什麼是資料分析
資料分析其實有個高大上的名字--“Business Intelligence”，簡稱：“BI”，是指将觀察、測量、實驗以及生産活動過程中産生的資料通過統計學等方法做歸納、總結、了解，以得到某項結論，用來發現業務中的問題、驗證某個方向的正确性、業務現狀可視化等等。
資料分析的工作是痛苦的，要從雜亂無章的資料中将某個或者某些核心名額做提煉、歸納、總結，找到某個規律，而且經常得到的結論不足以支撐下一步的動作，勞心勞力最後無果，又要再繼續深挖。專業的資料分析師除了SQL腳本，往往需要很好的數學、統計學、機率論、算法等專業知識的支援。做為一名研發工程師，日常的資料分析往往不需要這麼多專業領域的知識，但比起做編碼工作也是痛苦很多。
為什麼研發要做資料分析
有人說資料分析是BI工程師的事情，但現實情況是BI們往往在做業務方最關心的資料、最關心的問題等方向的分析。你做了某個小日常，要看這個小功能上線後的表現應該是自己的事情；此外資料分析是門複雜的學科，需要無止盡的探索，每個人思考的方向都會不一樣，在開發的角度有開發的思考方式，所謂“行走江湖、技多不壓身”，多做一些，很可能打開新世界的大門。
在我看來，研發做資料分析往往基于以下幾個目的：
講清價值：往往到彙報季，要總結梳理這半年KPI完成的情況。比如你說做了某個功能提效多少，那麼怎麼衡量？開發周期縮短了多少？投入人/日減少了多少？營運使用某個功能，他們用的過程中提效了多少？精确的量化這些數字，最能證明價值。
理清方向：阿裡的開發通常情況都會并行很多事情，通常目标都是多個，事情也是很多。業務需求、技術改造、安全生産、提效等等，這麼多事情排在一起經常會沒有優先級，那麼就看看資料吧，看看哪個最緊迫，哪個優先級最高。
發現問題：目前業務遇到了瓶頸，不知道下一步的發展方向在哪裡，那麼拉出資料看看，看目前的瓶頸是使用者增長還是某項轉化率等，看看做那件事投入産出比最高，收益最大。
加深思考：這部分不用多說，老闆們都是資料敏感的，我們也要不斷向老闆看齊，從資料中發現問題的解法，對業務的了解會越來越深
怎麼做研發角度的資料分析
這部分結合我們拍賣業務“拍下率”的目标來理一下我的分析過程。
▐ 了解問題（目标）
公式有了之後，就要開始分析兩個因子，全部商品數量來自于業務方的供給，BD來了多少商品上拍我們做為技術幾乎很難影響（實際情況是我們可以做一些對貨品要求上的指導決策），沒道理BD同學辛辛苦苦談下來的資産到平台無法上拍不是。
那麼我們能做的就是盡量讓有出價的商品數量變大，從轉化漏鬥的角度，我們的核心操作就是要提升浏覽拍品的絕對值，增加後續各個路徑的轉化率，但由于拍品大部分都是大資産，筆單價幾十萬級别，理想中的轉化漏鬥實際操作起來非常複雜。是以我們團隊做了很多的資料分析。
▐ 現狀梳理
公式都已經定義了，資料分析的一步就是把這個公式實作成報表，看看目前這個名額的現狀是怎樣的。
這一步是正常操作，我們很快的做了近兩年的拍下率大盤，但是新的問題又來了，由于拍賣業務的特殊性，大盤建立後，我們發現這個名額的波動特别大，完全沒辦法指導我們後續的動作。于是不得不再做分析。
▐ 由簡入繁
- 按類目拆分的的出價商品數的情況和全部商品的情況
- 按浏覽資料、訂閱資料、交保資料看哪個因子與出價最相關，中間的轉化漏鬥情況
- 大資産商品的地域資訊很重，那麼我們還要看不同地區的情況
- 當然還要看不同時間的情況，比如春節、國慶等特殊時期或者雙促時，拍下率基本是下跌的
- 此外還要看未拍下的商品與拍下的商品有什麼差別，貨真的不好嗎？比如市場價100萬的房子，起拍價200萬，那麼肯定是拍不下的，價格因素會大大影響拍下率
- 還有從使用者次元去思考，比如拍下房産的使用者他們的購買力情況、在拍賣的行為（首次來拍賣、首次浏覽、訂閱、交保、出價）、是否有複購行為，是否是企業使用者或者投資客等等
前面這些情況其實我們從貨的角度、人的角度、時間、地理位置等等各個因素去入手，盡可能的發現問題，但是我們會發現按這個思路把問題拆解下去，次元是無限的，要适時總結，得出可以指導下一步動作的結論就好。
▐ 歸納、總結
如何做好歸納總結這一步其實比前面的資料分析更重要，我了解最關鍵的點是“相關性”，一旦目前的資料已經和你最初的問呈現較為明顯的正向相關，基本就可以了。
分析拍下率的問題中，我們得到了三個因素相關性很高，我們稱為影響拍下率的三座大山：
批量拍品：拍賣的業務中存在大量的機構一下子發幾百套房子，但最終拍下很少，這類case會造成拍下率極不穩定。一旦這種拍品出現會發現我們站内的流量基本都是不足的，是以我們采用短信、push、外呼等主動觸達手動再加上算法挖掘為這類拍品補足流量。
腰部拍品：我們的拍品結構很複雜，有價格很低的房子（比如1元起拍的、11.11元起拍的等），這種房子我們定義為頭部商品；相反那些和市場價基本持平甚至超出市場價的很多的，基本大機率賣不出去，我們定義為尾部商品；中間的那一些就是腰部商品，分析中發現這部分腰部商品結構變化造成了拍下率波動。（真實的腰部拍品定義其實不光是價格因素，這裡隻是簡單舉例）。
- 是以我們在站内通過流量補足、站外主動觸達的手段進行流量補足，來盡量促成這部分拍品向頭部轉化，最終成交。看拍下率資料時，我們也會将拍品分層次去看。
- 除此之外，上面的流量調控也隻是針對對流量敏感的商品，但是針對特殊商品，比如大額股權、船舶、土地等小衆商品，對流量不敏感，我們會用人工撮合的方式來處理。
- 地理位置：比如同樣的房子，杭州的使用者心智較成熟，對應的杭州的房子就比較好拍下，拍下率就遠比其他地方高。相比某個地區的三四線城市，拍下率就很低，我們在分析問題時，也會不同地區的拍下率分開處理。
- 比如，三四線城市，我們正在模式站外廣告、傳媒廣告、線下服務等多種方式特殊處理。
- 拍下率相對穩定的一二線城市，我們更多在做擴大拍品供給，打造使用者心智等。
▐ 驗證疊代
上面經過歸納總結，我們得到了一些關鍵動作：
站内對腰部商品做流量調控，這塊主要依賴我們導購端的流量調控能力。調控實施時，也要基于頭部商品拍下率不變，然後把過剩的流量向腰部商品傾斜，也做了很多資料工作來也驗證政策的有效性。
站外對批量拍品進行貨找人，然後通過主動觸達的方式進行流量補足，召回的子項目也建設了很多資料報表，來衡量對這部分拍品的貢獻。
最後，除了一些子項目的效果追蹤，我們還要不忘初心，反過來看大盤的拍下率有沒有變化，看看我們最初的問題有沒有得到解決。
總結
總體來講，資料分析就是一個總-分-總的過程：
第一個總是要從總的目标出發，開始拆解、細化
分則是圍繞大目标不斷細分向下，從盡可能多的角度看待問題
第二個總則是适時回歸本心，不能光做了分析而沒有結論
資料分析的道路永無止境，1個問題可以拆出N個名額，N個名額互相聚合又會有N*N個名額，分析過程中又會出現M新個名額……，是以适時做歸納、總結，看看目前結論是否可以支援最初的問題，指導下一步的行動、得出有效結論即可。
回歸到開發視角，做資料分析的前提是要有資料，開發過程中，除了基礎的業務模型設計，還要考慮多記錄一些日志，比如接口耗時、必要的報錯資訊、可輔助資料分析的一部分業務資料、一些關鍵節點的行為日志等等。
最後，多思考為什麼？為什麼我的主管會定某個名額為目标？我所負責的部分對這個目标有哪方面的幫助？團隊中其他人的部分怎麼配合起來共赢，他們的子目标是什麼？站在更高的角度思考這些問題，對業務、資料、技術的了解都會更通透。