来源|接地气的陈老师

数据分析师该如何与算法工程师合作，是个老大难问题。一方面是业务方日益提高的，对模型的幻想。另一方面是大量企业里存在的数据采集差，缺少足够数据人员，工作目标不清晰等等问题。分析与算法到底该如何协同增效？今天系统分享一下。

01两种典型的错误做法

狗不理式：有些公司领导喜欢嫌弃自家数据分析师没本事，总认为“上个模型才牛逼”。于是数据分析师们皆明哲保身，干脆和所有带“模型”俩字的工作划清界限，统统甩给算法工程师。

这么干，当然会坑死算法。

且不说，很多时候领导口中的模型根本就是“SWOT”一类虚无缥缈的东西；

且不说，很多建模目标根本就是：“预测我做什么能成功”一类不切实际的东西。

就单单基础特征筛选工作没人支持一项，就会让算法工程师累死。项目进度慢，最后还是被嫌弃：“为啥你的模型不能100%精准预测！！！”

当然，此类问题常见于传统企业。特别是数字化转型阶段，领导们看了很多高大上的ppt，自以为自己很懂的传统企业。

当狗用式：一些互联网公司对于算法的应用有相对清晰的定位，算法小组的地位也较高。于是走向另一极端：把配给算法组的分析师当狗使。做啥你不用管，你按我说的取数就好了。用无休无止的取数表淹没了数据分析的工作。

这么干，坑的是所有人。因为连数据分析师都不懂算法逻辑，那运营部门更不懂。在茫然无知的情况下，运营部门只能通过简单的数据指标监控，来推测算法效果。并且稍有风吹草动，就开始质疑：“算法不灵了吧！”，“你们悄悄改了啥！”,“就是你们瞎搞！”这些质疑，又会成为部门间甩锅、扯皮的导火索，引发无休无止的内耗。

02破局的基本思路

从本质上看，分析和算法，都是数据的应用。那么灵魂拷问来了：是不是有了数据，钞票就源源不断从电脑里喷出来了？显然不是！数据本身不能包治百病，想让数据发挥作用，得紧密结合业务实际，找好数据能帮上忙的发力点才行。

而业务的实际情况又很复杂，经常是数据和业务行为交织在一起。

比如：

短视频DAU下降，是算法推荐不给力，还是创作者本身质量太差

交易转化率下降，是商品推荐不给力，还是货源本身没有选好

业绩预测不精准，是预测模型不给力，还是业务自己放水了

这时候，业务部门永远可以甩锅：“我们的数据太无能，我们要是有字节的算法就牛逼了”。而数据这边，不管是算法还是分析，都是背锅的。所以最终的破局思路，是数据的同学们团结一致，找好场景，做出成绩，减少背锅，而不是自己人踩自己人。

空口说显得太空洞，下边结合一个具体问题场景看看。

03典型合作场景之一：项目立项

问题场景：某大型制造企业，期望建立“多维度立体式分析模型”，提升招聘效率。问，此时该怎么接需求？

这是个典型的需求不清晰场景。

什么叫：招聘效率？

招聘成本更低？招聘回来以后留存更好？招聘到合适的人？

什么叫合适的人？是否已经有清晰定义？

流水线工人、销售、营销策划、管理人员的“合适”定义是否一致？

流水线工人、销售、营销策划、管理人员的招聘问题是否相同？

以上情况统统不清楚。

因此无论是算法/分析，谁接需求，都得先问清上边的问题。当然，在问题定义都模糊不清的时候，让数据分析师站出来沟通更合适。数据分析师和业务贴的更近，更容易理解业务语言，引导业务思路。

业务方进一步给出的回答是：

1、要帮助管理岗位招到更合适的人

2、要发现：XX省市的流水线工人更容易招，我们集中招聘

3、要让整个部门的用人成本，控制在XXX万元以内

那么，是不是可开始建“多维度”“立体式”的模型了呢？

不！远远不到！

04典型合作场景之二：任务分解

有三大问题，制约着项目推进：

1、管理岗位的“合适”定义不清晰。管理人员的考核，远比流水线工人复杂。流水线工人只要考察年龄、身份证、学历几个简单维度即可，考操作技巧也能通过标准化作业考核。管理人员则复杂的多，还有“领导看他顺不顺眼”这种高度个性化、无法量化的考核点。因此不能简单的止步在这里。需要进一步定义。

2、各省市劳动力数据缺失。注意：从现在HR收到的简历里筛选出合适的，和从茫茫人海里锁定哪里的劳动力多，完全是两个问题。因为已经收到的可以统计数据，茫茫人海压根连数据都没有。如果盲目开工，很有可能引发误判。

3、整体部门用人成本与招聘效率，根本就是两个问题。整个部门用人成本，除了新招聘以外，还有在职工资福利，还有离职人员赔偿等等。如果目标是控部门整体成本，那到底哪一块总量最高，哪一块占比最大，哪一块是冗余，哪一块增长最快，要提前一一分析清楚。再看怎么解决。

此时，可以拆出至少五个任务。

任务1：定义管理岗位的“合适”（可能为了定义合适，要单独建个业务模型，比如胜任力模型）。

任务2：基于过往面试数据，为管理岗位“合适”做标注，为建模做准备。

任务3：收集各地区劳动力市场数据（劳动力市场发布信息、中介提供信息等）。

任务4：结合过往招聘活动，验证分地区招聘合理性（也有可能求职者虽然是内地省份的人，但是找工作还是跑到沿海省份找，分地区意义没那么大，这些假设都待验证）。

任务5：分析整体用人成本结构与走势，找到成本控制关键点。

这五个任务，主要都是数据分析的活。数据分析理清现状，采集数据，后边算法就能有的放矢。比如：

1、在已有管理岗位“合适/不合适”标注的情况下，结合简历信息、猎头给到信息、招聘渠道信息，对面试人员建分类预测的模型（逻辑回归/决策树），预测“合适”概率

2、在已经有整体用人成本结构、增长原因、发展趋势数据情况下，建预测模型（时间序列/多元回归）判断用人成本是否会超出预期，从而干预决策（不要因为短期缺人就大量招聘，对比给加班费和增加新人成本差异）。

当然，还有第三个合作点：在工作中遭遇挑战，大家一起应对。

05典型合作场景之三：问题解答

面对“模型为什么不准！”终极问题，一定是所有人一起努力。首先要排除的，是外部因素、意外波动、业务主动行为的影响。不要是个问题就往模型身上泼脏水。

比如：

突然有高管变动，引发管理层招聘要求全变

招工来源地发生疫情，人员出不来

行业领头企业突然提高了薪资，拉高了整个行业成本

原定的招聘计划因为各种原因推迟

原定招聘计划，没有达成预期，要加新渠道/新方式

所有这些因素都会让原先设计的模型不成立或者效果下降。应对这些变化，数据分析要冲在前边，在日常监控数据的时候，就及早发现问题，提示业务风险，提醒所有人关注变化。而不是等着业务打上门来再来扯皮。

06小结

算法和分析的工作性质差异，使得这两者合作分工的时候，天生侧重点不同。理想的合作方式，就是：分析扫清业务障碍，算法集中提升效率。大家一起做出成绩。

实际上，如果你工作时间够久，和业务接触得够多，就会发现：大部分直接从业务口中冒出来的“建模型”需求，都不靠谱，不是数据缺失，就是目标不清。别是涉及预测问题的时候（分类问题相对好一点）。经过数据分析师转化的需求，反而靠谱很多。