[[438791]]

本文轉載自微信公眾號「接地氣學堂」，作者接地氣的陳老師 。轉載本文請聯系接地氣學堂公眾號。

數據分析該如何與算法合作，是個老大難問題。一方面是業務方日益提高的，對模型的幻想。另一方面是大量企業里存在的，數據采集差，缺少足夠數據人員，工作目標不清晰等等問題。到底該如何和分析與算法協同增效?今天系統分享一下。

01兩種典型的錯誤做法

狗不理式：有些公司領導喜歡嫌棄自家數據分析師沒本事，總認為“上個模型才牛逼”。于是數據分析師們皆明哲保身，干脆和所有帶“模型”倆字的工作劃清界限，統統甩給算法工程師。

這么干，當然會坑死算法。

且不說，很多時候領導口中的模型根本就是“SWOT”一類虛無縹緲的東西;

且不說，很多建模目標根本就是：“預測我做什么能成功”一類不切實際的東西。

就單單基礎特征篩選工作沒人支持一項，就會讓算法工程師累死。項目進度慢，最后還是被嫌棄：“為啥你的模型不能100%精準預測!!!”

當然，此類問題常見于傳統企業。特別是數字化轉型階段，領導們看了很多高大上的ppt，自以為自己很懂的傳統企業。

當狗用式：一些互聯網公司對于算法的應用有相對清晰的定位，算法小組的地位也較高。于是走向另一極端：把配給算法組的分析師當狗使。做啥你不用管，你按我說的取數就好了。用無休無止的取數表淹沒了數據分析的工作。

這么干，坑的是所有人。因為連數據分析師都不懂算法邏輯，那運營部門更不懂。在茫然無知的情況下，運營部門只能通過簡單的數據指標監控，來推測算法效果。并且稍有風吹草動，就開始質疑：“算法不靈了吧!”，“你們悄悄改了啥!”,“就是你們瞎搞!”這些質疑，又會成為部門間甩鍋、扯皮的導火索，引發無休無止的內耗。

02破局的基本思路

從本質上看，分析和算法，都是數據的應用。那么靈魂拷問來了：是不是有了數據，鈔票就源源不斷從電腦里噴出來了?顯然不是!數據本身不能包治百病，想讓數據發揮作用，得緊密結合業務實際，找好數據能幫上忙的發力點才行。

而業務的實際情況又很復雜，經常是數據和業務行為交織在一起。

比如：

短視頻DAU下降，是算法推薦不給力，還是創作者本身質量太差

交易轉化率下降，是商品推薦不給力，還是貨源本身沒有選好

業績預測不精準，是預測模型不給力，還是業務自己放水了

這時候，業務部門永遠可以甩鍋：“我們的數據太無能，我們要是有字節的算法就牛逼了”。而數據這邊，不管是算法還是分析，都是背鍋的。所以最終的破局思路，是數據的同學們團結一致，找好場景，做出成績，減少背鍋，而不是自己人踩自己人。

空口說顯得太空洞，下邊結合一個具體問題場景看看。

03典型合作場景之一：項目立項

問題場景：某大型制造企業，期望建立“多維度立體式分析模型”，提升招聘效率。問，此時該怎么接需求?

這是個典型的需求不清晰場景。

• 什么叫：招聘效率?
• 招聘成本更低?招聘回來以后留存更好?招聘到合適的人?
• 什么叫合適的人?是否已經有清晰定義?
• 流水線工人、銷售、營銷策劃、管理人員的“合適”定義是否一致?
• 流水線工人、銷售、營銷策劃、管理人員的招聘問題是否相同?

以上情況統統不清楚

因此無論是算法/分析，誰接需求，都得先問清上邊的問題。當然，在問題定義都模糊不清的時候，讓數據分析師站出來溝通更合適。數據分析師和業務貼的更近，更容易理解業務語言，引導業務思路。

業務方進一步給出的回答是：

1、要幫助管理崗位招到更合適的人

2、要發現：XX省市的流水線工人更容易招，我們集中招聘

3、要讓整個部門的用人成本，控制在XXX萬元以內

那么，是不是可開始建“多維度”“立體式”的模型了呢?

不!遠遠不到!

04典型合作場景之二：任務分解

有三大問題，制約著項目推進：

1、管理崗位的“合適”定義不清晰。管理人員的考核，遠比流水線工人復雜。流水線工人只要考察年齡、身份證、學歷幾個簡單維度即可，考操作技巧也能通過標準化作業考核。管理人員則復雜的多，還有“領導看他順不順眼”這種高度個性化、無法量化的考核點。因此不能簡單的止步在這里。需要進一步定義。

2、各省市勞動力數據缺失。注意：從現在HR收到的簡歷里篩選出合適的，和從茫茫人海里鎖定哪里的勞動力多，完全是兩個問題。因為已經收到的可以統計數據，茫茫人海壓根連數據都沒有。如果盲目開工，很有可能引發誤判。

3、整體部門用人成本與招聘效率，根本就是兩個問題。整個部門用人成本，除了新招聘以外，還有在職工資福利，還有離職人員賠償等等。如果目標是控部門整體成本，那到底哪一塊總量最高，哪一塊占比最大，哪一塊是冗余，哪一塊增長最快，要提前一一分析清楚。再看怎么解決。

此時，可以拆出至少五個任務

任務1：定義管理崗位的“合適”(可能為了定義合適，要單獨建個業務模型，比如勝任力模型)。

任務2：基于過往面試數據，為管理崗位“合適”做標注，為建模做準備。

任務3：收集各地區勞動力市場數據(勞動力市場發布信息、中介提供信息等)。

任務4：結合過往招聘活動，驗證分地區招聘合理性(也有可能求職者雖然是內地省份的人，但是找工作還是跑到沿海省份找，分地區意義沒那么大，這些假設都待驗證)。

任務5：分析整體用人成本結構與走勢，找到成本控制關鍵點。

這五個任務，主要都是數據分析的活。數據分析理清現狀，采集數據，后邊算法就能有的放矢。比如：

1、在已有管理崗位“合適/不合適”標注的情況下，結合簡歷信息、獵頭給到信息、招聘渠道信息，對面試人員建分類預測的模型(邏輯回歸/決策樹)，預測“合適”概率

2、在已經有整體用人成本結構、增長原因、發展趨勢數據情況下，建預測模型(時間序列/多元回歸)判斷用人成本是否會超出預期，從而干預決策(不要因為短期缺人就大量招聘，對比給加班費和增加新人成本差異)。

當然，還有第三個合作點：在工作中遭遇挑戰，大家一起應對。

05典型合作場景之三：問題解答

面對“模型為什么不準!”終極問題，一定是所有人一起努力。首先要排除的，是外部因素、意外波動、業務主動行為的影響。不要是個問題就往模型身上潑臟水。

比如：

突然有高管變動，引發管理層招聘要求全變

招工來源地發生疫情，人員出不來

行業領頭企業突然提高了薪資，拉高了整個行業成本

原定的招聘計劃因為各種原因推遲

原定招聘計劃，沒有達成預期，要加新渠道/新方式

所有這些因素都會讓原先設計的模型不成立或者效果下降。應對這些變化，數據分析要沖在前邊，在日常監控數據的時候，就及早發現問題，提示業務風險，提醒所有人關注變化。而不是等著業務打上門來再來扯皮。

06小結

算法和分析的工作性質差異，使得這兩者合作分工的時候，天生側重點不同。理想的合作方式，就是：分析掃清業務障礙，算法集中提升效率。大家一起做出成績。

實際上，如果你工作時間夠久，和業務接觸的夠多，就會發現：大部分直接從業務口中冒出來的“建模型”需求，都不靠譜，不是數據缺失，就是目標不清。別是涉及預測問題的時候(分類問題相對好一點)。經過數據分析師轉化的需求，反而靠譜很多。