欢迎来到”分析观”, 一个交流运筹分析(Analytics)知识的平台。
Analytics是一个新兴领域，甚至还没有一个贴切的中文翻译，我暂且称它为“运筹分析”。但提起她的内涵却并不会让人感到陌生。概括说来，它是运用商业分析+数据科学+数学建模+数据可视化为企业提供决策支持。解决的核心问题就一句话：
怎么做正确的商业决策？
毫不夸张的说，及早在Analytics领域进行战略布局，已经成为未来企业的核心竞争力。未来十年，胜负将决于此间！
作为开门第一篇文章，和大家聊聊Analytics的前世今生，应该是再合适不过了。
什么是Analytics？
运筹分析已经成为企业竞争力的重要源泉– 德勤调查报告
Analytics的核心是使用数学模型和统计工具来分析大规模商业数据，从看似纷繁杂乱的表象中提炼出有价值的信息，从而做出高质量的决策。许多人说当下是一个信息爆炸的年代，而我更倾向于把“信息爆炸”替换为“数据爆炸”。200个电视台，400个QQ好友，100个微信好友，30个亲密的同事，30多个亲戚成员，上班的邮件，下班的闲聊，蹲坑时候看的朋友圈……，每天我们会被多少数据包围？然而这么多数据能包含多少有意义的信息？ 又有多少有信息帮助了我们的决策？如果我们不用宝贵的时间梳理它们，那么它们就根本没有意义！
数据不都是信息，信息不必然是知识，知识不一定能理解，理解未必形成智慧。 – 美国宇航员 克利福德·斯托尔 博士（Dr. Clifford Stoll）
看到这里，你还记得上周的朋友圈吗？还记得上次妈妈饭后唠叨了些什么吗？ 这些宛如碎屑般的数据，在你我意识中一闪而过，之后大部分便永远消失在无边无涯的潜意识大海之中。
小到如一人，大如一个企业，每天都在和数据搏斗。企业的IT系统，每天产生大量的数据，记录着每一个运作的细节，几乎到了保罗万有的地步。面对这浩如烟海的细节，却反而令我们无从下手了。于是我们计算各种指标，把企业的行为精简到了极致，报告来帮助管理者驾驭这头巨兽。但在精简过程中，必然会损失许多细节，抓大，自然就会放小。那有没有一种方法，能更有效的利用这些看似无用，实则隐藏了信息的细节呢？ 这就是Analytics要解决的问题。
要回答Analytics是什么，先搞清楚它不是什么
Analytics v.s. 商业分析(Business Analysis)
很多人会问，我们有部门做战略分析啊，有做商业分析呀，和Analytics有什么区别呢？ 区别可大了。商业分析是通过对企业运营，业务，市场等进行定性分析，提出商业问题的解决方案。在目的上，和Analytics有很大的相似性,乍看上去似乎是差不多。但仔细了解一下，Business Analytics和Business Analysis的差别，那简直就是雷锋和雷峰塔的差别。
首先商业分析侧重于定性，通过分析简单的业务指标来做出判断。商业分析有一套相对固定的分析工具， 比如PESTEL模型用6种因素解释宏观环境；波特五力用5种动力来描述市场环境；SWOT则将对比竞争概括为4个维度，等等。
而Analytics则是使用完全不同的方法论来帮助决策。例如对于有历史数据的业务，使用机器学习来挖掘大量数据下潜藏的规律；对于复杂的动态市场行为，会考虑用仿真实验来模拟行为的演化；对于选址、定价、广告、生产等问题，则可用优化算法求取最优方案。
下面的表格可以做一个粗略的概括：
| 区别 | Business Analysis | Analytics |
|---|---|---|
| 分析方法 | 定性分析 | 定量分析 |
| 解决方案 | 宏观路线 | 决策优化 |
| 理论基础 | 传统商科，金融，财务 | 运筹学，统计学，数学 |
| 分析工具 | PESTEL, MOST, STEER,… | 统计推断，机器学习，仿真，优化算法，… |
| 数据来源 | 报表 | 原始数据 |
Analytics v.s. 数据分析(Data Analysis)
这是两个时常被人混淆的概念，许多管理者喜欢用数据分析来理解Analytics。每每有人用“他是做数据分析的”来介绍我的时，我多半会礼貌的用“我是做运筹分析的”来纠正。当然，Analytics十分依赖数据，但真的不仅仅是数据分析。举一个简单的类比，财会人员每天要用电脑进行财务分析，但不能说他们的工作就是打字；Analytics需要分析数据，但其价值并不仅仅是数据分析。
只有将商业、数据、模型、算法、分析、解释，这几个方面综合在一起才能概括Analytics。
看到这里，相信各位脑海里应该对Analytics有了个大致的印象。总结来说：
运筹分析(Analytics)是一种决策哲学，它有下列特征
- 以数据为基础
- 针对复杂商业环境和业务逻辑（因素众多，相互关联，以及不确定性）
- 依靠数据挖掘和数学建模给出答案
- 使用图形化和自动化协助领导者实施决策
企业为什么需要Analytics？
如前面所说，大数据时代企业每天所产生的数据如滚滚洪流，泥沙俱下。管理者面对海量的数据，虽然深知市场、企业、客户的真相就在其中，但亲身试水无异于跳海自杀。当业务规模不大，决策不复杂的时候，涉水而过或许不成问题。而一旦上了规模，只靠拍脑袋决策，就难了。而这种复杂的业务问题，正是Analytics擅长的领域。
那么Analytics能解决什么样的问题呢？大致说来可以概括为下面三种基本的分析法：
- 解释（Decriptive Analytics）：通过汇总历史数据，使用数据挖掘算法提炼出有价值规律和经验。它能回答”发生了什么？为什么会发生？是什么原因导致的？”。例如：
- 过去销售下滑是什么原因？
- 什么样的客户是最赚钱的客户？
- 预测（Predictive Analytics）：通过统计模型和预测算法，预测未来最有可能发生的情况。它能回答“照此发展下去，预计未来会怎样？”。例如：
- 产品未来的销售额怎么变化？
- 新的促销活动会有怎样效果？
- 诊断（Prescribtive Analytics）：使用优化和仿真手段为具体决策提供最优或最合理的解决步骤。他能根据约束条件，提出达到目标的最佳方式。一些典型的问题例如：
- 最优的货运方案是什么？
- 如何分配销售人员，使得效率最高？
- 新建三个门店最佳选址在哪里？
- 广告最优媒体组合和最佳投放频率？
以上的例子是想给大家一个感性的认识。事实上，只要有数据做基础，许多以往不能解决的复杂问题都可以通过Analytics得到更完善的答案
什么人能从事Analytics？
如果5年前，某家企业忽然说要向Analytics方向发展，需要组建部门招揽人才。可能人力资源经理会万分头疼，因为仅仅5年前，是没有一所大学开设Business Analytics或者数据科学之类的专业。即便是如今，即便全球很多大学的Analytics和Data Science专业如雨后春笋一般疯狂生长，但真正合格的人才，依旧非常稀缺。
首先，作为Analytics从业者，最基本的能力是写代码。虽然这个标准近几年有所松动，许多跨领域沟通的能力，项目管理能力被更多的提上重要地位、。但我仍然要说，有坚实代码和算法功底，可以使工作加游刃有余。给出问题以后，能快速上手进行验证，将会给从业者巨大的帮助。熟练掌握基本工具，才能在思考复杂商业逻辑上游刃有余。
文惠君曰：“嘻，善哉！技盖至此乎？”
庖丁释刀对曰：”臣之所好者，道也，进乎技矣” – 庄子.养生主
第二种能力是数学知识。Analytics依赖于多种数学工具，因此从业者需要广泛熟悉多种数学方法，了解他们适用的对象，并将理论同商业实际相结合。其实大家每个人都做过类似的事情，解应用题：），只不过Analytics需要解的是更复杂，更实际的应用题。
第三种能力是数据管理。每一个Analytics从业者不能指望数据整齐的躺在数据库里等着他们去分析。多数时候，数据是残破的，分散的，甚至是不知所踪的。他们必须有能力去寻找，清理并维护数据。熟悉多种数据存储结构，熟悉数据库和ETL应该是最基本的要求。而随着大数据平台的兴起，对Hadoop, noSQL,等新兴数据技术也需要有所涉猎。
最后一种能力是沟通能力。把这项放在最后说，是因为这往往是决定项目成败的“最终奥义”！再好的戏，没有声音也出不来；再精妙的理论，没有故事的包装，也无法打动人。善于沟通，清晰描述商业价值，可以快速的获得前期信任；在项目实施的过程中，畅通的汇报交流，可以使资源获取更加容易；项目完结，一份潇洒飘逸的报告，美观的PPT和准确的图文表述，那沁人心脾的感觉，将无疑是项目圆满的句号。
总结说来说
一名合格的Analytics从业者，必须是：战略家+开发者+工程师+创新者+咨询师。
未来
毫无疑问，当下Analytics已经是一个炙手可热的概念。许多高校中Analytics和Data Science专业如雨后春笋般涌现；许多企业不管三七二十一，都纷纷设立Analytics部门；许多求职者不管合适不合适，都把Data Scientist挂在简历上。因此许多人认为Analytics只是炒机器学习的冷饭，玩的是改头换面的噱头。
但一次技术革新，需要从理论产生方法，从方法发展应用，从应用到影响观念，从观念改变组织，经历一个完整的过程。即使核心思想一致，但不同的阶段也需要有不同的外延来支撑。
30年之前，虽然计算机已经大行其道，但IT是什么却无人知晓。而今，我们已经无法想象没有IT部门的企业。 数据科学的诞生之初叫“统计推断”，应用之后称为“机器学习”，商业化之后叫做“大数据”，现在数据科学要改变企业管理哲学，此时我们给了它一个新名字“Analytics”
10年之后Analytics将彻底改变企业决策的方式，成为企业重要的竞争力源泉。想想现在IT技术对企业发展的巨大影响，未来Analytics必然会引发相同量级的变革。
对于Analytics未来的发展我十分乐观。我也正在为这场为期10年，而且已经开始的变革做准备。你是不是也这么认为呢？或者也在为自己笃定的10年之期，做着准备呢？