01

資料不會思考，會思考的是人。

所謂演算法，不過是按照人的思考邏輯，按照程式設計計算。即便是AI，演算法邏輯也是人的。人工智慧是【人的智慧+機器計算】，機器勝在計算。

資料分析師，是資料商業價值的解碼器。阿里原副總裁，資料委員會會長車品覺說，資料分析師是業務的“軍師”。

一家早幾年就做數字化運營的老總跟我說，資料分析人員是他的寶貝。據他說，培養一名合格的資料分析人員，需要數年時間，比培養一名營銷管理人員難度更大。

02

資料分析的目的是什麼？大致有3種：

第一，資料洞察，發現機會

這是中高層對數字化的需求。機會在外部，發現機會需要深入一線。過去，發現機會需要高層到一線，利用高層的洞察力。

數字化給了企業另一個洞察機會的能力：資料洞察。

資料洞察怎麼做？這是個難題。任何洞察都是難以模仿的，是難以程式化的。程式化的都不是洞察。

洞察無法替代，即使是大資料洞察也是如此。現在大資料能發現原來沒有關聯的因素之間是有關聯的，但還不是洞察層面。

第二，判斷和把握業務的整體狀況

每個層級、每個人都需要資料把握整體狀況，包括老闆和一線業務員。過去透過一線拜訪和統計資料把握。拜訪需要時間，統計資料有滯後性。

資料化，可以透過實時資料判斷、把握整體狀況，減少不必要的拜訪。比如，一線業務員可以透過實時資料，實時判斷哪些終端有問題，然後精準拜訪。原來一個業務員只能負責150-200個終端，現在可以成倍增加。

數字化現在已經以能做到“視覺化”，這給把握業務整體狀態提供了方便。

第三，改善業務流程

傳統營銷沒有2C，只有2B，業務流程相對簡單。2C的業務流程更復雜，一般用AARRR表示。拉新、啟用、成交、裂變，上述過程的每項環節，都有資料可依，銷售政策有針對性。

03

依託資料的商業分析，有三種類型：

第二種分析：慣例化分析，人工判斷。由系統提供分析模板，按模板分析資料，但最終交由人工判斷。2B資料通常如此，系統提供給業務員拜訪終端的資料，就要由區域經理和業務員結合線下場景判斷，並與終端老闆進行溝通。比如，終端資料“不正常”，可以由業務員到終端”核查“。

第三種分析：定製化的一次分析。比如市場機會、市場洞察。

04

最後說一下資料分析師。

會說話的不是資料，而是人。資料是死的，人是活的。

不是人為資料服務，而是資料為人服務。

不是業務為資料服務，而是資料為業務服務。

大資料比的不是資料大小，不是計算能力，而是對資料的解讀能力。機器運算，不能脫離人的思考邏輯。

使用者畫像，建模、程式設計，即使與C端使用者的互動是透過程式自動完成的，程式反映的仍然是人的思考邏輯。

在資料中臺，有一類人，稱為資料分析師。他們是兩棲人才，既要懂銷售業務、流程，又懂計算機和大資料。

只有懂銷售業務，才能提出問題，提出資料化的思考邏輯。只有懂網際網路和大資料，才能知道大資料能幹什麼，什麼樣的問題大資料能解答。

資料運營，要有資料分析師。阿里原資料委員會會長車品覺在《決戰大資料》中說，資料分析師要有三大“內功”：混、通、曬。

混，資料分析人員要與業務員混在一起。混在一起，才能瞭解業務。

通，要全面打通資料與業務的關係。

曬篩，即曬出成果。

混、通、曬，這是一個數據中臺與業務結合的過程。

05

曾經與人有過爭論，營銷數字化到底是先搞頂層設計，還是先把業務模式走通？業務模式不通，再好的頂層設計都是豪華的擺設。業務模式走通了，頂層設計自然好做了。

數字化之所以需要中臺，就是中臺與一線天然結合。既然是兩個組織，結合就有障礙。誰應該更主動結合呢？我認為應該是中臺的資料分析師。

資料分析師的人員不多，是經過精心挑選的雙曬人才。我們不能要求一線業務是雙曬，這就要求分析師更主動。資料分析師要主動與業務混在一起，而不是被動服務。

資料分析師還要分級，有的是資料分析的設計者，有的是業務分析人員。資料分析的設計者，這是資料分析的“種子”，很珍貴。如果內部有苗子，就內容培養；沒有的話，就要到外部去挖。

我們見到一些企業的資料化推動慢，主要問題不在資料系統，而是缺乏“第一推力”，沒有人與一線結合，主動推動營銷資料化，大家都在等一個“上帝”出現，然後一切都搞定了。

06

資料分析師現在很稀缺。

電商平臺經過多年的摸索，已經有分析師了。甚至現在都在講“人人都是分析師”，逐步普及化了。

傳統企業的營銷數字化，前提是懂深度分銷。有人問我，深度分銷過程能否“速成”，我認為很難。而且現在已經深度分銷的環境已經沒有了，即使想體驗，也回不到最初的環境了。

未來幾年，資料分析師將會很吃香，資料分析師培訓可能也會火一陣子。