CDA人工智能学院：数据科学、人工智能从业者的在线学院。

数据科学（Python/R/Julia）数据分析、机器学习、深度学习

作者 | 陈老师
来源 | 接地气学堂

经常有同学抱怨，在公司里，总被催着问：通过数据，你看到了什么？可实际数据就几个曲线而已，也不知道咋解读。也没有人教，自己好不容易写了几句，又被嫌弃：“你这都是废话，我们要深层次含义”。咋办？今天系统解答一下。就举个最简单的例子，下边是某公司一周销量数据，你看到了什么？

错误的数据解读示例

1、高了表扬低了骂。数据解读，写的是：周一到周五很高，周六、周日低，所以要！搞！高！……这么解读当然会被说：你这都是废话啊！业务又不是瞎子，看不到数字是周六日低吗。

2、哪里跌了哪搞高。因为周六跌了48%，所以要搞高……这个是废话*2和上一种说法是一个模子里刻出来的。

3、加减乘除算不停。平均值95.2，最大值125，最小值35……这个是废话*3。平均95.2所以呢？最大值125所以呢？这还是在把数字复述一遍而已，没有讲出任何含义。

解读的关键是理清业务含义

以上三种错误的共同点，是：就数论数，止于数据。没有读出数据背后的业务意义。其实数据解读一点都不高深，我们每月每天都在用，比如：

业务部门做决策也一样。他们想听的是：不划算、不喜欢、买不起。他们更想听的是：“今天中午预算只有人均50，在这家川菜馆既管饱又好吃”，他们想听的绝不是“2公里内共28家餐厅，平均价格63元，最高价725元，最低价13元，较上个月价格提升了10%”——这真的是一点意义都没有。

想要得出这种判断，需要三个条件：1、了解数据代表的现实含义2、了解数据大小代表的现实区别3、明确判断标准

比如大众点评上饭店人均金额185元。它不是一个孤零零的数字，而是填肚子的成本，这是人均金额的现实含义。成本低了可以接受，高了就吃不起，这是数据大小的现实区别。比如我一个月餐费预算只有3000块，意味着每天只有100块钱，这就有了标准。那这一顿185，明天就得吃土了。这就形成了判断：太贵了，得换个地方。

解读企业数据也如此，不能只见数据，不见业务。同样三点：1、业务含义：数据反映的是什么业务

2、业绩走势：通过数据形态，解读业务发展走势

3、判断标准：到底什么算好，什么算不好

下边我们一个个看一下

从理解业务含义开始

回到开头的例子，“销售业绩”这个指标本身有很多含义。

• 直接含义：销售队伍的努力程度
• 销售业绩+成本：企业的盈利情况
• 销售业绩+产品：产品畅销程度
• 销售业绩+用户分层：用户的需求
• 销售业绩+库存：产品进销存管理质量
  

但是注意：这里并没有标准，因此无法判断是好是坏。这也是为什么直接下结论：业绩低了要搞高，是非常错误的行为。销售业绩直观反映的是销售队伍的努力程度，想知道这个数值是好是坏，我们可以直接去问“销售队伍的KPI达标了多少？”；也可以从业绩曲线走势来判断。这就需要做第二步：观察业绩走势。

观察业绩走势

一个问题：“什么样的产品会卖出这种曲线？”因为有七天的数据，所以可能代表了三种走势：

1、这是自然周期性变化。七天代表了一周，周一到周五是工作日，周六周日是休息日，所以这是一个工作日销售多，休息日没销售的产品——是滴，你很自然联想到，这可能是B2B的交易，工作日上班了才有大把生意，周日都休息了。或者是围绕B2B的衍生生意，比如CBD的餐厅一类。

2、这是生命周期性变化。有可能某个主打商品销售到了生命周期末尾，正在退市，下一款新的马上要上，暂时变化。注意，一般看生命周期数据，是从生命周期开始做T+N天的图来看，不是看自然日。

3、这是突发性变化。有可能刚好周六日出了问题，交易系统down机，有可能刚好促销活动到周六日结束，有可能刚好周六日恶劣天气。

通过对走势的判断，可以建立初步的标准。如果是周期性变化，那很有可能是正常波动，我们初步判做“正常”。如果是突发+下跌，那很有可能是异常且坏的波动，我们可以初步判做“问题”。有了标准，就能下判断，只是三种假设都有可能，需要进一步验证。

列出假设做验证

想知道自己思考的对不对，就得去验证假设。验证假设的办法有两种：第一，可以和业务部门沟通，了解实际情况。第二，可以参考过往数据，验证判断，同时反向验证业务部门是不是撒谎了。数据验证可以做的很复杂，但也能做的很简单。不需要很复杂的逻辑，只要一根曲线就够了。如下图。

只要延长时间，靠一根业绩走势+业务表现，也可以解读出变化的原因。如果过往一直都是有周期性波动，那拉长时间就能看出来周期规律。

实际企业经营中，也经常出现上边三种情形，只是形态更复杂，往往是三种混合。比如B2C零售和B2B销售是反着的：

1、自然周期性：周五到周日高，其他工作日低；

2、生命周期性：新品上市到下市有季节性规律3、突发事件：大促销（猛涨）恶劣天气（猛跌）

在看数据的时候，往往会在业绩曲线上打上标签，比如一个日期是否节假日，是否某重点产品生命周期结束，是否突发情况。这样，可以从看似无规律的曲线里区分出规律来。这也是为啥很多经验丰富的业务人员，即使没有专门的数据分析，也能快速判断形势的原因。因为他们很了解业务上发生了啥事，了解过往业绩曲线形态。结合业务表现看走势，比盲目的算同比、环比、平均数，中位数要有用得多。

深入细节看问题

做完上一步，只是帮大家理解了数据含义，并没解答什么问题。如果止于上一步，就会变成业务的应声虫：“业绩下降是因为下大暴雨了”“这是正常波动，周末肯定要跌啦”……只是单纯的这么解读，很有可能会换来一句：“我早知道了”。实际上，往往人们都会注意到突发性急病，容易缺失的是对慢性病的观察。比如下图：

如果只看日数据，会感觉似乎每天波动不大，只能略微感到月头比月尾似乎高那么一点。但是如果拉长看周数据，就会发现问题。为什么在业绩好的月份，最后一周不冲刺业绩了？上月业绩好+月底不冲刺+本月开局格外好，这个曲线走势不和规律，很有可能是这就是B2B销售中的“藏业绩”行为。这时候，做数据分析的也能对一线业务说：我早知道了。甚至还能从下个月初吐出多少单，反推出来他们每个人藏了多少业绩。

这也是为啥实际企业经营中，我们不止看孤零零一个数，而是搭一个数据指标体系，还要做日报、周报、月报的原因。日报用来关联业务动作，反应突发问题，周报和月报用来追踪趋势，发现更深层次的问题。深层次的问题，再由专题分析解决。这样就构成了数据分析体系，系统化作战，才有威力。当然，实际分析场景会更复杂。有可能经过数据解读，我们得出的是：“销售在藏单，真实业绩比数据体现的更好”这种结论，但到底是不是藏了，真实的又是多少，还得成立专项，深入分析。但无论如何，我们都比只回复一句：“要搞高！”要进步了很多，也能赢得业务的尊重。

解读数据是个硬技能

有同学会说：既然让数据分析师自己猜这么难，为什么不直接沟通业务的需求呢？是滴，理论上最佳的状态，是业务和数据之间有定期沟通，业务陈述需求，数据反馈结论。不过大部分企业，这个状态不存在。大部分企业都是大家各忙各的，数据忙于爬表出数应付日常各种报表，业务忙着干活撕逼。部门之间深沟高垒，几乎没有沟通，越大的公司越是如此。

再加上，很多人对数据分析本身认识不清，还停留在“一个仙风鹤骨的道长掐指一算，口出出惊世憾俗之言”的印象中。共同作用，导致了文章开头的问题。因此数据分析师不能单纯指望业务把什么问题都梳理好了丢给自己，还是得有主动解读的能力的。

关注“AIU人工智能实验室”，回复“录播”获取更多人工智能精选直播视频！

完 谢谢观看