数据分析师到底在作什么？

我认为数据分析的基础是知有常无常，通常建议采起的措施是挑肥拣瘦，目标是以更少的成本得到同等收入，另外还有一点比较可贵是识别机会。预测其实应该也算，可是预测大多牵扯到技术性多一点，这里只讲理念。

知有常无常，换句话说就是知道数据变化的时候，哪些是正常波动，哪些是非正常波动，趋势是怎样的。通常经过同比、环比等等，去判断是否处于可接受范围内的波动，若是是异常波动，则要判断异常波动的缘由。通常异常波动的影响因素都是经过排除法查找，排除的项目是变更项目的影响因素，好比销售额=访客数*拍下率*拍下付款率*产品单价*单客件数，销售额变更就会从等号后面几个因素去找。再细分好比访客数降低，则要细分各访客来源数量上的变化，成交付款率每每是由顾客对产品知足需求程度以及产品（相对）价格的断定决定的，若是判断越明确，则这个值越大，价格较高会加剧犹疑，可是有时候产品价格升高时拍下付款率升高，可能的缘由是高价格对拍下阶段的顾客已经作了过滤，剩下的都是成交意愿较高的客户(这个是观察最近雾霾罗汉果购买的变化，应该是瞬时流量增加带来的相对不肯定人群对拍下付款率的稀释)。拍下率通常与（相对）价格关联比较高，其余还有页面描述、活动、评价以及服务承诺之类，大量不精准流量会带来拍下率的降低，而不精准流量的剔除也会带来拍下率的升高，因此要具体分析判断。单客件数受活动刺激以及包邮比较厉害。好吧，扯远了。

知有常无常，有个“知”字，如何作到知呢？之前靠的是经验，即假定在类似情境下会产生相似的结果，或者事物按照类似的轨迹发展，人们会按照模糊的数据去判定将来，可是假定不少时候不成立，按照固有预期去走的人不少会失败。有数据，可是只是判断数据表面输入输出的关系去支持决策，其实跟经验没两样。我认为除了利用已有知识解释缘由外，应该想办法对结果进行验证，由于解释不少时候都是基于常识的假设，未必正确，通过稳健的验证的知识进入“知”的范畴。凭空生出可靠地想法是比较可贵，常常生出的就很牛叉，由于很能生啊。好吧，又扯远了，其实讲的就是解释未必对，应该常常针对现象提出解释，尽可能对解释验证。

挑肥拣瘦，就是在资源有限的状况下，把资源投入有潜力或者块头大（潜在利润？份额大）的部分，而对潜力小或者肉薄的部分维持、削减设置剔掉。对有望长成大树的树苗多浇水上肥，直到他不怎么长，再选择其余合适树苗，对长不大的树听任无论甚至砍掉以避免影响其余树的生长（阳光水肥的分配），大的树不会有大的生长，只是保持虫害的关注。其实还有个比喻，就是把浓的用水冲，直到平均溶度为止，再寻找下一个高浓度。对每一份的投入要考虑投入在各个部分产生的收益是否最大，从短时间看如何，长期怎样？挑肥拣瘦，就是同等投入追求更高产出的过程。这一部分涉及到量化和度的问题。

识别机会就是比较创造性的活动了，通常人很难作到，由于出发点和受过的训练不同，总之呢，是须要经过不断的商业训练以及知识补充完善决策的背景。

预测呢，很大程度上是量化哪一个是肥的，哪一个是瘦的，不扯。