本文转载自微信公众号《脚踏实地的学校》，作者是脚踏实地的陈老师。转载请联系地气派公众号。如何配合数据分析和算法，是一个长期存在的难题。一方面是业务方对模式的幻想越来越多。另一方面，大量企业存在数据采集不畅、数据人员不足、工作目标不明确等问题。如何与分析和算法协同？今天系统的分享一下。01狗不理的两个典型错误做法：有的公司领导喜欢嫌弃自家数据分析师的无能，总认为“最后一个模型牛逼”。所以，数据分析师都是明哲保身，干脆和所有的工作用“模型”二字划清界限，全部交给算法工程师。这样做当然会杀死算法。更何况，很多时候领导们口中的模式只是“SWOT”之类的虚无缥缈的东西；更不用说，很多建模目标基本上都是“预测我会成功什么”之类的不切实际的事情。如果没有人单独支持基本的特征筛选工作，算法工程师会累死的。项目进展缓慢，最后还是被驳回：“为什么你的模型不能100%准确预测！！！”当然，这样的问题在传统企业中是普遍存在的。尤其是在数字化转型阶段，领导看了很多高水平的ppt，自认为很了解传统企业。作为一只狗：一些互联网公司对于算法的应用定位比较明确，算法组的地位也比较高。于是我走向了另一个极端：把配给算法组的分析师当成狗。你不用管你做什么，照我说的拿号就行了。数据分析的工作充斥着没完没了的取表。如果你这样做，每个人都会被骗。因为连数据分析师都不懂算法逻辑，运营部门更不懂。在不知情的情况下，运营部门只能通过简单的数据指标监控来推测算法的效果。而稍有风吹草动，他们就会开始质疑：“算法不行！”，“你悄悄改了什么！”，“你就是在胡闹！”这些疑虑会成为部门之间相互指责和扯皮的导火索，造成无穷无尽的内耗。02破局的基本思路从本质上讲，分析和算法都是对数据的应用。于是灵魂拷问来了：难不成有了数据，钞票就源源不断地从电脑里喷出来？很明显不是！数据本身并不能包治百病。要让数据发挥作用，必须紧密结合业务实际。尽你所能提供帮助。业务的实际情况非常复杂，数据和业务行为往往交织在一起。比如：短视频DAU下降，是算法推荐不够强，还是创作者素质太差，交易转化率下降，产品推荐不强，还是货源本身不对选的不好，性能预测不准确，预测模型不强，或者业务本身发布的这个时候，业务部门总可以责怪：“我们的数据太无能了，如果我们有一个字节算法，它会很棒的。”在数据方面，无论是算法还是分析，都是在幕后。所以破局的最终思路是数据同学们团结一心，找好场景，做出成绩，减少责备，而不是踩着自己的脚。空谈看似空洞，下面我们来看一个具体的问题场景。03典型合作场景之一：立项问题场景：某大型制造企业希望建立“多维度分析模型”，以提高招聘效率。请问，此时如何满足需求？这是一个典型的需求不明确的场景。什么是：招聘效率？降低招聘成本？招聘后更好的保留？招聘合适的人？什么是对的人？有明确的定义吗？定义是否一致？流水线工人、销售、营销策划、管理人员的招聘问题是一样的吗？以上情况都是不清楚的，所以不管是算法/分析，谁接到需求都要先问上面的问题。当然，当问题的定义比较模糊时，数据分析师站出来交流更合适。数据分析师更贴近业务，更容易理解业务语言，引导业务思维。业务方给出的进一步回答是：1、帮助招聘更多适合管理岗位的人才。2.了解XX省市更容易招到流水线工人。我们将集中招募他们。3、控制整个部门的用人成本。如果低于XXX万元，是否可以开始构建“多维”、“立体”模型？不！离得很远！04典型合作场景二：任务分解存在三大问题，制约项目进展：1.管理职位“适合”的定义不明确。管理者的考核远比流水线工人复杂。流水线工人只需考察年龄、身份证、学历等简单维度，还可以通过作业技能标准化作业考核。管理者要复杂得多，有“领导看不顺眼”等高度个性化、不可量化的考核点。所以我们不能就此打住。需要进一步定义。2.各省市劳动力数据缺失。注：从HR收到的简历中挑选出合适的，和从茫茫人海中找出哪里的劳动力更多，完全是两个问题。因为已经收到的统计数据，茫茫人海中连数据都没有。如果一味地开始工作，很可能会造成误判。3、用人成本和整个部门的招聘效率，根本上是两个问题。整个部门的用人成本，除了新招聘外，还包括在职工资福利，以及离职人员的补偿等。如果目标是控制部门的整体成本，哪一项总量最高，哪个占比最大，哪个多余，哪个增长最快，应该事先分析清楚。让我们看看如何解决它。此时，至少可以分离出五个任务。任务一：定义管理职位的“适合性”（也许为了定义适合性，需要建立一个单独的业务模型，比如胜任力模型）。任务二：根据过往的面试数据，标注管理职位的“适合度”，为建模做准备。任务三：收集各地区劳动力市场数据（劳动力市场发布的信息、中介机构提供的信息等）。Task4：根据以往的招聘活动，验证区域招聘的合理性（也有可能求职者虽然是内陆省份，但还是去沿海省份找工作，区域划分的意义不大，并且这些假设需要验证）。任务五：分析整体用工成本结构及趋势，找出成本控制的重点。这五个任务主要是数据分析任务。数据分析理清现状，收集数据，后续算法可以有的放矢。例如：1.以已有管理职位标记为“合适/不合适”的情况，结合简历信息、猎头给的信息、招聘渠道信息，对面试者进行分类预测的模型（逻辑回归/决策树）为建立预测“合适”的概率2.在整体就业成本结构、增长原因、发展趋势数据的情况下，建立预测模型（时间序列/多元回归）判断就业成本是否超预期，从而干预决策（不要因为短期人员短缺而大量招聘，比较加班费和新增招聘成本的差异）。当然，还有第三点配合：在工作中遇到挑战时，要共同应对。05典型合作场景三：答疑解惑面对“模型为什么不准！”这个终极问题，大家必须齐心协力。首先要排除的是外部因素、意外波动和业务举措的影响。不要因为模型出了问题就往模型上泼脏水。例如：高管突然变动，引发管理层招聘要求的变化。招聘源头有疫情，工作人员出不来。行业龙头企业突然涨薪，拉高了整个行业的成本。由于种种原因，原定的招聘计划被推迟。制定了招聘计划，没有达到预期，增加了新的渠道/方法。所有这些因素都会使最初设计的模型失效或效果不佳。为了应对这些变化，数据分析必须走在前列。日常监控数据，可以及早发现问题，提示业务风险，提醒大家注意变化。而不是等生意上门再扯皮。06总结算法和分析的工作性质不同，所以两者在合作分工的时候，自然会有不同的侧重点。理想的合作方式是：分析清理业务障碍，聚焦算法提升效率。让我们一起创造成就。其实，如果你工作时间足够长，接触业务足够多，你会发现，直接从业务口中说出的“建模”需求，大部分都是不靠谱的，要么是数据缺失，要么是目标不明确。尤其是涉及到预测问题（分类问题比较好）。数据分析师转化的需求要靠谱得多。
