作为大数据从业者，有考虑过你是否缺问题抽象化的能力？

自上一篇文章4月20号发布之后，时隔2个月，断更2个月，一方面确实是因为忙，忙着推动团队在算法维度与业务的落地，另一方面确实是因为懒，或者说突然不太想表达。

但2个月来，订阅的朋友非但没有下降，反而又多了一些，虽然我也不清楚订阅的朋友是从哪些渠道过来的，但总之还是愧疚颇多，所以，更需要勉励前行了。

问题抽象化能力

今天我们要聊的话题是问题抽象的能力，并且针对的是大数据领域的从业朋友们。为什么要专门说起这个话题，因为我个人觉得，随着大数据领域的相关技术以及结合业务的进一步推进，对于问题抽象化的只会要求越来越高。

我们来简单回顾一下大数据领域的发展历程，在早年，大数据只作为大公司的隐藏利器。但随着技术的进一步成熟以及开放，也越来越多中小企业愿意去尝试。再随着国内资本市场的吹捧，是个公司对外聊不说大数据都不好意思了，其实此时大数据的能力是被虚高了。再随着市场的冷却，反而回到了相对理性，大伙儿更愿意实打实去考虑大数据除了吹捧作用的其他落地点。

所以，我们要抓住当前大数据的一个核心使命，那就是实打实的业务落地，推动业务的进行，但数据相关的这东西实际上是相对飘渺的，如果想要进一步和业务结合，那么就需要回到我们的话题，如何将问题进行抽象化，找到问题的本质，然后试图通过数据来解决本质问题。

数据产品经理能否解决这个问题？

对于数据产品经理这个岗位，实际上其诞生的并不算很早，也就这两年才逐渐有正规的数据产品经理出现。听其名，其实不难发现其作用，一方面承接数据，一方面起到产品维度的作用，即考虑如何将数据进行落地变现。

数据产品经理的出现，似乎是解决了这个问题。当然也不矛盾，数据产品经理显然也属于大数据领域的从业人员，但我想表达的范围显然不止如此，并且对于大部分情况来看，这个岗位显然会比较难承担。

主要是合格的数据产品经理实在是太罕见了，受制于这个领域的诞生并不算很长，所以很大一部分数据产品经理都是由传统产品转型到这个领域，很多时候其思考的方式不可避免的以传统产品思考的方式去思考，并且在数据的专业性上不够，也缺乏比较理性以及逻辑清晰的数据分析能力。

实际上，我们团队曾一度引进过数据产品经理这么一个岗位，但实际上是做出来的东西或者说思路差强人意，并没有很好的击穿数据的核心价值，来解决核心的业务问题。

最后的结果就是，最终我放弃这个岗位的引入，由我自己承担更多数据与业务结合，数据如何变现（这里所谓的变现，并不是说卖钱，而是说实打实为业务带来多少增值服务），并且推动团队全员树立这个习惯以及意识。

一些更落地的例子

商业数据分析的本质

随着我们整个数据BI体系的完善，以及整个业务团队对数据量化业务结果习惯养成，我们数据维度也终于按照我的预想那般（当然，也跟我们有商业分析的好手加入有关），终于可以在商业数据分析维度进行突破了，即从数据的维度提供洞察的能力，从而主动push业务的前行。

我们都知道，我们经常看到的商业分析报告都很炫，感觉很有用，但是往细了看，实际又会发现感觉什么东西都没有，即华而不实。

在我们的业务分析师做第一份数据分析报告的时候，他做到一半的时候我直接推翻了他的所有方案，然后对他说，我希望我们产出的分析报告一定有可以落地推动执行的点的，而不是华而不实，别人看过之后惊呼“哇”，然后就没有然后的东西，并且报告发布之后一定要跟进推动那些可以去执行尝试的点，要作为push的角色去推动。

并不是说我们的商业分析师不行，而是我更想让形成这种思维习惯，我要的分析报告不单纯要好看，也要好用。虽然我从未从事过专职的业务分析，但我的执行思路就是，先梳理业务中存在的问题，然后把这些业务卡点进行抽象，具体对应需要解决的问题，然后通过掌握的数据大致情况来判断，可能存在的解决方案以及思路，然后再逐步抽取/多维分析相关的数据，进行交叉对比，最终来判断是否可以解决，如何执行，然后整个分析体系基于人的认知过程，从浅层的数据展现，到通过数据多维交叉进行问题剖析，然后提出解决方案建议。

在刚过去的618购物活动中，我们自发的对每天的各种数据进行分析，输出简报，将异常以及决策建议提供给活动业务方，然后推动策略的变更。包括，我们发现部分类型的营销活动模块的低效，快速推动产品侧进行该模块的流量曝光降权；分析发现部分逻辑动线的转化很低，推动点击方案的变更，提升点击率等等类似一系列情况。

这就是数据实实在在的变现，可能他的变现不是显性的，但一定是产生了价值的。我们需要做的就是，将业务问题抽象化，将数据抽象成能体现的业务问题，最终两则去做匹配，产生交集。

推荐系统的设计

为了提升整个商城的用户体验，以及进一步打通浏览闭环，我们在构建整个商城的推荐体系。

期间发生了一个比较有意思的小插曲就是，我们产品确实很尽职，调研了很多电商平台以及商城的推荐系统的表现。最终设计了我们的推荐交付设计初版，产品同学根据竞品以及我们自身商城的情况，为每个推荐场景构建了推荐的逻辑。

而我恰恰很坚持的一个点就是，我们不能限制场景下的推荐逻辑，或许根据我们的竞品以及我们实际情况（产品确实也考虑的很全），产品提供的这个推荐逻辑是对的，但是从推荐系统的角度出发，这个执行思路是错的，因为他不是一个已验证的事。

我们来看推荐的本质（这就是问题抽象化），实际上我们做推荐的核心目的是提升用户的体验，而提升用户的体验就是让用户点击，加大浏览深度，换个更专业点的说法就是提高点击率，最终要的就是提升购买转化。

既然我们的目标已经很清晰了，那么为什么要限制住自己的思维呢，所以最终达成的一致（我们的产品同学还是比较给力的，能快速get到数据要表达的点）就是，我们上层尽可能的不要去限制，然后底层尽可能的做的更灵活，更多的可能性，更容易去调整。

所以，在我的规划中，我们一期的推荐系统，轻做算法层（那也是没办法），重做整个架构以及实验平台，只有这样，我们后面才更灵活，更多提升的可能性，以及提升的效率，总之我们后续的一切调整都将围绕我们拆解出来的核心目标所服务。

类似的例子还有很多，我们需要在掌握数据专业度的同时，尽可能的将问题抽象化，然后结合数据专业，来解决问题。

全员皆兵~

针对于上述话题，我一向不认为这只是数据团队leader该做的事，这应该是每个数据团队成员都应该具备的一个能力。

而想要具备这个能力，首先就是需要了解业务，只有了解业务的基础上，才能拆解问题，感知存在的难点，再结合数据专业都，来解决实际的问题。

在我们团队，了解业务是一个基本要求，随便摘出一个成员，都能对公司的一些业务说上一些，以及阐述存在的一些问题，可以推动解决方法。并且，在最新的考核中，我要求他们每个人都需要有一定的思维创新能力，实际上就是要求有一定的产品能力以及将数据到业务的落地能力了。

大数据的技术人员，从来都不能是单纯的技术人员，他需要具备一定的业务沟通能力，需要具备一定的产品能力，至于说技术能力那就更不用说咯。

将问题抽象，然后再通过数据来解决，落地执行推动，这才是正确的节奏。

---

最最后，插行话，打个广告，我司SEE小电铺，微信生态电商方向，腾讯红杉C+轮投资，目前数据团队十来人，寻求算法/数据分析/大数据开发等各类岗位（甚至是算法实习生），坐标深圳南山大冲国际中心。

对了，目前团队十来人，承担了整个BI体系，数据分析体系，推荐系统，搜索系统，智能化运营等相关业务，未来不排除要做智能客服对话系统等业务。

如果感兴趣，欢迎来撩，也欢迎推荐（简历请发送至邮箱[email protected]）！