[[226061]]

必須祭上甲方看了沉默，乙方看了流淚的詩集：《項目五怕》

相當多的“大數據”“數據挖掘”“人工智能”項目，是因為甲方某部門老板迎合上意，追趕潮流才上線的。反正大老板喜歡，管他有什么業務場景，管他有什么商業價值先干起來。這種項目如果運氣好，趕上公司業績高漲，可能負責人可以平步青云，把屁股留給下一任擦。如果運氣不好，趕上公司業績下降，就會連負責人帶項目一起掃進垃圾堆。

這就是所謂的吉祥物項目。作為乙方，如果腦子一熱跟著當吉祥物，很有可能連尾款都收不回來。因為本質上講，數據類項目很難直接產生價值，需要結合到某個業務場景。所以上項目之前，為項目找個出路是必須的功課。

[[226063]]

過氣網紅變垃圾，沒有實際應用場景，應用不夠剛需，場景不夠重要，最后項目下場都好不到哪去

一個搞笑的說法是：業務部門眼中excel透視表處理不了的問題都算大數據。加之這幾年營銷號猛烈鼓吹，造成了很多業務部門對“大數據”“數據挖掘”“人工智能”產生了不切實際的幻想。如果需求是業務部門提的，就得特別思考：他們提的到底是個什么需求？這個需求有沒有條件去做？數據能幫到多大程度？

如何梳理需求，展開寫一本書都夠了，這里只提示一些常見問題：

1. 心口不一，口頭問題和實際數據是兩碼事。
2. 好高騖遠，期望值遠超過IT實際能力，又不舍得投錢。
3. 期望過高，指望數據能創造奇跡。來個“大數據”一搞，庫存就不積壓了，客戶就接電話了，風險就沒了，業績就有啦。

這些問題，來自業務部門被各路營銷號洗腦太深，自己又不懂技術。在談需求的時候，業務部門寫在紙上的一個標點符號都得確認一下。從一開始就控制期望值，找到合理的落地方式，才是跳坑正解。

提到數據清洗，有意思的是：相當多的臟數據是人為弄出來的。最典型的，比如在超市購物，收銀員問句：“有會員卡嗎？”你說：“沒有”，他就不管了……這看似一點點疏忽，導致很多商超數據關聯到顧客ID的不足10%，這么差的數據基礎，除了訂單分析以外還能整什么分析？丟掉90%數據建出來的響應模型又有啥用？

更不要說什么渠道操縱業績，假卡、鬼卡、幽靈卡，羊毛客等等問題。我就遇到過某銀行業務員教我：“這里您就填年薪10w不要多也不要少！”的事。實際上，數據化管理做得好的公司，本身管控力與執行力都很強。如果一個公司管控力不足，那做數據項目的同仁們，在許諾數據項目質量的時候，就得嘴下留情了。

最終，數據項目想推動業績增長，是需要業務部門配合的。如果是營銷類項目，需要產品、廣告、促銷費用；如果是生產類項目，需要操作手冊、工作流程、作業培訓、執行規范。這是個很淺顯的道理：再好的狙擊鏡也得射手扣扳機才能打死敵人。

然而很多業務部，不是太過迷信數據，就是太過輕視數據。迷信數據的，諸如：“都有精準推送了為什么還要好產品？都有定向營銷了為什么還要投促銷？”輕視數據的，諸如：“總部懂個屁，我們自己干！”如此這般，空有數據，沒有落地，數據的價值如何體現？

綜上，啟動項目前至少要落實五個問題。其實我個人并不是正兒八經的大數據開發，然而這些年太多項目都掛個“大數據”的頭銜，以至于我也被拖下水了。所以處理具體需求時會格外謹慎。這兩年大數據淡了，人工智能又開始喧囂了，各位同仁繼續打起精神警惕起來哇。

然而，現在大量的新人也在助長這種風氣。做模型不考慮業務場景，找一個清洗過的數據包，不合適的數據直接丟掉，然后一味追求在測試集跑出來的準確率。似乎不需要了解業務給個數據包就能有95%了，于是就有了第五怕：

是滴，老兵們都知道做項目水很深。如果需求是IT部提的，那還相對靠譜，至少有懂技術的人幫我們過濾了一次。但如果是業務部門，就真的得打起12分精神。然鵝，新人們往往腦子一熱就上了，還喜歡什么復雜上什么。結果嗎， 要么被虐的服氣，要么被虐的離職。正所謂：新鬼煩冤舊鬼哭。剛入行的同學們不被虐過幾次，是很難體會到個中滋味的。

我常舉得一個例子，即使通過簡單的描述性統計，也能對所謂精準營銷的前景進行初步估算。不要小看描述性統計哦，除了做個直方圖算個頻數，它是快速接近業務，發掘坑點的重要手段

吐槽歸吐槽，說到底，還是想提醒大家做項目時貼近業務的重要性。因為本質上，數據工作是個專業人士服務業余人士的工種。正如同醫生給病人看病，醫生都是博士以上飽讀詩書，可病人卻是三教九流各式各色。大部分病人，就是進門只會哼哼：誒呦，誒呦，難受，難受。這時候就得耐心診斷病情，而不是說我有個阿爾法素，一針下去藥到病除不是。