第2问：数据分析是怎么来的？—数据分析极简发展史

导读：为了深刻认识数据分析，有必要对它的来龙去脉进行一番讨论。讨论来龙去脉不是为了考察数据分析的国内外发展史，而是从数据分析的发展中探索本质，建立底层认知。

1．了解数据分析发展

从游牧时代开始，就已经涉及数据分析了。例如，今天抓了一只野猪，明天抓了一只羊，所以猎物总共有两只，如何分配呢？羊可以养起来，因为羊可以产奶，给孩子补充营养；猪可以杀掉，一天吃不完，那就分两天吃，首领多分一些，其他人少分一些……这正是数据分析的早期应用。可见，数据分析的历史很悠久，可以说在人们开始使用数字的时候就已经有数据分析的意识了。

在过去的十年到二十年里，数据分析一直是非常热门的词汇，但是在更早的生产活动中，数据分析其实就已经存在了，只是那时主流市场并未产生需求。那数据分析是怎么成为咨询公司麦肯锡所说的“重要的生产因素”的呢？换句话说，热门的数据分析岗位是怎么产生的呢？

从下图的阿里发展史中，我们可以看到这样的发展路径：

（1）阿里创立自己的产品—1688网站；

（2）初创团队的成员开始联系批发贸易商入驻，即开展销售业务及网站运营工作；

（3）随着业务的发展，为满足市场需求，除了对现有产品进行迭代优化外，阿里还推出许多的产品：淘宝、天猫等，这背后需要有专业的产品经理支持，提高业务运营流程效率；

（4）随着规模的扩大、数据的积累，专业数据分析师的需求应运而生，借助数据分析、数据挖掘的方法论优化产品迭代、业务增长策略；

（5）随着数据的使用场景日趋成熟，数据使用需求也越来越大，需要通过衍生的数据产品来优化数据分析流程效率，如数据银行、达摩盘、策略中心。

当然这不是严谨的发展史，例如数据挖掘技术早在20世纪90年代就存在了，这里的发展路径更多是从主流市场的角度来理解，也可以说是求职市场的变化。例如2015年以前很少有专门的数据分析师岗位，后来随着大数据在工业界的普及、落地，市场对数据分析师的需求多了起来。再例如数据产品经理也是随市场的发展而兴起的。

2．窥探发展路径背后的业务场景需求

从数据分析的发展路径中，我们可以进一步去窥探其背后业务场景需求的变化：

在发展初期，市场还处在“开荒阶段”，那时的产品比较简单，对应的运营玩法也比较简单，此时体系不完善，主要依赖经验、直觉来驱动业务增长，例如之前没有做广告投放，现在做了，效果就有了。

在发展中期，为了追求规模化，品牌需要不断去扩展边界，于是基于现有运营能力，把成功经验复制到其他细分市场的模式就很重要，进而成体系的运营方法论、产品方法论需求应运而生，也就是要从以往经验中沉淀出泛化能力强的业务模型框架，来实现增长。例如以往做用户运营，尝试过用近期消费距离、累计消费频次、累计消费金额来做用户分层运营，效果不错，因此可以把方法论总结成RFM模型应用到更多场景中。

度过了“野蛮生长”的增量时代后，市场竞争格局形成，竞争对手运营体系成熟，再想从增量市场抢夺用户成本将变得很高，而且手里的存量客户如果没有及时维护也容易被竞争对手夺去；此时的业务需要更精准的方法来指导决策，于是代表理性、客观的数据登上舞台，数据分析就变得很重要。例如运营中常说的“魔法数字”：利用数据分析方法计算RFM模型的特征阈值，能够得到更精准、有效的分层模型。

3．小结

从数据分析的来源中我们可以看到，数据分析的定位从来都不是“雪中送炭”，而是在发展到一定程度，有了夯实基础之后的“锦上添花”。此外，对数据分析来源的讨论，是为了说明一件事：数据分析并不独立，它来源于业务，最终又在业务落地。所以想做好数据分析一定要懂业务，否则不论是分析逻辑还是最后的赋能建议都无法落地，无法实现数据分析价值。