接地气的陈老师，微信公众号：接地气学堂（微信号：gh_ff21afe83da7）。资深咨询顾问，在互联网、金融、快消、零售、耐用、美容等15行业有丰富数据相关经验。

2020年，你在工作中做了几个成功的数据分析项目呢？问题一出，又是发新手同学一阵哀嚎：

“没项目做呀！”

“每天瞎忙啊！”

“业务方：我早知道了，你做的有啥用，你分析的不准确一键三连呀！”

O(╥﹏╥)o

今天我们先不谈“为啥每天瞎忙没项目做”的问题，就谈“为啥已经开工的项目会失败”。因为认真梳理下会发现，至少四分之三的数据分析项目失败，和这个事有关。

 1 问题场景1

需求1：

“我们要建立大数据用户画像”。这个需求很常见，业务部门动不动就“来个用户画像分析”。那么问题便来了，真的做这个需求，有多大概率扑街？

非常大

因为不知道做了到底干啥呀。业务方可能很随意的说：做了用户画像，就知道用户特征了。问题是：这个需求报表不能满足吗！如果真是不知道，直接把用户特征各个维度跑一遍数，列个excel表就好了呀，为哈要费事上一个用户画像项目呢？！

这种需求叫：无目标需求。漫无目标，大概率做完了被人扔一句：“我早知道了！”因为对方确实可以通过日常报表、用户调查、自己体验获得一些数据。这种项目接过来过，夯吃夯吃打标签、整数据、做看板，最后铁定失败。

 2 问题场景2

需求2：

受到场景1启发，有同学会问：做用户画像干什么？

业务方答：做来看哪些用户喜欢A产品

那么，真的做这个需求，有多大概率扑街？

非常大

问题在什么叫“喜欢”？？？

如果是“过往X个月内购买次数大于X次，购买金额大于X元”叫喜欢，那直接拖一张报表就能满足需求呀，为啥需要起一个项目。

如果是“未来有大概率会购买A产品”，那实际需要的就不是什么用户画像，而是针对A产品的预测。那起个毛线的用户画像项目，直接做预测呀。

这种需求叫：需求不清晰。驴头不对马嘴，这种项目接过来做，分分钟落一个：“你做的没啥用”的评价。找不准真实的痛点，项目必定失败。

 3 问题场景3

需求3：

受到场景2启发，同学知道了业务方想预测销售

现在，业务方提出：希望能精准预测销量

那么，真的做这个需求，有多大概率扑街？

非常大

问题在：预测的到底是啥玩意不清楚。

如果预测的是新上市款，压根没数据呀，预测个毛线。这时候，最关键的问题就是：要不要做测试。如果已经有选定产品，需要测试效果，这就是测试问题。直接设计ABtest，拿去测一测效果，收集一波数据再做预测。

如果没有做预测,这时候实际上是：分类问题。基于竞争对手的选择，自身商品管理的判断，过往同价位/同客群/同品类销量走势，对待上的新品进行评估。由于完全是凭空预测，因此输出的结果必定不能很准。这时候最好的做法是先对产品定性，它的潜力是：爆款、流量款、利润款、补充款、普通款、还是吊车尾。有了定性判断，再看配多少资源，多少人力给它。再看能不能基于资源投入预测。

这种需求叫：需求不具体。看似有目标，但是少了背景条件，甚至一字之差，离题万里。这种项目接过来做，分分钟落一个：“你做的没啥用”的评价。找不准真实的痛点，项目必定失败。很有可能夯吃夯吃塞了一堆现有产品数据，结果发现根本没考虑业务动作，也不能推广到新品，最后落一句：分析不精准啊！

 4 问题场景4

需求4：

受到场景3启发，同学问了业务方，得知：

想预测销售，是指导销售团队工作。

那么，真的做这个需求，有多大概率扑街？

非常大

问题在：知道预测结果，人家又能干啥。

如果预测业绩很好，so what！销售还是该干啥干啥呀，说不定还会搞搞阵，藏点单啥的。

如果预测业绩不好，so what！这东西根本不需要预测呀，拖一张报表就能看到做的好不好呀，看到业绩不达标，还需要预测吗，麻溜的开发客户去呀。

所以这个预测值，对于销售部门来说没啥实际用处。这个需求可能只是出于好奇，可能就是随口一说。总之，这叫：需求不够刚性。这不是业务部门的核心问题点，因此项目上了也是白上，最后很容易被批为：分析有啥用。

 5 问题场景5

需求5：

受到场景4启发，同学问了业务方，得知：

想预测销售，是指导库存管理。因为供应链不能控制销售，只能被动看订单供货，所以能预测出来销售值就很重要。如果销售预测准了，备货自然能按照销售来备，库存损失也能减少多好！这次是刚需了吧。

那么，真的做这个需求，有多大概率扑街？

非常大

问题在：影响库存损耗的不止一个因素，只考虑销售太过偏颇。

这叫：需求不准确。本质上，供应链损耗受到采购计划、销售能力、生产排期三方面影响，和销售有关，也有可能和领导私心（收了供应商钱，野心过大的扩张计划）有关。因此只抓一个因素，很有可能不能解决问题库存损耗的问题。绕路走，是数据分析头号大忌。

既然预测是为了减少损耗，就直接把目标设为减少损耗。注意：即使再优化，也不可能做到马上进马上出，因为总有一些市场意外，总有一些商品滞销，所以最后控制目标也不是直接压到0，而是控到一个可接受水平，或者控制促使整体损耗下降。这样才是可能成功的目标，梳理到此，可以继续往下做了（如下图）

 6 小结

四分之三的数据分析需求，在开始的时候就注定失败的。

l 不清晰

l 不具体

l 啥都想搞

l 不知道做了啥用

l 做了也没啥用

只是听说市面上流行“数字化转型”“人工智能大数据精准用户画像”就急匆匆往上怼。最后自然必败无疑。

有趣的是，识别伪需求的最好方法，就是拖一张报表。通过业务部门对报表的利用情况，可以反向观察：

l 哪些部门真的数据，哪些就是说说而已

l 哪些数据真的能有用处，哪些看了就看了没屁用

l 看了数据能做哪些动作，哪些又是看了也无能为力

这样，即使业务部门没有能力讲清楚需求，数据分析师也能够对项目目标、工作重点、输出内容有自己的判断。所以做数据分析的同学们，不要被网络上爽文洗脑了：报表才是数据分析工作的立命之所。一个会玩报表的数据分析师，才有机会做出高大上的模型。切记切记。