朋友们好久不见，我之前写过数据分析领域不少劝退性质的文章，但毕竟有很多朋友适合做这个、或者已经从事这个领域想要提升，所以不能“管杀不管埋”，还是要尽量给出一些解决方案。恰好最近在网上做了一次互动实践，总结成文意图帮助如下3类人的问题：

1，很多零基础想要转行做数据分析的朋友，在面试中如何证明自己有数据分析思维？

2，刚入行不久渴望提升的初级分析师，怎么针对某个业务搭建一个还算ok的分析框架？

3，刚开始带新人的资深分析师，如何预先知道大部分新人的共性问题、以便帮助他们提升进步？

一、背景与现状

我一直认为，能否提出一个好问题，是鉴别一个分析师水平段位的重要标准。什么叫好问题？第一，它是大家真正关心的问题；第二，它不是零散的、东一榔头西一棒槌的，最好能让人感觉到你提出的问题是遍历所有情况之后按优先级挑选出来的，以便让人放心：我解决了这些问题，基本就可以高枕无忧了~

那么问题来了，市面上教大家怎么提出好问题的内容资料多么？至少我没看到~我看到的很多都是培训工具技巧的，剩下比较用心的就是介绍一些咨询分析方法，比如SWOT、波士顿四象限、PEST等等，然后把这些包装成数据分析思维。我说不准到底对不对，但至少他们没有试图去解决我提出的问题

于是前不久我在线上发起了一次小规模的互动练习，形式很简单，就是我出一个题，大家以回帖的方式给出分析框架。通过这次练习，我大概发现了新人普遍存在的问题，同时也隐约摸索到了怎么教会新人

二、模拟情景出题

这个情景很现实，现在很多公司招聘分析师，不仅仅会有工具技能的考核，还会重点看你有没有分析思维。然而问题就来了，我很可能上家公司跟这家公司不在一个行业领域，分析套路没法复用；同时我又还没入职，没法拿到这家公司的数据，我也没法做实操的数据分析

古牧君在很久之前给过一个例子，就是从一个分析师的角度，全面的评估审视一个业务都存在哪些问题，以及给这些问题开出数据解决方案。当时是用微信小游戏为例子，有朋友反馈那个例子把结果讲的很详细，但对初学者来说不好模仿，因为没有过程。OK~那今天就重新提一个既有过程、又有结果的题目：

如果你要面试豆瓣的数据分析师岗位，请指出你觉得该app有哪些问题是特别需要解决的

三、互动练习展现出的问题

新人问题1：

该题目给出后，很快就有了第一轮互动回答。这轮回答给出的回答有：

“首页推荐tab下的内容是否让用户产生兴趣”

“小组页面“正在讨论”的推荐贴是否有效”

“访客参与度不高、生成内容的价值低”

“从商业价值上来看，豆瓣购买力不如小红书，但是兴趣爱好更多元化”

你会发现一个共同点：这些回答都是散点式的，没有一个体系。当你开出的药方没有体系的时候，就很容易带来2个问题。首先，因为你只回答了一个点，所以面试官很容易就会在这个点上跟你进行深度纠缠，一旦你在这个点的某个细节表现得不如人意，就会影响整体的评价看法，毕竟你只给了一个点；其次，听众会顾虑，你指出的这个点是不是最亟待解决的？有没有其他问题比这种更严重？会不会遗漏了那些点？

你看，正是因为你的回答没有体系化，所以无法呈现一个面，很容易让人抓住该点穷追猛打，这是新人很容易犯的第一个问题。

新人问题2：

接下来，回答里不仅有指出业务的问题，还附带了解决方案：

“访客参与度不高、生成内容的价值低”

——

“设置奖励机制：鼓励互动可以采取积分、等级、权限等奖励鼓励用户深度参与”

“设置投票环节，内容为社区用户感兴趣话题或时事，让潜水用户参与投票”

“优化推荐机制：前面通过一段时间的投票以及高赞评论优化出用户感兴趣话题”

“邀请kol和专业机构。平台优先给高质量的内容推荐和流量”

“可量化的关键数据有参与度（量化指标：活跃访客数、网页停留时间、生成内容数），内容的价值（量化指标：内容的点赞、收藏参与数，内容的分享和传播）”

这是第二个新人容易出现的问题，乍一看很走心，对产品和业务很熟悉，但细一看，屁股坐歪到产品运营岗位了。这些建议都不错，但没有站在数据分析师角度，最终虽然给出了一些量化指标，但基本都是为了事后评估效果的，不是很建设性的意见~

总结一下，新人还很容易站在普通用户视角，提出一些产品运营层面的问题建议。数据分析师确实需要先做用户，但不能止于此，要学会站在平台方视角指出问题并解决问题

新人问题3：

在经过线上的两轮引导之后，有同学给出了这么一个回答：

“豆瓣是一个UGC模式的兴趣社区，所以想从内容角度讨论一下这个问题。

内容可分为：内容生产、内容推送、内容审核。相关指标：内容数量、内容浏览量、内容互动数、内容传播数”

“内容生产——如何保持可持续优质内容？

豆瓣普通用户居多，内容生产多是生活化的，用户价值偏低，所以社区需要鼓励用户多进行高质量的内容创作，在用户成长路径上渗透发帖行为（参考知乎个人创作中心），也需要有一定的激励机制：

· 情感激励

用户与用户间：点赞、收藏、关注、转发、评论等

平台与用户间：积分或等级制度、身份、活跃程度”

你会发现，这个回答仍然存在新人问题2，但它在新人问题1上的表现好了一些，明显能提出一个看似完整的分析框架了。但随之而来的就是，这个框架到底是否逻辑上顺畅？

鉴于这个回答是比较典型的、可优化的一个状态，下面就以这个回答为基础进行优化

四、比较像样的回答应该是什么样

做一个好的分析师，需要先深度体验业务。豆瓣作为一个比较古早的互联网产品，算是中文互联网里的异类，它尝试过很多超前的理念和产品形态，但一直佛系躺平不温不火，拥有相对独特的调性。把豆瓣定位成一个UGC为主的兴趣社区，是OK的

在这个定位下，自然就要关注内容。针对“内容”搭建分析框架的过程，很多时候你就需要不仅仅是一个用户视角了，需要具备平台方的视角。不要再作为一个用户给平台挑毛病，而是作为平台反思自己的问题，这两者之间差异很大：

给平台挑毛病的话，你可能会说：“为啥平台上都是一些辣鸡内容？为啥老给我推送一些杀猪盘？我想把一个博主推荐给朋友就很难......”一般当你用这种口吻提问题，大家只会觉得你确实是资深用户，但并不专业

而站在平台视角反思的话，你可以说：“有没有什么机制能够鼓励优质内容生产？内容生产后分发推送的机制是否合理？推送后用户对内容的消费是否充分满足？消费后对内容的分享扩散是否顺畅、普遍？”你看，一个完整的内容流转链条就出来了：内容生产、内容分发、内容消费、内容传播。对～很多时候你模拟一个事物的自然流程，就是搭建分析框架的一个快捷的切入点

由于篇幅限制，我就只重点说说内容生产这块。上面的那位同学已经摸到了关键，就是怎么鼓励优质内容生产？但这个问题并不清晰，因为里面有一个关键的概念没有理清：什么是优质的内容？我看一个视频，跟看一篇文章，跟看一个自拍照，优质的评价是统一的么？以及我看到一个帖子评论很多，就能说明ta是优质的么？投诉举报能不能作为一个评价标准？

所以你看，优质的定义需要跟内容的形式结合，也需要凭借不同的指标来衡量（正负评价都要考虑）

刚才我们的评价都是一上来就很量化的，但有问题。因为优质本身就是一个感性的评价，我们做数据分析师的需要时刻清楚，数据只是对决策的辅助，即便是再理性的人他在决策的时候也必定是情感驱动的（参考《笛卡尔的错误》）。所以作为数据分析师，你可以明确的提出自己的看法：热议不代表优质，因为这回包含很多哗众取宠和拉踩论战。理想状态下优质的内容，应该是引发人的善意而非愤怒的，但内容的调性不是一个很容易被量化评价的维度，所以需要引入一些人工因素来辅助纠偏

至此我们可以总结一下针对内容生产环节的回答了：

首先，我们的目标是鼓励优质内容的生产。但很关键的问题就是，需要平台方明确对优质的定义，不见得要对用户明牌，但自己需要很清楚并坚持下去。比如不能单纯的炒作热门追热点搞审丑，这些不仅仅要靠简单的量化指标鉴别，也需要配合一些人工辅助措施

其次，针对豆瓣不同的功能模块和不同的内容形态，我认为可以按如下方式判断内容是否优质：

点赞这种有很多友情成分在，比如我跟你很熟了，可能你发什么东西我都会给你点个赞，这就对一些粉丝量很少的博主天然的不利。所以也要区分互动数据的来源，是友人还是纯陌生人

同时，我认为仅仅依靠过往这种大众的一人一票并不见得能真的推选出优质的内容，这就需要在机制上有所设计。比如对内容举报投诉的审核和降权处理流程，以及对正反馈权重机制的调整，比如在UGC中培育一部分专业领域的PUGC专家，让他们对特定领域的正反馈享受更高的权重（可以参考《原则》中提到的多轮加权投票方法）

那就会带来一个新问题，怎么识别某个领域的PUGC专家？可以单独靠ta发布内容的反馈，但其实更好的是有运营去对接验证博主的资质，这样才会放心的给ta后续对内容的反馈赋予更高的权重，相当于一票顶一百票~

最后，解决了优质问题的发掘，同时也可以识别出劣质内容，尤其是披着马甲号搞黄赌毒的。这里可以通过观察大量经举报确认的违规账号提取出共性规律，推测大概率可以依赖注册时间、发布内容的形式、发布时间、账号注册IP地址等多个因素综合识别。比如大量问题账号都是刚注册没两天就开始大量发ghs照片，这些账号近期大量密集性增多，可以看看他们是否是一个团伙，来自共同的地方？

反正你看，真要想好好分析处理，可做的事情特别多。上面我们还只是列举了一些思路和指标，但具体这些指标之间怎么配合、用何种模型来量化判别筛选内容和人，都是需要数据分析师去细化考虑的点，此处就不一一展开了。

-END-