商业数据分析师的工作内容
2011到2022这11年时间里，作为一位项目经理我管理过时程紧凑的消费性产品；也负责过时程长但开发严谨的车用产品。一直觉得PM是一个让人燃烧生命但能成长相当多的工作，这是因为这个职位总是强迫PM们必须多想一步，更务实的看待事情，更看懂局。例如项目时程怎么安排能让风险降到最小；怎么和内部同仁或是外部客人、供应商谈判；如何在满足目标的前提下找出大家都能接受的方案…。不过今年(2022) 7月，我决定跨界转调到经营管理部门成为一位商业数据分析师(Business Intelligence Analyst)，主要原因是这个转换能让我在管理领域持续深化：商业数据分析师这个职位除了能得到更多数据处理(Excel, Python)与可视化(Tableau, Dashboard, Report)的的实务经验之外，管理和思考的范围更是从一个项目或是一个部门的Scope扩大到一整个BU，这是一个扩展自己能力边界的机会。
有价值的商业数据分析师(Business Intelligence Analyst)首先要能通过数据量化的过程让组织运营的目标与结果成为具体的数字。第二步则是借由实际数字铺陈出主管听得懂的故事，聚焦在关键问题上。所谓「战略是让自己随时有得选，然而战术是选择之后能赢」。商业数据分析师的目标并不是用数据来证明自己已经做的足够好(是环境，政策，国际政治…等不可控因素导致差异产生)；而是协助组织尽可能地思考不同的策略，并借由数据来检验什么策略有更高的胜算，拥有更高的主导权。故我们的日常工作主要围绕在以下几个方面:
-
分析历史数据：从已发生的营运数据比对实绩值与目标值的差异，找出差异原因做为持续改善的判断依据给高端主管参考。
-
预测未来结果：从现有信息中(订单情况，历史数据)来预测未来的营运成绩。重点在通过持续预测的过程来缩小未来结果与目标之间的差异。
-
推动数据管理项目：改善公司内部数据与数据冶理相关项目，实现数据驱动的目标。
上述第一项(分析历史数据)是比较单纯和Routine 的工作，通常也是初阶数据分析师的主要任务，只要熟悉公司的业务活动以及具备Excel，Power Point能力即可胜任。接下来我把分析历史数据的工作，从数据收集到产生洞见的过程整理如下：
一般来说，为了某个商务目的展开的数据分析工作的第一步会把保存在不同的数据库的数据进行汇整。例如: 当我们需要分析公司的获利情况，除了销售的订单数据之外，如果能结合以下信息，就能用更多的维度来观察数据背后的意义:
- 产品**规格(特征)**信息： 观察那些规格的产品销量好，营收表现高。
- 产品成本数据：观察订单的利润表现。
- 客户数据：观察那些客户贡献高；男女性别的表现如何？各年龄层的表现。
- 其它维度
若再加上时间因素还可以观察随着时间推移，各种商务数据(销售数量、营业额、平均售价、…)在各维度下的表现。
汇整各数据库中的数据是数据分析工作的第一步，但因为各类别的数据保存在不同的数据库中，一个常见的问题是同样的数据在不同数据库中有不同名称。例如: 销售数量在订单系统中可能叫作「销售量」，在财务系统中叫作「出货量」，其实指向的是同一个数值，因此在两个或是多个数据合并时，我们需要先统一各字段的命名。
数据预处理的目的在把原始数据中可能造成分析结果失真的数据更正或去除掉让数据能开始对其进行处理(计算)，。通常预处理会有以下几个步骤:
分类标记(Class Labeling)
把数据保存成适当的类型: 原始数据可以区分成 2类，即需要被计算的数值数据(Numerical Data)，和无需计算的分类标签(Categolory Data)。在进行数据处理之前，需要先把数据层别出那些字段是需要计算的数值数据，并且指定合适的格式，例如整数，小数，百分比。
- 数值数据(Numerical Data)：需要被计算且被追踪的数据，例如每个月的营收，每月新注册用户。
- 分类标签(Categolory Data)：无需被计算，目的是作为观察观察数值数据的维度，例如用户的姓别，学历；产品规格(例: 产品重量，内存容量，屏幕尺吋…)。
数据清洗(Data Cleaning)
数据清洗是对数据进行计算前重要的一步，目的是处理原始数据中数据错误或是缺漏的问题，以免造成分析结果失真。所以在分类标记完之后，接着就是确认数据集中的各字段的数据范围(最大值/最小值)是否异常，是否存在空值。
- 数据错误：例如某个用户的年龄被记录成321岁。
- 数据缺失：当数据不完整(某些数据是空值)的情况时，例如用户数据中没有完整填入数据(例如年龄)。
若是出现以上数据错误或是缺失的情况，就要考虑 (1) 把整笔客户数据删除或是 (2) 把空值用某数值取代掉，例如把剩余客户的平均数(ex:年龄)填入此字段中。
预处理后的干净数据的各字段再经过处理(加、减、乘、除)之后，我们可以得到度量(Measure)，指针(Mertic)以及关键绩效指针(KPI)。这三者的定义如下：
度量(Measure)
度量(Measure)是单纯过去数据的统计结果，例如第一季度的销售总额是100万，总订单数是1,000张。
指针(Metric)
指针(Metric)是具有商务指针的数字，通常会由度量(measure)计算而来，借由追踪指针，我们可以了解到运营活动的健康程度。例如可以从上述度量中得到平均每个订单的金额是1,000元。
关键绩效指针(KPI, Key Performance Indicator)
KPI在许多指针中有些与商业目标紧密相链接，我们称为KPI。例如公司每个月的净利润总额(Operation Profit Amount)，毛利总额(Gross Profit Amount)…。
商务数据分析师借由数据处理的能力以及对业务内容的了解与商务直觉，从各种(Metrics)指针中分析营运活动是否如原本规划、营运活动是否有潜在的风险。例如2022 第2季整体库存天数增加，但从客户维度与时序上发现到主因来自中国客户从5月份起拉货动能大幅下滑，所以可以推测这是由于中国从4月底开始的Covid-19 Lockdown 政策导致。再进一步的思考是所有的中国客户都低迷吗，需求放缓有地域或是产品线的差异吗？ 我们能做些什么来改善中国市场的情况呢？如果中国区需求持续不振，最差的情况会是怎样? 能否要聚焦在其它区域的客人来缩小年度业积和年度目标间的差异？以上都是看到数据后，商业数据分析师可以思考的方向。
以上的数据呈现或是论述会以下面的2种型式呈现：
- 报告(Report)：以投视频(Power Point, keynote)型式提出结论，辅以数据、图表做为论据
- 仪表板(Dashboard)：即时监控各项KPI，让管理层快速聚焦在业务目标上
当我们进行历史数据分析时大致流程就如本文所述，相信只要有基本的Excel操作能力(公式，枢纽分析)和演示文稿能力就能胜任，不过如果能应用Python语言以及Tableau软件来进行数据整理以及数据可视化，就能提高整个数据分析的效率。
另外，当我们需要用数据分析来进行预测未来的工作时，就不是简单的数据计算了。这里会用到更多的统计方法(回归分析)或是人工智能/机器学习等工具。对编程语言(Python)的依赖就愈来愈高。以下提供2个我自己这段时间自学数据分析时觉得不错的在线课程给各位参考，希望能对于有心想成为商业数据分析师、数据科学家的伙伴，或者想精进数据能力的伙伴有所帮助啰 (课程有30天退款保证)。
-
Complete Data Science Bootcamp (中文本幕)
-
Integrating Python, SQL, and Tableau (英文本幕)
如果这篇让你有了想法，订阅电子报——我固定写 AI 工作流、和一路上想通的事。
想聊聊怎么把 AI 融入你的工作流？看看我的服务。
