Analytics(商业分析+数据科学+数学建模+数据可视化)

未来10年的技术大趋势

博文封面

Analytics是一个新兴领域,甚至还没有一个贴切的中文翻译,我暂且称它为“运筹分析”。但提起她的内涵却并不会让人感到陌生。概括说来,它是运用商业分析+数据科学+数学建模+数据可视化为企业提供决策支持。解决的核心问题就一句话:

怎么做正确的商业决策?

毫不夸张的说,及早在Analytics领域进行战略布局,已经成为未来企业的核心竞争力。未来十年,胜负将决于此间!
作为开门第一篇文章,和大家聊聊Analytics的前世今生,应该是再合适不过了。

什么是Analytics?

运筹分析已经成为企业竞争力的重要源泉– 德勤调查报告

Analytics的核心是使用数学模型和统计工具来分析大规模商业数据,从看似纷繁杂乱的表象中提炼出有价值的信息,从而做出高质量的决策。许多人说当下是一个信息爆炸的年代,而我更倾向于把“信息爆炸”替换为“数据爆炸”。200个电视台,400个QQ好友,100个微信好友,30个亲密的同事,30多个亲戚成员,上班的邮件,下班的闲聊,蹲坑时候看的朋友圈……,每天我们会被多少数据包围?然而这么多数据能包含多少有意义的信息? 又有多少有信息帮助了我们的决策?如果我们不用宝贵的时间梳理它们,那么它们就根本没有意义!

数据不都是信息,信息不必然是知识,知识不一定能理解,理解未必形成智慧。 – 美国宇航员 克利福德·斯托尔 博士(Dr. Clifford Stoll)

看到这里,你还记得上周的朋友圈吗?还记得上次妈妈饭后唠叨了些什么吗? 这些宛如碎屑般的数据,在你我意识中一闪而过,之后大部分便永远消失在无边无涯的潜意识大海之中。
小到如一人,大如一个企业,每天都在和数据搏斗。企业的IT系统,每天产生大量的数据,记录着每一个运作的细节,几乎到了保罗万有的地步。面对这浩如烟海的细节,却反而令我们无从下手了。于是我们计算各种指标,把企业的行为精简到了极致,报告来帮助管理者驾驭这头巨兽。但在精简过程中,必然会损失许多细节,抓大,自然就会放小。那有没有一种方法,能更有效的利用这些看似无用,实则隐藏了信息的细节呢? 这就是Analytics要解决的问题。

要回答Analytics是什么,先搞清楚它不是什么

Analytics v.s. 商业分析(Business Analysis)

很多人会问,我们有部门做战略分析啊,有做商业分析呀,和Analytics有什么区别呢? 区别可大了。商业分析是通过对企业运营,业务,市场等进行定性分析,提出商业问题的解决方案。在目的上,和Analytics有很大的相似性,乍看上去似乎是差不多。但仔细了解一下,Business Analytics和Business Analysis的差别,那简直就是雷锋和雷峰塔的差别。

首先商业分析侧重于定性,通过分析简单的业务指标来做出判断。商业分析有一套相对固定的分析工具, 比如PESTEL模型用6种因素解释宏观环境;波特五力用5种动力来描述市场环境;SWOT则将对比竞争概括为4个维度,等等。

而Analytics则是使用完全不同的方法论来帮助决策。例如对于有历史数据的业务,使用机器学习来挖掘大量数据下潜藏的规律;对于复杂的动态市场行为,会考虑用仿真实验来模拟行为的演化;对于选址、定价、广告、生产等问题,则可用优化算法求取最优方案。

Analytics v.s. 数据分析(Data Analysis)

这是两个时常被人混淆的概念,许多管理者喜欢用数据分析来理解Analytics。每每有人用“他是做数据分析的”来介绍我的时,我多半会礼貌的用“我是做运筹分析的”来纠正。当然,Analytics十分依赖数据,但真的不仅仅是数据分析。举一个简单的类比,财会人员每天要用电脑进行财务分析,但不能说他们的工作就是打字;Analytics需要分析数据,但其价值并不仅仅是数据分析。
只有将商业、数据、模型、算法、分析、解释,这几个方面综合在一起才能概括Analytics。

看到这里,相信各位脑海里应该对Analytics有了个大致的印象。总结来说:

运筹分析(Analytics)是一种决策哲学,它有下列特征

  • 以数据为基础
  • 针对复杂商业环境和业务逻辑(因素众多,相互关联,以及不确定性)
  • 依靠数据挖掘和数学建模给出答案
  • 使用图形化和自动化协助领导者实施决策

企业为什么需要Analytics?

如前面所说,大数据时代企业每天所产生的数据如滚滚洪流,泥沙俱下。管理者面对海量的数据,虽然深知市场、企业、客户的真相就在其中,但亲身试水无异于跳海自杀。当业务规模不大,决策不复杂的时候,涉水而过或许不成问题。而一旦上了规模,只靠拍脑袋决策,就难了。而这种复杂的业务问题,正是Analytics擅长的领域。

怎样画马

那么Analytics能解决什么样的问题呢?大致说来可以概括为下面三种基本的分析法:

  • 解释(Decriptive Analytics):通过汇总历史数据,使用数据挖掘算法提炼出有价值规律和经验。它能回答”发生了什么?为什么会发生?是什么原因导致的?”。例如:

    • 过去销售下滑是什么原因?
    • 什么样的客户是最赚钱的客户?
  • 预测(Predictive Analytics):通过统计模型和预测算法,预测未来最有可能发生的情况。它能回答“照此发展下去,预计未来会怎样?”。例如:

    • 产品未来的销售额怎么变化?
    • 新的促销活动会有怎样效果?
  • 诊断(Prescribtive Analytics):使用优化和仿真手段为具体决策提供最优或最合理的解决步骤。他能根据约束条件,提出达到目标的最佳方式。一些典型的问题例如:

    • 最优的货运方案是什么?
    • 如何分配销售人员,使得效率最高?
    • 新建三个门店最佳选址在哪里?
    • 广告最优媒体组合和最佳投放频率?

以上的例子是想给大家一个感性的认识。事实上,只要有数据做基础,许多以往不能解决的复杂问题都可以通过Analytics得到更完善的答案

什么人能从事Analytics?

如果5年前,某家企业忽然说要向Analytics方向发展,需要组建部门招揽人才。可能人力资源经理会万分头疼,因为仅仅5年前,是没有一所大学开设Business Analytics或者数据科学之类的专业。即便是如今,即便全球很多大学的Analytics和Data Science专业如雨后春笋一般疯狂生长,但真正合格的人才,依旧非常稀缺。

首先,作为Analytics从业者,最基本的能力是写代码。虽然这个标准近几年有所松动,许多跨领域沟通的能力,项目管理能力被更多的提上重要地位、。但我仍然要说,有坚实代码和算法功底,可以使工作加游刃有余。给出问题以后,能快速上手进行验证,将会给从业者巨大的帮助。熟练掌握基本工具,才能在思考复杂商业逻辑上游刃有余。

文惠君曰:“嘻,善哉!技盖至此乎?”
庖丁释刀对曰:”臣之所好者,道也,进乎技矣” – 庄子.养生主

第二种能力是数学知识。Analytics依赖于多种数学工具,因此从业者需要广泛熟悉多种数学方法,了解他们适用的对象,并将理论同商业实际相结合。其实大家每个人都做过类似的事情,解应用题:),只不过Analytics需要解的是更复杂,更实际的应用题。

第三种能力是数据管理。每一个Analytics从业者不能指望数据整齐的躺在数据库里等着他们去分析。多数时候,数据是残破的,分散的,甚至是不知所踪的。他们必须有能力去寻找,清理并维护数据。熟悉多种数据存储结构,熟悉数据库和ETL应该是最基本的要求。而随着大数据平台的兴起,对Hadoop, noSQL,等新兴数据技术也需要有所涉猎。

最后一种能力是沟通能力。把这项放在最后说,是因为这往往是决定项目成败的“最终奥义”!再好的戏,没有声音也出不来;再精妙的理论,没有故事的包装,也无法打动人。善于沟通,清晰描述商业价值,可以快速的获得前期信任;在项目实施的过程中,畅通的汇报交流,可以使资源获取更加容易;项目完结,一份潇洒飘逸的报告,美观的PPT和准确的图文表述,那沁人心脾的感觉,将无疑是项目圆满的句号。

总结说来说:

一名合格的Analytics从业者,必须是:战略家+开发者+工程师+创新者+咨询师。

未来

毫无疑问,当下Analytics已经是一个炙手可热的概念。许多高校中Analytics和Data Science专业如雨后春笋般涌现;许多企业不管三七二十一,都纷纷设立Analytics部门;许多求职者不管合适不合适,都把Data Scientist挂在简历上。因此许多人认为Analytics只是炒机器学习的冷饭,玩的是改头换面的噱头。

但一次技术革新,需要从理论产生方法,从方法发展应用,从应用到影响观念,从观念改变组织,经历一个完整的过程。即使核心思想一致,但不同的阶段也需要有不同的外延来支撑。

30年之前,虽然计算机已经大行其道,但IT是什么却无人知晓。而今,我们已经无法想象没有IT部门的企业。

数据科学的诞生之初叫“统计推断”,应用之后称为“机器学习”,商业化之后叫做“大数据”,现在数据科学要改变企业管理哲学,此时我们给了它一个新名字“Analytics“

进化

10年之后Analytics将彻底改变企业决策的方式,成为企业重要的竞争力源泉。想想现在IT技术对企业发展的巨大影响,未来Analytics必然会引发相同量级的变革。

对于Analytics未来的发展我十分乐观。我也正在为这场为期10年,而且已经开始的变革做准备。你是不是也这么认为呢?或者也在为自己笃定的10年之期,做着准备呢?