我們常說，辦事情要“名正言順”，而數(shù)據(jù)領(lǐng)域的名字則是格外的多，商業(yè)分析、數(shù)據(jù)分析、數(shù)據(jù)挖掘、算法模型……經(jīng)常把大家繞暈，今天系統(tǒng)科普一下。

商業(yè)分析VS 數(shù)據(jù)分析

廣義上的數(shù)據(jù)分析，指的是“利用數(shù)據(jù)對XX問題進(jìn)行分析”。包括了數(shù)據(jù)采集、數(shù)據(jù)存儲、數(shù)據(jù)清洗、數(shù)據(jù)計算、結(jié)論輸出、數(shù)據(jù)可視化等部分。大家注意到了，這里是有個空白的XX沒有填的。實際上，廣義上的數(shù)據(jù)分析是一個基礎(chǔ)技能，可以利用到很多很多領(lǐng)域?？瞻滋幙梢蕴顚W(xué)術(shù)、理論、科學(xué)、醫(yī)療、教育、情感、心理……等等名詞。是滴，這個空白處也可以填“商業(yè)問題”。如果是：利用數(shù)據(jù)分析方法進(jìn)行商業(yè)問題的分析，那就是商業(yè)分析了。商業(yè)分析是廣義的數(shù)據(jù)分析方法的一個具體應(yīng)用場景。

狹義上的數(shù)據(jù)分析， 應(yīng)該叫“對企業(yè)內(nèi)部系統(tǒng)采集的數(shù)據(jù)進(jìn)行分析”。實際上，我們在招聘時看到的要求懂sql，hive，python，R等軟件操作的“數(shù)據(jù)分析崗位”，指的都是狹義的數(shù)據(jù)分析。這些分析工作基于企業(yè)網(wǎng)站、APP、訂單、售后、客服、物流、財務(wù)系統(tǒng)記錄的數(shù)據(jù)，進(jìn)行計算、建模、報告等工作。

內(nèi)部數(shù)據(jù)質(zhì)量不行，是個永恒的問題，也常常成為分析的死穴。不懂?dāng)?shù)據(jù)的人往往想當(dāng)然的認(rèn)為：數(shù)據(jù)不是很多嗎，分析分析就好了呀。可真正做數(shù)據(jù)工作的都知道，急躁的業(yè)務(wù)領(lǐng)導(dǎo)、投機(jī)取巧的同事、薅羊毛的用戶、落后的IT建設(shè)，都會讓內(nèi)部數(shù)據(jù)看似龐大，實則一塌糊涂。常見的內(nèi)部數(shù)據(jù)的分類與問題，簡單歸納如下，大家感受一下：

商業(yè)分析不僅僅利用企業(yè)內(nèi)部系統(tǒng)數(shù)據(jù)，還需要大量利用外部數(shù)據(jù)。它由四個構(gòu)成部分：行業(yè)研究、定性訪談、定量調(diào)研、內(nèi)部數(shù)據(jù)分析。因為影響企業(yè)經(jīng)營狀況的因素，本身就包括了宏觀環(huán)境、競爭對手、內(nèi)部組織、員工能力、消費者態(tài)度與意愿等等方面。這些因素非常重要，但不一定都能通過系統(tǒng)采集到。因此就得靠多方面的信息采集來滿足需求。具體每個部分的采集方式、用途，如下表所示：

真正進(jìn)行商業(yè)分析，需要有綜合性技能和多方面獲取數(shù)據(jù)的能力。很多企業(yè)拿著做內(nèi)部數(shù)據(jù)分析的要求招商業(yè)分析師，結(jié)果招來的人只會跑數(shù)據(jù)，沒有解決真實問題的能力。寫代碼的小哥每天對著銷售曲線發(fā)呆，冥思苦想不得其解。其核心癥結(jié)就在這里：本身商業(yè)分析就不是敲兩行代碼就能完事的。至少要有行業(yè)研究-市場調(diào)查-內(nèi)部訪談-內(nèi)部數(shù)據(jù)分析四部分相互配合，不是200行代碼就能讓阿爾法狗子開口說人話：貴公司的問題是XXXX。200萬行代碼都不行。

更何況，很多企業(yè)對數(shù)據(jù)的重視程度遠(yuǎn)遠(yuǎn)不夠。

有新政策出臺也不知會；

外部信息系統(tǒng)采集、共享機(jī)制不存在；

內(nèi)部做事情的背景、現(xiàn)狀、目標(biāo)啥都不交代；

不給做分析的同學(xué)走訪一線，了解實際的機(jī)會；

遇到問題就知道甩給分析：“你建個模型分析分析”

私下里搞小動作，做分析的同學(xué)甚至是最后一個知道企業(yè)發(fā)生什么事的人

這就讓做分析的同學(xué)們無米下鍋了。就更難通過分析產(chǎn)出效益了。

商業(yè)分析VS 算法模型

拜Alpha Go所賜，現(xiàn)在人人都知道人工智能很厲害。阿爾法狗子一聲汪汪，咬哭了柯潔，也讓人們產(chǎn)生了無數(shù)對人工智能、算法模型的幻想。實際上算法模型最大、最成功、最多精力去做的內(nèi)容，和數(shù)據(jù)分析沒啥關(guān)系。算法模型目前比較成熟應(yīng)用的領(lǐng)域，在于圖像識別、語義識別、路線規(guī)劃等方面，具體應(yīng)用在安防、風(fēng)控、物流、駕駛等領(lǐng)域，是基礎(chǔ)的工業(yè)級應(yīng)用。

在商業(yè)領(lǐng)域算法的用處相當(dāng)有限。因為本身企業(yè)經(jīng)營靠的就不一定是精細(xì)的計算，政策大勢、老板的資源、員工創(chuàng)新、創(chuàng)意、創(chuàng)造能力，這些都很難用數(shù)據(jù)量化。換句話說：如果給定圍棋的規(guī)則讓算法去學(xué)習(xí)，算法可以打敗最一流的高手；但在商業(yè)領(lǐng)域不是下圍棋，有可能明年下棋的規(guī)則都變成在圍棋盤上擺車馬炮……別說阿爾法狗了，阿爾法噴火大恐龍都搞不掂。

因此，在商業(yè)領(lǐng)域算法往往應(yīng)用在特定場景上。

第一類常用的是直接針對用戶場景的算法。具體場景往往有以下特點：個人決策、封閉信息、一對一溝通、用戶決策容易被營銷策略影響、數(shù)據(jù)指標(biāo)多需要壓縮、創(chuàng)意影響較少。比如常見的：風(fēng)控。都是個人申請資料，金融機(jī)構(gòu)審核。如果這個人信用不好，我們也沒必要幫助他好，拒絕他就是了。設(shè)計信用的指標(biāo)很多，單靠一兩個指標(biāo)很難判斷，因此可以建模（最常用的是邏輯回歸）來區(qū)分用戶風(fēng)險等級。類似的如推薦算法或者大數(shù)據(jù)殺熟，往往在APP里應(yīng)用多，欺負(fù)的就是一對一的封閉場景溝通。如果真在實體店搞這一套，估計早就被客人告到工商局，或者干脆砸了招牌走人。

第二類常用的是預(yù)測算法，包括基于時間序列和因果關(guān)系預(yù)測兩類。商業(yè)分析很需要對未來發(fā)展趨勢做預(yù)測，因此需要算法輔助。常見的用法、優(yōu)缺點如下表所示

第三類是用來降維的算法。包括因子-聚類分析、AHP、主成份分析等。往往是評估一個問題，考慮指標(biāo)太多的時候，需要做降維處理，壓縮指標(biāo)方便評分。常用于評估類問題，比如項目、新產(chǎn)品、品牌評估等等。

綜上，可以看到算法模型在商業(yè)分析中是非常有用的，可它本身不能替代商業(yè)分析，更不是一個問題思考不清楚了，就甩給做分析的同學(xué)：“人工智能好厲害，快人工智能分析一下為什么我們業(yè)績做不起來”。業(yè)績是做出來的，不是算出來的。更多的商業(yè)問題是和人的主觀能動性有關(guān)，因此脫離人的因素去指望算法，最后就淪為數(shù)字游戲。

以上就是商業(yè)分析、數(shù)據(jù)分析、算法模型的關(guān)系與區(qū)別。用一句話概括，可以說是：商業(yè)分析是數(shù)據(jù)分析方法在商業(yè)問題的具體應(yīng)用，算法模型是一個有效解決特定商業(yè)分析問題的工具。