数据分析项目是什么？该怎么做？

大家好，欢迎来到IT知识分享网。

本文将深入探讨数据分析项目的本质，揭示数据在企业中的地位，以及如何突破数据分析项目的症结，实现数据的真正价值。让我们一起走进数据分析的世界，探索如何从“跑数机”到项目负责人的华丽转身。

不当跑数机

我要做项目

很多做数据的同学都有这个强烈的心声。每天机械地跑数，完全不知道数据有啥用，这个状态确实很不好。大家都想有个独立负责项目的机会。

然而，很多同学心中充满疑惑：

● 什么是数据分析项目？

● 为啥我在公司里没见过数据分析项目？

● 我在网上百度了泰坦尼克、淘宝电商、美国信用卡的代码，ctrl C+ctrl V一遍，算不算个项目？

今天就从第一个问题说起：什么是数据分析项目。

01 什么是项目

项目本身的含义是：在特定时间期限内，将人力、物力组织起来，达成特定产出目标。

这一句话虽然简单，却带出了项目三大关键维度：时间、成本、产出质量。

这三个维度，就是俗称的“项目铁三角”（如下图所示）。

之所以叫项目，是和常规工作对应的。

● 项目：特定时间，特定人群，特定产出。

● 常规工作：每天都干，固定一群人，干完就行。

你看同样是铁路，做老铁路的养护，兢兢业业一辈子也没人知道；但是新建一条线路，必定是张灯结彩，锣鼓喧天，鞭炮齐鸣。我们都喜欢做项目，不爱沉溺在常规工作里，大致也是如此。在企业里有些部门项目很多，经常动不动搞个大新闻，有些部门项目很少，就只能忍气吞声了（如下图）。

02 什么是数据项目

灵魂拷问：数据在公司里的地位，更像 【单选题】

销售

运营

品牌

供应链

一个残酷的真相是：虽然老板们嘴上嚷嚷的“大数据”“人工智能”“数字化转型”，但是在大部分企业里，数据更像供应链。虽然大家嘴上都说这玩意很重要，是未来，是趋势。可到头来，一你不能为公司挣钱，二你是服务其他人的脏活累活。

这种尴尬处境，就注定了数据的地位高不到哪里去。地位稍微高一点的，是可以直接拿数据挣钱（比如出售数据、数据服务的咨询公司、第三方服务公司、互联网toB产品）或者等着数据圈钱（招一堆程序猿，向VC爸爸证明自己是人工智能大数据公司）的少数企业。地位不高，自然分配的项目就少了。

03 什么是数据分析项目

分配项目少的核心表现是：数据的工作一但拆开，就通通变成日常工作。

是滴，写代码的又不是他们，他们完全理解不了“接一下那个数据”七个字背后，你到底得付出多少努力。这一点还比不上供应链呢，至少大家看到堆积如山的物料，会觉得他们辛苦。大家看数据的眼光，更类似家里的老妈子：“你一天天对着电脑在弄啥呢”。

因此，数据类工作想要立项，就只剩一种办法：毕其功于一役！在一个跟数据一点关系都没有，但听起来贼牛逼的名字（是滴，说的就是商业智能）的包装下，把上边这些脏活累活打包全干了。

其中最为合法、公开，有存在感的，莫过：带数据大屏的BI项目。无数传统企业的数据部门，就是靠着做大屏项目博得老板欢心的。

当然，这种局面在这两年有变化。阿尔法狗一声汪汪，给无数老板们带来了人工智能的希望。当面对解决不了的问题的时候，人们总寄希望于某个自己耳朵听不懂、别人口中很神奇的力量。在过去是《周易》铜钱八卦，在现在是人工智能算法。于是很多算法项目纷纷上马。

实际上，在自媒体大肆炒作之前，就已经有很多利用算法改进业务的成功案例，比如通过算法识别违约风险，提高外呼成功率，提升用户点击率，预测用电数/话务量，等等等。

但这些应用有着非常严苛数据质量和非常明确的应用场景。并不是说随便捞几条数据丢进模型一弄就有效果的。更不是说脱离管理制度、资金投入、基础建设、业务配合，只要代码一运行钞票就从屏幕里喷薄而出。于是很多贸然趟进算法浑水的项目都悲剧收场。

不过没有关系。很快，大家就找到了新的自己耳朵听不懂、别人口中很神奇的力量：数据中台！于是重新的一轮眼见高楼起，眼见高楼塌又在2020年开始上演。

04 数据分析项目的症结在哪里

站在项目铁三角的角度，对比数据和其他项目，症结非常容易看到：

即使是数字本身，也很难体现价值。比如原因分析，即使不看数据，业务自己也能猜到几条原因。如果仅仅局限在业务提一个假设数据验证一个，那就跟叼飞盘的汪子没啥区别。虽然自己跑得辛苦，人家还认为你就是个打杂的。

以上，才是数据分析项目立项少，成功难的本质原因。当然，更要命的是，很多新人意识不到这一点（特别是研究生刚毕业，写了几篇名字高深的论文的）。他们炫耀着自己的图表、模型、代码，像一个在班里炫耀新买的变形金刚的小学生。内心满满的：“我好厉害吧”。忽视了真要运货，最普通的翻斗车都比擎天柱大哥强。

想破局，还得紧紧抓住项目铁三角：

1. 时间

• 平时建立监控体系，把劳动力从临时取数解放出来。
• 基于日常数据，积累经验，捕捉战机！
• 在关键时机引发业务危机感，承接独立负责的项目。

2. 成本

• 平时尽一切可能推动数据质量改善。
• 在时机合适时推动数据基础建设前进。
• 每次项目考虑最少数据，最简单模型解决战斗。

3. 质量

• 基建类：多做从0到1的工作，填补空白，彰显成绩。
• 方法类：建立推理逻辑，带着业务的思路走，做教练、不做老师。
• 建议类：提100个假设，撑爆业务的脑袋，掌握输出成果的主动权。

本文由人人都是产品经理作者【接地气的陈老师】，微信公众号：【接地气的陈老师】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。

题图来自Unsplash，基于 CC0 协议。

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。