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。
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？
- 合规|上海制定反垄断、互联网营销算法、盲盒经营活动等新业态合规指引
- c语言|e观沧海丨算法焉能藏“算计”
- 算法|【2022/1/15】thinkphp源码无差别阅读（二十）
- 算法|电竞好用日常也爽的小金刚显示器，优派VX2780-2K-PRO分享
- 算法|用户来得太难，走得太容易，怎么办？
- 华人女博士提出高效NAS算法：AutoML一次「训练」适配亿万硬件
- 算法|数据结构学习笔记之线性表（02）
- 销售额|2022年最该收藏的8个数据分析模型
- Myethos《武装少女系列》AZ:[C]1/7比例模型
- 王国彬|北京海淀：一审宣判全国首例涉人工刷量平台干扰搜索引擎算法不正当竞争纠纷案