公司經營的幕後智囊團「數據分析師」

這幾年因為商業環境的競爭與科技的進步，數據分析已經是一個很熱門的議題，同時「數據分析」也是一個很好的職業選擇，市場上也開設了非常多基礎的數據分析課程，培育了很多「數據分析」人才，但其實數據分析師的對於專業的要求程度很高，一個好的數據分析師是可遇不可求的，你接著看下去就會知道為什麼我會這麼說。

其實數據分析師細分成很多不同領域，例如有分析財務的、營運的、市場的、會員的、廣告的、人力資源的... 等等，雖然在不同的公司體制下，分工都不太相同，但你通常至少需要具備該領域的背景知識，例如你想成為一個廣告數據分析師，你至少要知道什麼 ROAS 的計算方式、點擊率是怎麼被影響的、不同渠道之間的特性等等，這些領域知識的熟悉程度，會直接影響到你的分析品質。

一般來說「數據」本身只是數據分析師的材料而已，分析的「目的」才是最重要的，例如：輔助公司進行商業決策、降低經營成本、提高收益、協助優化產品、會員經營等等，要在明確的目的下，所進行的分析才有價值。

所以大體來說，我認為數據分析師需要有這三種能力：

1. 能夠驗證問題，知道什麼是「有效的問題」 
2. 能夠縮小問題的拆解範圍 
3. 能夠解釋問題、並針對分析目的回答問題

舉個例子，單就「去分析一下昨天廣告效果不好」這個最常見問題來說，我們首先第一個要知道，廣告效果不好，跟哪一個公司重要目標有關？分析了這個問題，是否能夠有效的帶來正面影響？如果可以，我們接著要確認的是廣告效果不好的基準 ( Benchmark ) 是什麼，如果是跟前一天相比，那麼問題是出在素材、還是到達網頁、還是廣告受眾？接著，如果是到達網頁，那為什麼昨天效果會比前天差，是否有什麼元素變動了？廣告效果不好，可能跟這項改動有關，如果這項改動恢復到跟前天相同，那麼數字會恢復嗎？如果這是最可能的原因，那麼可以進行一個實驗，確定這個想法的正確性。

當然啦，以天為單位數據是過於敏感了，廣告通常是以周或月為顆粒度在分析的。

這是一個簡單的分析思路，也充分說明上述三種能力的交叉運用，但在實務上，局面會再複雜很多。原因是因為，幾乎所有公司數據都是有缺陷的，我們會花非常多時間在整理數據，反覆驗證，讓數據足夠可靠，否則分析出來的結論會不具任何參考價值。

可別小看整理資料跟驗證資料這件小事，其實數據分析師產生的結論，在某種程度上是能夠影響到公司決策的，例如上面「昨天廣告效果不好」的案例來說，所得到的結論如果是昨天新上架的新功能表現不好，那麼公司可能就會考慮不再用這個新功能，所以之前的開發成本可能都付諸流水，原因是因為數據分析師判斷這個功能影響到廣告效果，而廣告效果是公司獲利的重要指標，所以只好捨棄這個辛苦開發的新功能了。

所以你說，數據分析師給出的答案重不重要？