优秀的数据分析项目不是一大堆数据的堆砌，而是要有具体的产出。这需要数据分析师搞清楚为谁服务、找到合适的时机、在开工之前确认好项目需求再开始分析工作，并在最后结合项目目标做好个性化汇报。
上一篇我们普及了数据分析项目是什么。今天我们系统讲解一下：如何做一个优秀的数据分析项目。
首先大家要明白，并不是所有的项目，都需要找一个万人大会堂，拉着横幅，董事长总经理轮流上台鸣锣开道的。只要满足“在特定时间、特定条件下有具体产出的”都是项目。
因此，做项目的关键，不是图个名号，而是有具体的产出。有了具体产品的产出，KPI/OKR文档好交差；领导对你满意度提升；升职考评的时候有更多资本；跳槽也有更多可以写简历的东西。这才是我们要争取的。而所谓“优秀”的项目，指的是比“我跑个数据”更有说服力的产出。
企业回大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。大数据技术的战略意义不在于掌握庞大的数据信息，而在于。
那么，第一步该从哪里开始呢？
第一步，认识服务对象
Step3：数据清洗 在工作中，90%以上的情况，你拿到的数据都需要先做清洗工作，排除异常值、空白值、无效值、重复值等等。这项工作经常会占到整个数据分析过程将近一半的时间。如果在上一步中，你的数据是通过手工复制/下载。
做项目，最重要的当然是搞清楚目标；搞清楚目标，第一步当然是搞清楚为谁服务。这是数据分析新手与老鸟之间的最大差异。往往没入行的小白，满脑子都是“模板、模型、公式”。以为只要对着模板copy一份就算是完成工作了。刚入行的菜鸟们喜欢笼统的说：业务。可业务并不是一个孤零零的、独立的个人。业务两个字背后，是非常具体的、复杂的含义（如下图所示）。
具体问题具体分析，是数据分析的最基础要求，也是做好项目的第一步。因为这五大要素和它们的具体形态，决定了我们的数据分析可以做到什么程度，应该做成什么样子，明星数据怎么做，做成什么样才能满足需求。具体的关系，如下图所示：
理清具体问题非常重要。过去我们常说传统企业如何如何，互联网企业如何如何，在渠道融合发展的今天，实际上二者之间边界越来越模糊。如果不具体分析，往往会闹出很多笑话。
比如：
曾是toC互联网企业，现在要发力toB，完全不知道怎么和客户打交道；
名为互联网产品，可服务对象是实体老板，销售还在用最原始的电话外呼；
名为互联网行业，可运作的仍是实体产品，进销存量收利一样都不差；
名为新零售，可数据采集一塌糊涂，连传统连锁店都比不上；
名为传统企业，可在做数字化转型，玩的是分销、裂变；
以上种种复杂场景，不是大喊一句“我是互联网AARRR思维”就能搞掂的。指望套模板结局就是死翘翘。况且经过这几年的历练，很多运营、产品经理、策划都学会了基础数据分析概念，这时候还抱着充满“SOWT、PEST、5w2h”一类空洞口号ppt模板，数据分析师就等着下岗吧。具体问题、具体分析，怎么强调都不为过。
第二步，找到发力时机
数据分析项目，最大的敌人是：日常工作。所以，并不是所有事情都适合立项目来做。时机非常重要。
往往我们要挑业务部门的以下时机入手：
想做创新
想改良现状
新工作两眼一抹黑
遭遇问题不知所措
三板斧砍完不见效
在这些战机时刻，抛出系统的解决方案，一鼓作气独立把问题解决掉（如下图所示）：
第三步，确认项目需求
具体方法如下: 1、在做分类汇总前，需要先对数据进行排序，否则无法进行分类汇总，如下数据：我们要对物料编码进行分类汇总，则可以先对此列进行排序。 2、选中D列数据，在插入-排序和筛选命令下选择升序或降序进行数据排序，。
找好发力时机以后，与具体业务方谈妥，准备动身开工。在开工前一定要确认好项目需求，具体来说就是项目铁三角：
这里有三点要注意：
数字、模型、报告本身不是产出。业务从不了解情况到了解，从没有办法到有办法，从不知道怎么选到知道怎么选，从没有准备到一二三级预案，这才是产出。所以不要脱离问题就数论数。从数字里推出结论。
时间千万别忘了。时间紧，尽量快速出结论；时间宽，就要分步骤输出，企业不是学校留大半年给你慢慢憋论文。
有多大锅下多少米。如果数据质量差、人手不足、缺乏分析经验，就沉住气一步步做，不指望一次解决所有问题。
这三点对于项目成果至关重要，过往历史中有太多数据分析师沉迷于折腾“科学方法”，忽视了项目管理，忽视了时间-投入，结果画的饼大，煎的饼小，最后灰溜溜收场。
比如：
你帮我想个办法呗（找你要执行方案）
一定是对手/天气/运气……（企图甩锅）
我想分析用户心智资源（压根没数据）
只要有人工智能用户就会买单（方法不切实际）
一、 具备基本的数据素养 1. 具备基本的统计学概念 先来说一下最基础的概念：平均值，中位数，百分位数，众数，离散程度，方差，标准差。这里不一一赘述，只简单说一下均值和中位数的差异。 均值：即平均数，优势是，均。
所以，靠谱的做法，是一步步梳理需求，引导到数据分析可以解决的问题上，正本清源，客观解决问题（如下图）。具体引导方法有很多细节可以讲，稍后我们结合具体案例，详细的说。
2、数据收集，这里不做过多的说明，一般情况下，数据来源都会可靠有效。我们要做的只是把我们需求的数据get即可。3、数据处理：主要包括数据清洗、数据转化、数据提取、数据计算等方法，数据分析的前提是要保证数据质量，如果数。
第四步，开展分析工作
做完需求，后续就是正式工作。具体内容和分析议题有关，这里不展开讲的。如果前期梳理清楚，中间过程自然顺利。这里只强调一点：数据分析工作切记憋大招。憋得越久，人们对你期望值就越高，最后失望就越严重。因此，只要项目工资超过1周，就得有周汇报，通知大家进度；时间超过1个月，一定要有月总结，拿中间过程和大家碰一下。
特别特别是用到算法的项目，往往一听到算法业务部门都以为是神兵下凡，所到之处必然望风披靡。所以，算法项目死于业务期望值过高的例子，特别特别多。过程中，具体的算法过程不用向业务汇报，但是遭遇的困难和期望输出的结论，要经常保持沟通，适当控制业务期望，避免最后一刻才发现货不对板，最后身败名裂。
第五步，工作汇报
这里不展开说了，陈老师刚刚更新一个数据分析报告系列连载，大家可以参阅。总之，汇报的时候，要考虑目标听众的身份、目的、结合项目目标做个性化汇报。这样才能取得好效果（如下图）。
基于听众的思考，使得即使同样的数据，同样的结论，也能有不同的表达形式，最后抓住听众眼球，让大家感兴趣，给项目完美收工。
做数据方法：使用数据分析工具来做数据分析，简单的数据分析可以使用Excel，复杂的可以使用SPSS、SAS、MATLAB、SQLserver等分析工具。做好数据分析的前提是要收集有效的原始数据，必要时可运用一些统计方法进行数据的有效性判定和剔。
小结
大量的业务不是科学问题，而是实操问题。O2O平台如何管理商户，新媒体平台如何发展本地客户，直播电商怎么选款等等问题，都得把数据知识和实际工作结合才能输出结论。更不用说，大家混职场都夹杂了办公室政治，如何出人头地少背锅的诉求。因此才有了我们今天的讨论，才有了各种推动项目的方法。这是每个做数据的同学从校园到职场的必经一步。
接地气的陈老师，微信公众号：接地气学堂，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。
本文原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议
