算法模型|数据分析 VS 算法模型，如何高效分工合作？初创公司|contentcal|彭博|twitte

编辑导语：数据分析如何与算法模型协同？相信很多人都思考过这个问题。本文将描述两种典型的错误做法，并提供破局的基本思路，再结合三个典型的合作场景进行分析。推荐对此感兴趣的朋友阅读，希望对你有所帮助。

文章插图
数据分析该如何与算法合作，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。到底该如何和分析与算法协同增效？今天系统分享一下。
一、两种典型的错误做法1. 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。
2. 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。
二、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。

【 算法模型|数据分析 VS 算法模型，如何高效分工合作？】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。
三、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：

要帮助管理岗位招到更合适的人
要发现：XX省市的流水线工人更容易招，我们集中招聘
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！
四、典型合作场景之二：任务分解有三大问题，制约着项目推进：
第一，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。