说到Business Analytics,大家首先想到的是Data Analytics:我们通过对数据的分析,获取新的商业认知,以回答通过传统途径回答不了的问题——–比如天气变化对销售有怎样的影响?众多客户中哪些是真正有价值的客户?

 

这些问题无法用传统数据解释,但可以用Business Analytics来解释

 

商业分析生态环境(Business Analytics Ecosystem)

 

Business Analytics通过描述性分析和机器学习方法,来做相应的预测性分析和最优化分析,但是这只是Business Analytics的一个组成部分。更重要的是,我们要了解我们解决的是什么商业问题,即我们做这些数据分析的目的是什么。

 

 

除了分析,我们要清楚数据从哪里来,以及到哪里去

 

公司会有繁杂的数据源与庞大的数据库,我们没办法用一个SQL query获取想要的数据,通常都是需要获取各个数据源的部分数据,这样就需要一个团队做数据管理。他们从不同的应用中获取数据,把他们整合在一起,形成我们想要的数据结构,并把他们划分成不同的Data Mart和Database,这样更方便按照实际需要来提供想要的数据。

 

在拿到数据后,Business Analyst会通过分析数据回答问题,那如何把分析出来的结果传递出去呢

 

这是决定一个商业分析项目成功的关键。一方面,我们需要把商业分析结果转换成直观可视化的报告。另一方面,如何把这些分析结果与日常的商业流程结合起来,并把Insights应用到工作流程中去也是很重要的一步。在工业化环境中,我们希望工作流程更加自动化,所以会有Optimization这样的工作任务出现,尽可能地把人从整个工作流程中抽身出来,从而做更多的Insight discovery。而有些部门对信息的时效性要求很高,这时Enterprise Mobility这个方向就出现了,他们通过实时的信息获取和信息处理,把Insights推送到手机或平板上,这对于某些商业流程非常重要,比如Fraud Detection,一个Fraud出现,我们希望相关人员能马上作出回应,并且无论何时何地都要能够第一时间接收到信息。

 

我们已经了解了整个工作流程,那怎样才能执行项目任务呢

 

首先需要一个稳定高效的系统环境,目PC可能不能完成大部分的数据处理,我们需要一个大规模的MR环境来部署,System/Infrastructure可以帮助我们实现,他们不但提供系统运行的环境、ML engines、Reporting server和Web server,还会负责数据安全与系统安全的维护,也会帮助做Workflow automation、整个系统的维护和系统更新换代。所以在一个项目中会有很多部分,每一部分都是不可缺少。我们需要一个项目管理流程,把各部分整合到一起,让每个部分共同协作,为最后的Insight delivery服务。以天气对销售的影响为例,我们首先要定义这个项目需要哪些数据源(如历史天气数据),然后商业分析师对数据进行分析和建模,并根据不同的需求,把众多的信息整合起来并呈现出去。

 

商业分析团队构成(BA Team Composition)

 

了解流程过后,一个团队需要什么样的人才能一起完成这些任务呢?

 

首先需要有一个Project/Product manager把握整个项目的流程,在他的管理下,每个数据源都有相应的Application domain expert。还需要数据管理团队,它包括以下三个职位:

 

  1. Data architect:主要做系统和数据的构建、设计与平衡
  2. Data integration engineer:把数据从不同的应用中拿出来整合
  3. Data engineer:按照需要来构建数据库,维护和管理后续的商业逻辑和数据质量

 

 

对于Data Analytics,会有负责这部分工作的Data Scientist。他主要做的是模型的构建以及深度分析,Business Analyst会与他合作。Business Analyst和Data Scientist在不同的公司有一些职位上的重叠。通常在培训时会让Data Scientist了解所有的工作流程,但在一个团队中他只会单独负责商业分析和模型的构建、评估、测试。

 

而Business Analyst所涉及的工作面更广,他会更多地投入到insight delivery过程中,思考如何构建report,并让高管明确地了解整个BA团队的分析结果。另外一个职位是Business Intelligence engineer,它相当于Data Scientist和Business Analyst的结合体,会做一部分Data Scientist的工作,但更多会注重于workflow optimization,与business intelligence的delivery上。

 

商业分析常见职位和所需技能(Positions and Required Skill Sets)

 

不同公司对Business Analyst的定义差异很大,可以把BA分成三个种类:

第一种BA,在项目流程中起到Project coordinator的作用,相当于项目经理。

 

 

他会从头到尾跟进项目流程,参与到商业分析项目的各个组成部分。这类BA对于技术的要求较少,因为他需要花很大的精力和各种人沟通协调,所以需要较强的沟通能力和处理多重任务的能力。另外他需要有一些项目管理背景,需要会用Excel,SQL,Powerpoint,需要能自己检索数据。虽然没有明确要求会编程语言,但是为了能够协调和理解整个工作流程,这类BA通常都是有技术背景的,这样他们才能够了解软件工程师们在做什么,从而更好地沟通协调整个过程。

第二类的BA会更加注重于整个工作流程的后半部分,即insight delivery的部分。

 

 

类似一个团队的Frontend,他会更多地跟客户接触,第一时间了解客户对项目的疑问与要求。这些问题与要求传递给BA后,BA会做Ad-hoc analysis,BA要了解数据是如何产出的,并清晰地表达出数据为什么是这样的。因不同项目要解释的问题不同,BA要回答和分析的问题也就不同,在分析问题的同时,他也会处理一些KPI的delivery,如某个模型的准确率是多少,

 

所以这一类BA需要的技能更偏技术。不但要求你有很强的问题解决能力,还要有足够的数据提取能力,在Excel和SQL之上,需要有更好的Warehousing、Data visualizaion的能力,如果你懂脚本语言,有cs 或统计的背景会更有利于你理解团队其他人在做什么。这一个工作职能在不同的公司会有不同的名字,有的公司会叫Data Analyst,有的会叫Reporting Analyst,如果你是专门做可视化的的,也有公司会叫你Data Visualization Expert。

 

第三种BA与Data Scientist更相像一些,会更大程度地参与到建模的过程中,包括模型的设计、构建、测试与评估。

 

 

跟上一种BA相似的是,他也会接到各种各样的问题,但是他需要自己去完成Predictive modeling或Descriptive modeling,这就需要更好的机器学习、统计背景和更强的编程技能,以处理复杂的数据集,这个职位在有些公司也会叫做Quantitative Data Analyst ,他们的共同点是对统计数学背景有一定的要求,还需要有较强的问题解决能力。

 

Data Scientist

 

 

Data Scienitst的主要工作是分析各种机器学习算法,看哪一个模型能更高效地解决问题。在Soft skills上,这一职位和之前的BA没有什么区别,但在Technical skills上会更强调编程能力、机器学习背景和统计分析能力,有处理大数据量和高效计算的经验会更好。

 

还有公司有Research Scientist和Economist职位。这两个职位做的都是构建、测试、评估模型工作,但不同点在于,Research Scientist一般是从机器学习的角度出发,而Economist更多是经济学背景的人,他们做的模型多是时间序列。

 

Business Intelligence Engineer

 

 

BIE和Data Scientst一样,都需要有机器学习和计算机背景,不一样的是,不同团队招的BIE的职能可能不同,一部分是作为Data Scientst,一部分是负责后续的Business Intelligence reporting 和Visualization。有些公司可能称这一职位叫Technical Business Analyst,他相对于Business Analyst,会更多地和软件工程师在一起工作。

 

 

以上就是把五个职位放在一起的比较,虽然有的职位需要熟练掌握的技能更多,但是他们之间没有优劣之分,每一个职能都是必要的,要看哪一个更符合自身的背景,从而决定你要去找哪一个职位的工作。