核心结论：数据分析的价值分四层，绝大多数人卡在第二层
关于数据分析的价值，我的核心判断是：它的终极价值不是提高计算速度，而是缩短“发现问题到采取行动”之间的时间。按照这个标准，职场中的数据分析可以划分成四个价值层级，每一层给组织和个人带来的回报完全不同。
| 价值层级 | 典型工作状态 | 解决什么问题 | 职级参考 |
|---|---|---|---|
| 第一层：描述性统计 | 会拉报表、会做透视表、会画折线图 | “发生了什么” | 专员/助理 |
| 第二层：异常监测 | 设置阈值、做同比环比、做预警提醒 | “哪里不正常” | 专员/主管 |
| 第三层：归因与预测 | 拆解维度、建立模型、做回归与预测 | “为什么发生、还会怎样” | 经理/高级分析师 |
| 第四层：决策支持 | 输出可选方案、测算投入产出、评估风险边界 | “现在和下一步该怎么做” | 总监/业务负责人 |
用我观察到的职场现实来说，超过80%的自称“做数据分析”的岗位，长期停留在第一层和第二层之间，也就是完成取数、做表、发日报、维护驾驶舱。这类工作不是没有价值，它的价值止步于“让信息变得可见”，还没有上升到“让决策变得可行”。我见过太多工作了五年的人，技能停留在 Excel 高级筛选和 SQL 查数的层面，每次业务方问“你说我该怎么办”，他们第一反应是“要不要我再多跑两个数给你看”。这不是数据分析没用，而是没有把数据分析推向决策层。
从我的实践经验看，能把数据分析价值真正发挥出来的场景，必须同时具备三个条件：一个明确的业务问题、一份干净且可交叉验证的数据、一位愿意把结论落进流程的决策者。三者缺一，分析报告就会成为PPT里的装饰品。
把“分析”变成“决策”的最后一公里，往往不是技术问题，
而是你有没有回答三个问题：
1. 当前业务最需要被改变的一个动作是什么？
2. 如果分析结论被执行，涉及谁的利益、谁的工作量？
3. 如果分析结论错了，最坏情况是什么？
为什么许多分析落地难？因为多数分析报告只回答了“发生了什么”，没有回答“所以呢”。下面我展开讲背景和真实场景。
2023年，我在某连锁零售企业做供应链诊断。这家企业有137家门店，SKU数量超过9000个。刚接触项目时，管理层反复强调的是“缺货率太高、补货响应慢”。他们希望我做一个预测模型来提升补货效率。我没有急着建模，而是先花了五天时间把过去12个月的库存流水和销售流水做了交叉透视。
结果发现一个所有人都没想到的现象：全公司库存金额的38%集中在销售排名后40%的SKU上，其中超过1200个SKU在过去90天里没有任何动销记录。这些滞销商品平均占用了每平米货架空间的四成，还持续产生仓储和管理成本。更棘手的是，很多门店为了完成“满架率”考核，拒绝退回滞销品，反而继续向总部要新款。
这个场景告诉我，数据分析的第一价值，不是把数据算得更复杂，而是把被业务指标掩盖的“结构性问题”暴露出来。滞销问题一直存在，只是月度经营报表上看不出“资金占用”和“货架产出”之间的关系。
第二个场景来自同一家企业的仓储物流中心。当时物流中心有114名全职操作工，长期实行固定班次：每天8点上班、下午5点下班。午后的出货波次集中在下午1点到4点，但上午入库和拣货的工作量却集中在8点到11点。人力资源部门在系统中看不到问题，因为在他们的统计口径里，每人每天工时都是8小时，按“日人均产能”看也是达标的。
我把每15分钟一个时间片的作业量和在岗人数做了透视。在订单高峰时段（午后），在岗人数和作业量之间的偏差达到34%，而上午9点到11点存在大约17%的冗余。和运营负责人沟通后，我们设计了三套动态排班方案，在不增加人员总工时的情况下，把发货及时率从82%提高到92.4%，把人均日处理单量提高了约22%。
数据分析在这样的场景里做了一件关键的事：它把“总量正常”的假象撕开，带大家看到“结构错配”的真相。很多问题不是靠加班和加人能解决的，而是时间分配和任务波峰谷不匹配。如果只看总量，这类问题永远不会被发现。
第三个场景来自一家中型软件公司的费用审计。公司差旅费用每季度大约120万元，财务部一直抱怨“超标申请太多”，但审批流程中看不出系统性漏洞。我拿到半年的差旅明细，包括申请单、报销单、行程单和审批记录，做了我们常说的“异常分值”计算。
结果让人后背发凉：前0.8%的异常样本（34笔）消耗了整个差旅预算的17%。这34笔里没有任何一笔是“法律禁止”的，它们只是巧妙地分散在多个审批人、多月报销、不同费用类别中。单独抽取任何一笔，都很正常，这正是问题所在。
后来我们把异常样本整理成行为路径图，标出“加班深夜叫车、连续出差日住宿等级变化、同一路线多次改签”等组合特征，做成一个简单的规则引擎，第二季度差旅异常比例下降了43%。这个案例说明：数据分析的价值在风控领域，不是找“大案件”，而是识别“分散的小异常”，用可视化让隐蔽模式变得可被干预。
第四个场景是我服务过的一家B2B工业品公司。他们的销售团队有60多人，手上线索大概2500条，但没有线索分级的概念。销售都是靠“谁跟得紧、谁先报价”来抢单。当时我基于过去三年的成交记录做了打标签和回归分析，把线索分为“高意向-高价值、高意向-低价值、低意向-高价值、低意向-低价值”四类。
分析的效果最直观的点不在于“预测哪条线索会成单”，而在于改变销售行为：以前销售平均每天联系12条线索，升级后会优先处理高分组线索，把低分组线索移交电话营销组统一培育。三个月后，整体线索成交转化率从9.1%提升到13.8%，而且单均合同金额上升了11%。数据让“公平分配线索”从平均主义变成了资源效率最大化。
这里我想强调一个观念：数据分析的最大杠杆不在“提高分析人员的技术水平”，而在改变一线决策者的资源分配逻辑。
这是最普遍的一个误区。很多业务人员和管理者认为，数据分析就是“把数字摆在屏幕上”。做报表是数据分析的起点，如果报表没有带来任何决策改变，它就是运营成本，而不是数据资产。太多团队花了大力气搭建所谓“大屏”，最后变成年会上的展示品，没有人根据上面的数据调整业务动作。
我在一次公开分享中问过现场观众：你们公司的经营日报，昨天有没有人因为看了它而改变了一个动作？全场大约150人，只有3个人举手。一个没有带来行为改变的报表系统，本质上不叫数据分析，叫“数字搬运”。
第二类误区是把复杂等同于专业。这个误区在技术背景较强的团队里特别严重。有些分析师遇到业务问题，第一反应是“要不要跑个随机森林或者深度学习模型”。但在90%以上的经营分析场景里，一个分组求和、一个透视表、一个拆解到门店级别的对比就能给到决策答案。算法复杂度与决策价值之间没有正向关系，只有适度关系。
我打过一个很直白的比方：你的目标是判断今晚要不要带伞，这时候你不需要气象卫星云图，抬头看窗外就够了。管理上大量的“要不要调价、要不要补货、要不要增加人力”属于“窗外就知道”级别的问题。复杂算法在长链条、高不确定性、多因子交互的业务中才有价值，比如销售预测、智能定价、需求计划。把小数据问题套上大算法，是分析人员规避业务理解难度的惰性表现。
第三个误区是无限堆数据，却不定义问题。没有业务假设的数据探索，只会得到一堆貌似相关的相关性，甚至会把因果搞反。我见过一个运营团队，为了分析“复购率下降”，拉了几十万条行为数据，做了协同过滤、聚类和关联规则，最后得到一堆“购买了A的用户也购买了B”这类毫无执行性的规则。
正确做法是：先定义要解决的问题边界，再带着问题去找数据。比如“复购率下降”先要明确：哪条产品线、哪类客户、哪段时间、下降幅度有多大。数据量不是决策质量的同义词，数据质量和问题定义的清晰度才是。
第四个误区来自数据分析师自己。有些分析师报告结论很漂亮，但决策者问“这个结论在什么条件下成立、数据口径是什么、业务边界在哪里”，分析师答不上来。这种情况会让业务管理层逐步失去对数据团队的信任。
好的数据分析报告，不只是给出“因为A所以B”，更要给出“在什么条件、什么口径、什么假设下，这个结论成立；如果不满足哪些条件，结论可能不成立”。这个“边界说明”才是专业分析人员和取数工具之间最大的区别。
在谈具体工具和流程之前，我要先给出自己总结的一套判断逻辑。这套逻辑不是教科书上的CRISP-DM，也不是Google的HEART，而是我在给团队做培训时反复强调的“业务决策七问”。
数据分析师最常见的错误是拿到任务就开始取数。正确顺序应该是先搞清楚：这个分析给谁看？他拿这个结论做什么动作？不同使用者的分析颗粒度和时效要求完全不同。给CEO看，要结论、要取舍、要风险提示；给一线运营看，要可执行的动作、要具体门店、具体SKU、具体时间；给财务看，要口径说明、要金额拆分、要假设条件。
很多分析做出结论“销售下降了”，却没有识别出这是“结构性下降”还是“波动性下降”。维度的变化指某个细分群体出现了显著异动，另一部分群体保持稳定；业务的变化指全盘性的趋势变动。把这两者混在一起，会让分析动作变形。比如销售额下降10%，必须拆到业态、区域、品类、客户群、时间周期，再去判断是偶发性事件还是模式性衰退。
如果一项决策明天就要做，那么数据精度80%即可；如果决策是季度级的，数据精度不足意味着资源浪费。数据分析永远在“精度”和“时效”之间做权衡。
我在做项目管理工具的技术评估时发现，很多团队在选型时犯同样的错误：花两个月去比较三个功能大同小异的工具，却不在实施后投入两天时间来重新梳理流程。选择分析方法的逻辑不是“这个方法更科学”，而是“这个方法在决策时间窗口内能不能产生足够可信的判断”。
我见过最典型的例子是：销售团队发现“客户拜访次数和成单率高度相关”，于是管理者要求销售大幅增加拜访量。结果两个月后成单率没怎么涨，差旅费倒是涨了不少。深入分析发现，不是因为拜访多所以成单多，而是那些高意向线索本来就值得多拜访。拜访次数是成交量增加的结果，不是原因。
分析人员在做判断时，一定要对“相关”保持警觉，并通过差分、控制变量、时间滞后等方法逼近因果。做出任何一个“建议动作”之前，至少要问自己：会不会有一种反向因果关系，也能解释这个现象？
数据中的重复记录、异常值、不同口径导致的数据断点，都会让分析产生系统性偏差。我的经验是：每次做趋势分析前，先清洗数据、明确口径，并且看至少三个月的去燥平滑结果，警惕单周或单日突发事件造成的“假拐点”。
一个好的数据分析结论，应当具备“如果这个结论是错的，哪些迹象会出现”的自我否定能力。比如“预测下个月销售额增长10%”，要同时给出“如果增速低于5%意味着模型高估；如果高于15%意味着存在未解释的外部变量”。没有可证伪性的分析结论，常常是“正确的废话”。
这是最关键的检查点。每份分析报告的最后，至少要写清三个东西：谁来做、做什么、多少天内完成。如果一份数据分析报告无法导出具体的“人-事-时间”，它在组织中的价值就是不确定的。
2022年下半年，一家消费品分销商找到我。他们代理了十几个品牌，业务覆盖线上和线下渠道。管理层最大的困惑是：公司做了很多促销活动，但每个活动的效果难以衡量，商家都在说“不促不销”，价格一恢复，销量就掉。他们希望我能通过数据分析回答两个问题：
我拿到的数据包括三块：促销日历、商品每日销量、渠道每日出货量。我按商品、渠道、促销类型（满减、直降、搭赠）、促销时长四个维度做分组对比。
第一步先剔除断货和渠道异常数据，第二步对促销日和非促销日均价做了价格弹性模拟，第三步把促销前14天、促销期间、促销后14天的销量走势做成一类趋势曲线，用来判断“透支效应”。
分析结果表明，在88个促销SKU中，只有31个存在真实增量效应；37个存在明显透支效应，促销结束后14天销量比促销前下降28%～46%；剩下20个没有显著变化。
更关键的是，透支效应严重的商品有三个明显特征：品牌忠诚度不高、竞争替代品多、价格弹性高。这三个特征在促销规划时其实完全可以从历史数据中识别。但当时的团队没有做“促销复盘”，每次促销结束只看“销售额完成了多少”，从不看“促销透支了多少未来销售”。
基于这套分析，我们调整了促销策略：
执行一个季度后，整体促销费用下降了22%，但促销带来的增量销售额提升了15.6%，毛利反而增加了9%。这是数据分析在“降本增效”上最直接的体现：不是靠砍所有预算，而是靠调整预算的结构。
我复盘过，这次项目成功的原因有三个：第一，业务方允许我用两个季度的时间做“促销前-中-后”的完整对照，没有要求一周内出结论；第二，数据和财务口径对齐过，促销费用的分摊规则从一开始就很清晰；第三，我把分析结果输出成不同角色的行动清单，而不是一份冗长报告。
数据分析要落地，技术占三成，流程占三成，人的决策意愿占四成。这一点我希望所有做分析的人记住。
不要把“学数据分析”理解成“学Python、学SQL、学Tableau”。这些工具只是手段，你的目标应该是建立“量化判断”的思维习惯。我建议你先从每周的工作周报开始，强迫自己在每一个结论后面加一个“为什么”和“所以呢”。例如：“本周转化率下降了0.6个百分点”，这是描述；补一句“其中新客转化率下降了1.2个百分点，老客转化率反而上升了0.3，说明问题可能出在首次触达环节”，这才是分析。
工具层面，Excel是最低门槛，掌握数据透视表、VLOOKUP、条件格式就能解决60%的业务分析问题。之后再考虑SQL和可视化工具，不要一开始就陷入算法。
第一步，每周至少参加一次业务部门的周会，了解他们这周要做什么决策，而不是等待需求邮件。第二步，每次接到取数需求，多问一句“拿到这个数你打算干嘛”，把取数需求重新定义成决策问题。第三步，主动把分析报告压缩到一页A4纸，包含：结论、关键数据、行动建议、风险提示。你会发现业务方对你的依赖程度会迅速提高。
我在招聘分析师时，最看重的不是工具熟练度，而是能不能把一个模糊问题拆成可计算的问题。一个人能把“为什么销售下降了”变成“华东区三个品类下滑8%，其中一个品类在促销结束后连续两周下滑超过15%，客单价和订单数同时下降”，这个人就是合格的分析师。
先不要急着买BI工具、搭数据中台。先要求所有团队负责人在汇报中只能讲数据和事实，不能讲形容词。当团队习惯了“收入增长5%”“库存周转天数下降了3天”“客户流失率从4.2%降到3.8%”这种表达方式，数据意识自然就形成了。
其次是建立“数据复盘会”机制。每个季度选一个关键业务问题，专门花两个小时进行数据复盘。不是开批斗会，而是把所有相关数据、过程、结果摆到桌面上，找到“哪些判断对了、哪些判断错了、哪些数据我们没有看”。这种机制比课堂培训更能长效培养分析能力。
数据分析岗位的入门门槛并不高，但晋升通道非常陡峭。只会取数和做可视化的人，很容易被自动化和AI替代；能解决业务问题、能推动决策落地的人，溢价会越来越高。我把两类分析人员的差异做成了一张对照表，方便你判断自己该往哪条路径发展。
| 对比维度 | 取数型分析师 | 决策型分析师 |
|---|---|---|
| 工作动机 | 完成需求、交付报表 | 解决业务问题、推动结果 |
| 交付物 | 数据表格、仪表盘 | 行动建议、方案对比、复盘报告 |
| 常用问题 | “你要什么数据？” | “你打算做什么决策？” |
| 核心能力 | SQL、数据可视化 | 业务理解、假设思维、沟通推动 |
| 被替代风险 | 较高 | 很低 |
| 薪资成长曲线 | 平缓 | 陡峭 |
如果你还在犹豫，我的建议是：不要学完所有工具再入场，而是先入场，找到一个真实的业务问题，用现有数据动手做一次完整分析。分析能力不是“学会”的，是“一遍一遍做错再改”学会的。
做数据分析的人都有强迫症，希望数据百分百准确，口径完全统一，逻辑无懈可击。但业务决策等不了那么久。一个时效性很强的判断，比一个迟到但完美无缺的分析更有价值。
我自己的经验准则是：如果分析结论会直接影响本周的操作动作，精度到80%就该出手；如果结论会用于下季度的战略决策，精度到95%以上再汇报。很多分析项目失败，不是因为分析能力不行，而是因为“等我把数据彻底清洗干净再做”的状态持续了三个星期，业务机会已经过去了。
另一个取舍发生在“把一个问题做深”与“覆盖多个模块”之间。我的建议是：在你当前最核心的业务问题没有做透之前，不要试图搭建一个无所不包的数据分析体系。一个从头到尾解决了“客户流失原因”的深度分析，在组织内的说服力远大于十份覆盖销售、库存、财务、人力、生产等各个模块的泛泛报表。
做透的标准是什么？是能回答“你说客户流失问题出在服务响应时间，那服务响应时间从2小时提到30分钟，到底能降低多少流失率，投入成本是多少，回报周期多长”。如果分析做到这个颗粒度，即使没有复杂算法，也已经具备完整的决策价值。
很多分析师喜欢用花哨的可视化，总觉得图表不复杂就没有技术含量。但管理的本质是效率，图表的作用是让决策者最快地看到结论。最有效的可视化，通常是一张普普通通的折线图加一条趋势线、一张对比柱状图加一条目标线，或者一张分组表格加上不同颜色的高亮。
如果你面前的听众是高管，直接放结论，图放在附录；如果你的听众是运营人员，直接放“你的动作清单”；如果你的听众是同行分析师，再讨论数据和算法细节。数据分析不是自我表达，而是服务于“改变一个决策”这一最朴素的目标。
回到《数据分析有什么用 职场数据分析核心价值详解》这个题目，我的最终结论是：数据分析最大的用途，不是解释过去，而是让组织在同样的条件下，下一次能做出更好的决策。它不能替代经验和判断，但能把经验和判断从“个人直觉”转化为“组织能力”。
我看到过太多公司花了上百万搭建数据平台，最后却变成“数据孤岛”；也见过几个人的小团队，用一份Excel透视表就撬动了整个运营流程的优化。差别不在工具，不在预算，而在是否把数据分析嵌入到每一次决策闭环中。
如果你读完这篇文章只记住一件事，我希望是这一件：下一次你准备打开Excel拉数的时候，先问自己一句，“这个数据出来后，谁会做什么不一样的动作？”如果答不出来，分析可以停一停；如果答得出来，你就已经站在了大多数人的前面。
接下来，你可以立即做三件事：第一，从你手头一个最常被讨论的业务问题开始，试着用两周时间做一次完整的数据复盘；第二，把复盘结论压缩成一页纸，给一位业务同事看，请他评价“看完你知不知道下一步该干什么”；第三，把这个过程记录成模板，形成你个人的“分析-决策-复盘”闭环。数据不会自动产生价值，是“分析-行动-验证”这个循环在产生价值。
我天天被领导催着做报表，但做完发出去好像也没人看。数据分析到底能帮我解决什么问题？是不是就是做个漂亮的图表就行？
我踩过最深的坑就是以为数据分析等于做图表。实际上，数据分析的首要价值是帮你‘发现问题’。举个例子：我曾经在一家电商公司做运营，每天监控转化率。某天我发现PC端的转化率突然下跌了15%，但移动端正常。如果我只是做一张折线图，领导只会看到‘跌了’，但无法决策。
我花了一下午排查数据：怀疑过广告渠道、页面加载速度、甚至竞品活动。最终通过按浏览器版本拆分，发现是某次Chrome浏览器自动更新后，网站的一个CSS代码在特定版本下冲突，导致支付按钮被遮挡。这就是数据分析的典型场景，从‘数据异常’到‘业务根因’。
数据解决的不是‘以后怎么办’这种宏大叙事，而是‘哪里出问题、影响多大、优先修哪里’。刚入行时我总想做大模型预测，但实际项目里80%的价值来自‘诊断式分析’。
看网上都说数据分析是职场必备技能，但感觉很多数据分析师也就是个取数工具人。真正想当经理或总监，这点技能够用吗？会不会花时间学了没用？
这个问题我亲身验证过。三年前我在一家中型公司做运营专员，同期入职的同事小李现在已经是业务总监，而我还只是个‘操盘手’。最大的分水岭就是数据分析的‘应用层次’。入门级别的分析：月报、周报、看板搭建。这个阶段的价值有限，因为只是‘告诉老板事实’。比如‘上个月GMV下降了5%’。
高段位的分析：证明因果关系+给出行动建议。同样是GMV下降，高段位的人会说：‘通过关联分析发现，GMV下降的主要原因是高客单价品类（>500元）的复购率下降了30%，而这部分用户‘退货率’从10%激增到25%。经排查是某批次产品质量问题。建议立刻下架该产品线，并针对受影响的高价值用户定向发送补偿券。
’ 这种‘能行动’的分析，才是晋升的硬通货。我统计过，过去两年公司通过‘归因分析’直接落地改进的项目有7个，其中5个是由他发起的老板给了晋升。数据不会撒谎，但只有能把它变成‘下一步做什么’的人，才会获得权力。如果只是做仪表盘，那确实是工具人。
我看到网上很多教程说学Python数据分析，又看到同事用Excel pivot table做得很溜。我既怕学Python入门太慢，又怕Excel能力不够。到底先学哪个划算？
作为两种工具都深度用过的人，我建议所有新人先死磕Excel到‘能实现70%业务需求’的水平，再决定是否学Python。说个具体案例：去年我带过一个实习生，他用Python写了一个复杂的自动化报表，花了三天。跑出来后发现月度活跃用户数怎么算都不对，最后发现是因为数据清洗时少处理了‘重复注册用户’字段。
而如果他用Excel的透视表，半小时就能发现问题。
Excel核心技能清单（满足90%日常场景）： 1. VLOOKUP/XLOOKUP（跨表匹配，必学） 2. 数据透视表 + 切片器（动态筛选） 3. IF/SUMIF/COUNTIF系列条件函数 4. 快速填充（Ctrl+E）处理文本拆分 5. 条件格式 + 迷你图（数据可视化） Python什么时候该学？
当你发现以下症状时： – 每月要处理超过10万行数据，Excel打开卡顿 – 需要定时跑重复性的ETL流程（比如每天自动从API拉取订单数据） – 数据来源是数据库（需要写SQL） 我用Excel处理过30万行以下的数据集（企业级业务分析80%都在这个规模内），完全够用。
Python是火箭，Excel是汽车。你先要学会开车上路，别一上来就开火箭，燃料成本都付不起。
我熬了几个周末做了一份超详细的数据分析报告，老板看了说‘嗯，不错’，然后没有任何动作。业务部门的人甚至说‘这些数据不准，我们实际不是这样’。到底怎样才能让数据真的被用起来？
这个问题太真实了。我第一次做完整的用户留存分析，拉了整整40页PPT，从RFM模型到生命周期价值算得清清楚楚。结果市场部总监看完第一页就合上了，说‘你这些假设前提我们都不认可’。后来我才明白，数据分析最大的敌人不是‘数据不准确’，而是‘信任缺失’。
解决这个问题需要三步： 1. 先做‘验算’，再做‘预测’。不要一开始就挑战业务方的直觉。比如你说‘复购率下降了’，先让他自己验证数据来源、计算口径、对比周期是否合理。2. 找业务方‘共创’分析点。不要闭门造车。
我做增长分析前，先花了半天和市场部核心员工一起画‘业务因果图’，把能想到的变量（比如促销活动、季节因素、竞品动作）全列出来，再筛选出3个最可能的原因作为分析维度。3. 用‘对比实验’而非‘报表’说话。去年有一个方案被驳回，我直接提议做AB测试：A组保持原策略，B组按数据的建议调整广告触达频次。
两周后，B组ROI高了20%。有了这个结果，业务方主动来找我商量如何规模化。数据的价值不在于报告多炫，而在于它降低了决策的试错成本。如果你的分析不能让决策者‘试错’，那它就是一个无效信息。
读者评论
作为一家区域零售连锁的运营负责人，我对滞销库存那个案例特别有共鸣。我们公司也一样，月度报表永远只显示整体动销率，根本看不出畅销品被滞销品挤压货架的问题。文章说超过80%的人停留在取数做表阶段，我观察到的比例甚至更高。真正有价值的数据分析，是要能暴露结构性问题，而不是把数字搬来搬去。现在我要求所有经营分析会必须回答三个问题：发生了什么、所以呢、下一步做什么，不然不准上会。
我在一家互联网公司做了三年数据分析师，文章里那句‘要不要我再多跑两个数给你看’简直是在说我。以前总以为多学几个模型、做几个高级图表就算专业，后来发现业务方根本不关心你用没用随机森林，他们只想知道下一步怎么办。最扎心的是那张经营日报的提问，我们公司真的没有一个人会因为看了日报而改变动作。现在我的工作原则变了：先问清楚决策者要解决什么问题，再决定用透视表还是模型。
以前我挺轻视数据分析的，觉得就是给老板做汇报PPT用的。直到去年我们差旅费用失控，财务部天天说超标，但就是查不出漏洞在哪。后来一个分析师用简单的组合规则就把分散在几十个人、几个月里的异常报销拎出来了，一个季度省了三十多万。那次之后我彻底改观了，数据分析不是用来装点门面的，它最大的价值是让隐蔽的浪费和风险变得能被看见、被干预。