数字化转型网数据专题将关注数据治理、数据质量管理、数据架构、主数据管理、数据仓库、元数据管理、数据备份、数据挖掘、数据分析、数据安全、大数据、数据合规、等数据相关全产业链相关环节。
个人感觉分析师团队很不好带，数据分析师团队最大的三个痛点是：
- 散：在公司级别的团队中表现尤其显著。由于支持的业务多，而各业务的发展目标不同，导致无法设立一个统一的业务目标，只能按人去设定目标，管理效率很低。
- 乱：正是由于业务目标散乱，造成分析师之间的工作无法统一和协同。很多时候都是各自为战，没有配合，甚至出现目标冲突的情况。数字化转型网www.szhzxw.cn
- 弱：不能影响业务，不能建立话语权。这个在上文中已经说过，此处不再赘述。
这里面的关键是解决“散”的问题。很显然，如果把眼光放在部门级的业务上，是无法解决这个问题的。因此，需要把视野扩展到全公司。基于公司统一的发展目标，建立一个统一的分析框架。正如数据分析是服务业务的，分析框架也要基于业务模型来建立。业务模型的标准是：
- 业务模型要高度抽象化，它是从业务模式中抽取出来的，而不是反应部门职能。
- 业务模型要能反应实际业务的运营规律、要素和目标。甚至，这个业务模型可以放之行业而皆准。
有了业务模型，现在需要建立分析模型。我的经验是对着业务模型提问题。首先是公司级的：公司的发展目标是什么？需要哪些要素来完成这个目标？各要素之间如何互相促进？然后将上述问题分解到部门级。
最后可以将问题归类，可以分为：目标分析、运营分析、要素分析等。这些分类好的问题就是分析师分工的基础。数字化转型网www.szhzxw.cn
传统的分工方式是分析师按支持业务部门分工，或者按支持的业务模块分工。这种分工方式的结果是：第一、分析师对业务的了解如同盲人摸象，每个人都只能了解到部分业务，不能也不会从整体考虑业务问题，对问题的定位缺乏深度；第二、分析师的工作是割裂的，自己的分析结果不容易被其他分析师采用。以电商平台模式举例，运用上面的方法：
- 建立业务分析模型：用户、商品两个主要要素。链接这两个要素的是用户购物体验。用户自身会有用户生命周期，商品自身会有商品生命周期。还可以进一步细化：用户购物体验包括查找商品信息、下单、配送、付费、售后等体验。商品生命周期可以包括采购、仓储、上下架等。商品要素包括定价、分类、功能、用户评价等。数字化转型网www.szhzxw.cn
- 提问：公司的发展目标？假设公司的发展目标就是追求销售利润最大化（实际上很多电商平台不是通过这个模式来盈利的）。要素？利润的大部分通常是由高净值人群和高毛利商品贡献的。要不断发展壮大高净值人群和提升高毛利商品的销量。各要素之间如何促进？高净值人群不会只买高毛利商品，平台也不可能只卖高毛利商品。链接这两者的是用户体验。
分析师可以根据分析主题分成两个大组：一组的分析任务包括识别高净值人群、分析高净值人群的购物体验、分析高净值人群的生命周期；二组的分析任务包括识别高毛利商品、分析用户对高毛利商品的购物体验、分析高毛利商品的生命周期。当然，还可以把购物体验单独作为一组或者在上述基础上进一步细分。比如高净值人群分为A、B、C等几个不同特征的人群，如果其特征差异很显著，可以基于人群分组做进一步划分。
这样分工的好处是：第一、分析师是基于分析模型的分组，组内目标一致，组内分析结果是可以共享和互相借鉴的；第二、组内大目标的设定可以较为宏观，促使分析师从整体考虑问题。第三、组内对大目标的分解最终会落实到具体业务上，不会太虚。 数字化转型网www.szhzxw.cn
声明：本文来自数字中国，版权归张志红所有。文章内容仅代表作者独立观点，不代表数字化转型网立场，转载目的在于传递更多信息。如有侵权，请联系我们。数字化转型网www.szhzxw.cn
数字化转型网数据专题包含哪些内容
数字化转型网数据专题将关注数据治理、数据质量管理、数据架构、主数据管理、数据仓库、元数据管理、数据备份、数据挖掘、数据分析、数据安全、大数据、数据合规、等数据相关全产业链相关环节。
数字化转型网数据专题包含： 数字化转型网（www.szhzxw.cn）
1、数据相关外脑支持：100+数据相关专家、100+数据实践者、1000+相关资料
2、数据研习社：与全球数据相关专家、实践者共同探讨相关问题，推动产业发展！
3、国际认证培训：目前已引进DAMA国际认证CDMP，其他国内外认证也在逐步引进中
4、典型案例参考：与数字化转型网数据要素X研习社社员一起学习典型案例，共探企业数据落地应用
本文由数字化转型网（www.szhzxw.cn）转载而成，来源于数字中国；编辑/翻译：数字化转型网萍水。
