大家好，我是接地氣的陳老師。

首先大家要明白，并不是所有的項目，都需要找一個萬人大會堂，拉著橫幅，董事長總經理輪流上臺鳴鑼開道的。只要滿足“在特定時間、特定條件下有具體產出的”都是項目。

因此，做項目的關鍵，不是圖個名號，而是有具體的產出。有了具體產品的產出，KPI/OKR文檔好交差；領導對你滿意度提升；升職考評的時候有更多資本；跳槽也有更多可以寫簡歷的東西。這才是我們要爭取的。而所謂“優秀”的項目，指的是比“我跑個數據”更有說服力的產出。

那么，第一步該從哪里開始呢？

一、認識服務對象

做項目，最重要的當然是搞清楚目標；搞清楚目標，第一步當然是搞清楚為誰服務。這是數據分析新手與老鳥之間的最大差異。

往往沒入行的小白，滿腦子都是“模板、模型、公式”。以為只要對著模板copy一份就算是完成工作了。剛入行的菜鳥們喜歡籠統地說：業務。可業務并不是一個孤零零的、獨立的個人。業務兩個字背后，是非常具體的、復雜的含義（如下圖所示）。

圖片

具體問題具體分析，是數據分析的最基礎要求，也是做好項目的第一步。因為這五大要素和它們的具體形態，決定了我們的數據分析可以做到什么程度，應該做成什么樣子，做成什么樣才能滿足需求。具體的關系，如下圖所示：

圖片

理清具體問題非常重要。過去我們常說傳統企業如何如何，互聯網企業如何如何，在渠道融合發展的今天，實際上二者之間邊界越來越模糊。如果不具體分析，往往會鬧出很多笑話。

比如：

• 曾是toC互聯網企業，現在要發力toB，完全不知道怎么和客戶打交道；
• 名為互聯網產品，可服務對象是實體老板，銷售還在用最原始的電話外呼；
• 名為互聯網行業，可運作的仍是實體產品，進銷存量收利一樣都不差；
• 名為新零售，可數據采集一塌糊涂，連傳統連鎖店都比不上；
• 名為傳統企業，可在做數字化轉型，玩的是分銷、裂變； 

以上種種復雜場景，不是大喊一句“我是互聯網AARRR思維”就能搞掂的。指望套模板結局就是死翹翹。況且經過這幾年的歷練，很多運營、產品經理、策劃都學會了基礎數據分析概念，這時候還抱著充滿“SOWT、PEST、5w2h”一類空洞口號ppt模板，數據分析師就等著下崗吧。具體問題、具體分析，怎么強調都不為過。

并且，了解清楚狀況，對于下一步把握戰機非常重要。如果凡事都等著業務找上門來才干，那就跟叼飛盤的汪汪沒啥區別了（業務提一個假設，數據驗證一個假設，宛如一只叼飛盤的汪汪）。自己對形勢有判斷，才好主動發現機會。

二、找到發力時機

數據分析項目，最大的敵人是：日常工作。所以，并不是所有事情都適合立項目來做。時機非常重要。

往往我們要挑業務部門的以下時機入手：

• 想做創新
• 想改良現狀
• 新工作兩眼一抹黑
• 遭遇問題不知所措
• 三板斧砍完不見效

在這些戰機時刻，拋出系統的解決方案，一鼓作氣獨立把問題解決掉（如下圖所示）：

圖片

三、確認項目需求

找好發力時機以后，與具體業務方談妥，準備動身開工。在開工前一定要確認好項目需求，具體來說就是項目鐵三角：

圖片

這里有三點要注意：

1、數字、模型、報告本身不是產出。

業務從不了解情況到了解，從沒有辦法到有辦法，從不知道怎么選到知道怎么選，從沒有準備到一二三級預案，這才是產出。所以不要脫離問題就數論數。從數字里推出結論。

2、時間千萬別忘了。

時間緊，盡量快速出結論；時間寬，就要分步驟輸出，企業不是學校留大半年給你慢慢憋論文。

3、有多大鍋下多少米。

如果數據質量差、人手不足、缺乏分析經驗，就沉住氣一步步做，不指望一次解決所有問題。

這三點對于項目成果至關重要，過往歷史中有太多數據分析師沉迷于折騰“科學方法”，忽視了項目管理，忽視了時間-投入，結果畫的餅大，煎的餅小，最后灰溜溜收場。

這里要還要注意工作方式。確認需求，不是讓你直接問業務：“你們想分析點啥”。這種問法太被動，又回到叼飛盤老路上。而且往往業務會回答的你摸不著腦袋。

比如：

• 你幫我想個辦法唄（找你要執行方案）
• 一定是對手/天氣/運氣……（企圖甩鍋）
• 我想分析用戶心智資源（壓根沒數據）
• 只要有人工智能用戶就會買單（方法不切實際）

所以，靠譜的做法，是一步步梳理需求，引導到數據分析可以解決的問題上，正本清源，客觀解決問題（如下圖）。具體引導方法有很多細節可以講，稍后我們結合具體案例，詳細地說。

圖片

四、開展分析工作

做完需求，后續就是正式工作。具體內容和分析議題有關，這里不展開講。如果前期梳理清楚，中間過程自然順利。這里只強調一點：數據分析工作切記憋大招。憋得越久，人們對你期望值就越高，最后失望就越嚴重。

因此，只要項目工資超過1周，就得有周匯報，通知大家進度；時間超過1個月，一定要有月總結，拿中間過程和大家碰一下。

特別特別是用到算法的項目，往往一聽到算法業務部門都以為是神兵下凡，所到之處必然望風披靡。所以，算法項目死于業務期望值過高的例子，特別特別多。過程中，具體的算法過程不用向業務匯報，但是遭遇的困難和期望輸出的結論，要經常保持溝通，適當控制業務期望，避免最后一刻才發現貨不對板，最后身敗名裂。

五、工作匯報

這里不展開說了，陳老師更新過一個數據分析報告系列連載，大家可以關注公眾號在菜單欄參閱。總之，匯報的時候，要考慮目標聽眾的身份、目的、結合項目目標做個性化匯報。這樣才能取得好效果（如下圖）。

圖片

基于聽眾的思考，使得即使同樣的數據，同樣的結論，也能有不同的表達形式，最后抓住聽眾眼球，讓大家感興趣，給項目完美收工。

圖片

小結

縱觀整個過程，我們能看到，做好項目的過程，就是把數據方法應用于企業實踐的過程。數據本身有統計學、數學、編程、數據庫等專業知識，但其中相當部分（比如數倉、ETL）是為保障數據本身的正常運行；相當部分（比如語義判斷、圖像識別）是用于工業應用，不用考慮業務理解和配合；相當部分（比如統計學）適用于科學實驗、農林牧魚研究。

大量的業務不是科學問題，而是實操問題。O2O平臺如何管理商戶，新媒體平臺如何發展本地客戶，直播電商怎么選款等等問題，都得把數據知識和實際工作結合才能輸出結論。