數(shù)據(jù)分析該如何與算法合作，是個(gè)老大難問題。一方面是業(yè)務(wù)方日益提高的，對模型的幻想。另一方面是大量企業(yè)里存在的，數(shù)據(jù)采集差，缺少足夠數(shù)據(jù)人員，工作目標(biāo)不清晰等等問題。到底該如何和分析與算法協(xié)同增效？今天系統(tǒng)分享一下。

01兩種典型的錯(cuò)誤做法

狗不理式：有些公司領(lǐng)導(dǎo)喜歡嫌棄自家數(shù)據(jù)分析師沒本事，總認(rèn)為“上個(gè)模型才牛逼”。于是數(shù)據(jù)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(tǒng)統(tǒng)甩給算法工程師。

這么干，當(dāng)然會坑死算法。

且不說，很多時(shí)候領(lǐng)導(dǎo)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(biāo)根本就是：“預(yù)測我做什么能成功”一類不切實(shí)際的東西。

就單單基礎(chǔ)特征篩選工作沒人支持一項(xiàng)，就會讓算法工程師累死。項(xiàng)目進(jìn)度慢，最后還是被嫌棄：“為啥你的模型不能100%精準(zhǔn)預(yù)測?。?！”

當(dāng)然，此類問題常見于傳統(tǒng)企業(yè)。特別是數(shù)字化轉(zhuǎn)型階段，領(lǐng)導(dǎo)們看了很多高大上的ppt，自以為自己很懂的傳統(tǒng)企業(yè)。

當(dāng)狗用式：一些互聯(lián)網(wǎng)公司對于算法的應(yīng)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(dāng)狗使。做啥你不用管，你按我說的取數(shù)就好了。用無休無止的取數(shù)表淹沒了數(shù)據(jù)分析的工作。

這么干，坑的是所有人。因?yàn)檫B數(shù)據(jù)分析師都不懂算法邏輯，那運(yùn)營部門更不懂。在茫然無知的情況下，運(yùn)營部門只能通過簡單的數(shù)據(jù)指標(biāo)監(jiān)控，來推測算法效果。并且稍有風(fēng)吹草動，就開始質(zhì)疑：“算法不靈了吧！”，“你們悄悄改了啥！”,“就是你們瞎搞！”這些質(zhì)疑，又會成為部門間甩鍋、扯皮的導(dǎo)火索，引發(fā)無休無止的內(nèi)耗。

02破局的基本思路

從本質(zhì)上看，分析和算法，都是數(shù)據(jù)的應(yīng)用。那么靈魂拷問來了：是不是有了數(shù)據(jù)，鈔票就源源不斷從電腦里噴出來了？顯然不是！數(shù)據(jù)本身不能包治百病，想讓數(shù)據(jù)發(fā)揮作用，得緊密結(jié)合業(yè)務(wù)實(shí)際，找好數(shù)據(jù)能幫上忙的發(fā)力點(diǎn)才行。

而業(yè)務(wù)的實(shí)際情況又很復(fù)雜，經(jīng)常是數(shù)據(jù)和業(yè)務(wù)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(chuàng)作者本身質(zhì)量太差

交易轉(zhuǎn)化率下降，是商品推薦不給力，還是貨源本身沒有選好

業(yè)績預(yù)測不精準(zhǔn)，是預(yù)測模型不給力，還是業(yè)務(wù)自己放水了

這時(shí)候，業(yè)務(wù)部門永遠(yuǎn)可以甩鍋：“我們的數(shù)據(jù)太無能，我們要是有字節(jié)的算法就牛逼了”。而數(shù)據(jù)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(shù)據(jù)的同學(xué)們團(tuán)結(jié)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(jié)合一個(gè)具體問題場景看看。

03典型合作場景之一：項(xiàng)目立項(xiàng)

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

這是個(gè)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(jīng)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(tǒng)統(tǒng)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(dāng)然，在問題定義都模糊不清的時(shí)候，讓數(shù)據(jù)分析師站出來溝通更合適。數(shù)據(jù)分析師和業(yè)務(wù)貼的更近，更容易理解業(yè)務(wù)語言，引導(dǎo)業(yè)務(wù)思路。

業(yè)務(wù)方進(jìn)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(fā)現(xiàn)：XX省市的流水線工人更容易招，我們集中招聘

3、要讓整個(gè)部門的用人成本，控制在XXX萬元以內(nèi)

那么，是不是可開始建“多維度”“立體式”的模型了呢？

不！遠(yuǎn)遠(yuǎn)不到！

04典型合作場景之二：任務(wù)分解

有三大問題，制約著項(xiàng)目推進(jìn)：

1、管理崗位的“合適”定義不清晰。管理人員的考核，遠(yuǎn)比流水線工人復(fù)雜。流水線工人只要考察年齡、身份證、學(xué)歷幾個(gè)簡單維度即可，考操作技巧也能通過標(biāo)準(zhǔn)化作業(yè)考核。管理人員則復(fù)雜的多，還有“領(lǐng)導(dǎo)看他順不順眼”這種高度個(gè)性化、無法量化的考核點(diǎn)。因此不能簡單的止步在這里。需要進(jìn)一步定義。

2、各省市勞動力數(shù)據(jù)缺失。注意：從現(xiàn)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(gè)問題。因?yàn)橐呀?jīng)收到的可以統(tǒng)計(jì)數(shù)據(jù)，茫茫人海壓根連數(shù)據(jù)都沒有。如果盲目開工，很有可能引發(fā)誤判。

3、整體部門用人成本與招聘效率，根本就是兩個(gè)問題。整個(gè)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?shù)鹊取Ｈ绻繕?biāo)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(shí)，可以拆出至少五個(gè)任務(wù)

任務(wù)1：定義管理崗位的“合適”（可能為了定義合適，要單獨(dú)建個(gè)業(yè)務(wù)模型，比如勝任力模型）。

任務(wù)2：基于過往面試數(shù)據(jù)，為管理崗位“合適”做標(biāo)注，為建模做準(zhǔn)備。

任務(wù)3：收集各地區(qū)勞動力市場數(shù)據(jù)（勞動力市場發(fā)布信息、中介提供信息等）。

任務(wù)4：結(jié)合過往招聘活動，驗(yàn)證分地區(qū)招聘合理性（也有可能求職者雖然是內(nèi)地省份的人，但是找工作還是跑到沿海省份找，分地區(qū)意義沒那么大，這些假設(shè)都待驗(yàn)證）。

任務(wù)5：分析整體用人成本結(jié)構(gòu)與走勢，找到成本控制關(guān)鍵點(diǎn)。

這五個(gè)任務(wù)，主要都是數(shù)據(jù)分析的活。數(shù)據(jù)分析理清現(xiàn)狀，采集數(shù)據(jù)，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(biāo)注的情況下，結(jié)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(yù)測的模型（邏輯回歸/決策樹），預(yù)測“合適”概率

2、在已經(jīng)有整體用人成本結(jié)構(gòu)、增長原因、發(fā)展趨勢數(shù)據(jù)情況下，建預(yù)測模型（時(shí)間序列/多元回歸）判斷用人成本是否會超出預(yù)期，從而干預(yù)決策（不要因?yàn)槎唐谌比司痛罅空衅?，對比給加班費(fèi)和增加新人成本差異）。

當(dāng)然，還有第三個(gè)合作點(diǎn)：在工作中遭遇挑戰(zhàn)，大家一起應(yīng)對。

05典型合作場景之三：問題解答

面對“模型為什么不準(zhǔn)！”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(yè)務(wù)主動行為的影響。不要是個(gè)問題就往模型身上潑臟水。

比如：

突然有高管變動，引發(fā)管理層招聘要求全變

招工來源地發(fā)生疫情，人員出不來

行業(yè)領(lǐng)頭企業(yè)突然提高了薪資，拉高了整個(gè)行業(yè)成本

原定的招聘計(jì)劃因?yàn)楦鞣N原因推遲

原定招聘計(jì)劃，沒有達(dá)成預(yù)期，要加新渠道/新方式

所有這些因素都會讓原先設(shè)計(jì)的模型不成立或者效果下降。應(yīng)對這些變化，數(shù)據(jù)分析要沖在前邊，在日常監(jiān)控?cái)?shù)據(jù)的時(shí)候，就及早發(fā)現(xiàn)問題，提示業(yè)務(wù)風(fēng)險(xiǎn)，提醒所有人關(guān)注變化。而不是等著業(yè)務(wù)打上門來再來扯皮。

06小結(jié)

算法和分析的工作性質(zhì)差異，使得這兩者合作分工的時(shí)候，天生側(cè)重點(diǎn)不同。理想的合作方式，就是：分析掃清業(yè)務(wù)障礙，算法集中提升效率。大家一起做出成績。

實(shí)際上，如果你工作時(shí)間夠久，和業(yè)務(wù)接觸的夠多，就會發(fā)現(xiàn)：大部分直接從業(yè)務(wù)口中冒出來的“建模型”需求，都不靠譜，不是數(shù)據(jù)缺失，就是目標(biāo)不清。別是涉及預(yù)測問題的時(shí)候（分類問題相對好一點(diǎn)）。經(jīng)過數(shù)據(jù)分析師轉(zhuǎn)化的需求，反而靠譜很多。

本文來自微信公眾號 “接地氣學(xué)堂”（ID：gh_ff21afe83da7），作者：接地氣的陳老師，36氪經(jīng)授權(quán)發(fā)布。

關(guān)鍵詞： 分工合作 高效 算法