟进数据指标完成

● 做好业务根因分析

● 探索业务归因因素

● 拟定数据标准规范

● 参与业务数据治理

“数据分析的价值衡量”

观远的一份报告中把数据对经营决策的两类价值进行提炼，将其分为基础价值和赋能价值，并总结出了对其中数据赋能价值有较大影响的两大因素：

基础价值：最基础的数据展示，让业务部门能够更便捷地看到不同来源的业务数据

赋能价值：这类价值也是最难评估和验证。一方面，因为业绩增长通常是多因素共同作用的结果，难以评价数据建设单一因素在其中发挥的价值；另一方面，由于企业组织规划中通常有清晰的角色分工，数据建设岗位通常为中后台部门，不直接为业绩结果负责，导致数据价值链冗长，追溯成本高。

---

数据决策，原本是为了替代拍脑袋的经验决策，但是人是惯性的，我们慢慢的也会从数据决策，变成拍脑袋得数据结论的经验决策。以前拿一个指标需要取数，时间久了，不取数，也能估的出来，这种算经验还是算数据？

个人能力的成长，溢出部门职责要求的时候，会形成一种对抗，部门的职责范围扩增，会衍生出组织团队定位的问题，都需要做好日常的思考、复盘和总结，保持持续的学习和交流必不可少。