面对突发风险，数据分析师能做什么？
- 2020 年 3 月 4 日
- 筆記
2020年的春节，陈老师和所有同学们都经历了超级大突发风险。相信过去的一个月，很多人都已经宅到怀疑人生了。面对突发的疫情，相信很多同学的第一反应都是：早点知道就好了！如果能早点知道，不说能力挽狂澜扭转局势，起码自己也屯点口罩酒精干粮电视剧什么的。
是滴，面对突发风险，所有人的第一反应就是：我要是能未仆先知就好了。你会发现几千年来，历朝历代，世界各地的人们，都对未仆先知充满期待。不变的是诉求，变化的，只是具体的工具，比如水晶球、魔镜、瓶子里的精灵、河里的神仙、童颜鹤法的老者、神秘兮兮的孩童。当社会进步到了数字时代，当然大家期望的是“大数据人工智能”。
“要是大数据人工智能能精准预测未来就好了！”
人人都这么期望，But，真的搞得掂吗？
1
识别风险的类型
至少在本次新冠疫情中，大数据人工智能在精准预测上没起到啥用处。事前，没人能预测得到疫情发生；开始阶段，基于sars数据的模型预测值全部偏小；在发展过程中，在恐惧支配下所有模型都预测过大；而现在，国内已经得到一些控制，国外又开始肆虐。在2月26号的新闻发布会上，钟老爷子把形势改善总结为：强力的管控措施+人人自觉参与。总之，在预测这个点上，是没大数据啥事了。
但注意，新冠这种风险有两个特点：
- 突发性危机：这玩意发生突然，扩散很快。
- 我们完全不了解他：这玩意和sars并不一样，我们花了nnn久都没完全弄清楚它的情况。
这种情况本身是很难预测。用数据预测的基本原理，是过去的规律未来会重现。无论是业务分析还是建模，都依赖已有数据/经验（如下图）如果现在发生的根本没有东西可以参照，比如这次新冠，我们就只能摸着石头过河，逐步探索方法。
但注意，并非所有风险，都是突发危机，都是不为我们熟知。所谓突发风险，其实和两个维度有关：问题突发性+我们认知程度。在数据分析方法中，两维度的分类可以用矩阵法，做一个如下分类。分完类你会发现，大部分“风险”根本不需要水晶球来预测，也能应对。
2
这种风险，不需要水晶球来应对
首先，最不需要水晶球也能应对的风险，就是“日常+知道”类，俗称“作死类”风险。很多同学好奇，说日常又知道，还能出意外？大家看看下图的场景，是不是很常见呀。生活中这种作死的事多了去了。
在企业中这种事情更屡见不鲜：
- 生产：有运作规范不遵守，“赶时间，顾不上；规矩多，懒得弄”
- 运营：明知方案有漏洞还是照做，“薅点羊毛没什么，都是增加DAU”
- 产品：明知没测试好，还是强行上，“这是老板的命令”
总之，大多场景是明知山有虎，偏向虎山行。最后被吃了一点不奇怪。
这种问题模型根本预测不了，也不需要模型预测！
我们需要的是：
- 教训总结
- SOP文档
- 数据监控
- 及时纠偏
通过严格的管理，把问题消灭在萌芽状态。
3
这种风险，也不需要水晶球
“日常+不知道”的风险，也不需要水晶球。这种风险往往是无知者无畏，看似出了意外，在懂行人眼里，丫早就该死了，铁定该死了。在生活中最常见的就是仗着自己年轻力壮不爱护身子，疯狂熬夜、往死里喝酒、不健康饮食，最后嘎嘣嗝屁（如下图）
在企业里这种情况也很常见。外行指挥内行；跨行的不去研究实际，凭想象办事；追逐最新的概念不管落地效果等，都会搞出来这种无知者无畏的错误。在传统企业常常表现为盲目跟风互联网，人家做O2O他也做，人家搞中台他也搞，最后要效果没效果，算成本一大堆。在互联网企业里则是不总结经验，盲目烧钱增长，盲目招人搞新概念，最后资金烧尽，散伙走人。
然而外行领导内行这种事总是存在，业务也不可能总是原地踏步，总要步入新领域。所以讳疾忌医并不是解决问题的办法，想要应对，作为数据分析师可以：
1、总结过往经验。业务数据走势，数据基础形态，产品分类，用户结构等做好，这样为决策提供清晰的常规标杆。即使外行来领导，也能一眼看到正常的行动范围是什么，出了问题也能尽早知道。
2、有限度的创新。创新需要做，但要控制范围做，要详细地记录试点结果，把创新的破坏力控制在可控范围内。遇到有人跟你说：“我们这个点子有着无法用数据估量的，但实际长期价值达数千亿的价值”的时候，要坚决把这种人标识为“大忽悠”、“神经病”。不谈数据，扯什么价值。
4
这种风险，完全可以预测
“知道+突发”型，是完全可以预测的。在生活中最典型的就是运动损伤。虽然孤立的看一次受伤，纯粹是个意外。但综合很多次记录，综合他人记录就发现，这玩意其实有规律。本来办事情就有风险，而通过数据统计，我们可以计算出风险。
在企业这种情况也很常见。比如
- 运营做活动设计，响应率可能有高有低
- 文案做内容创作，选题可能火可能吃憋
- 商品做新品选款，有可能爆款，也有可能滞销
- 产品做功能设计，有可能提效，也有可能添乱
- ……
总之单独看个案，经营活动似乎都是意外。但分类来看，我们会发现有些问题有明显规律性。比如做促销可能就优惠券、积分、礼品、打折几种手段，每种响应率就是一个固定范围。比如用户按性别、职业、使用经历等区分下来就ABCDE五个类型，DE型违约风险就是很高。这样就能提前进行规划，在做策划、设计、准备工作的时候预计潜在情况，留下一定灾备空间，做好预案。
既然涉及分类、预测问题，就可以用模型。实际上传统商业模型大部分集中在这个领域。比如风险评估模型、响应率预测模型等等。只不过建模对数据量和数据质量要求比较高，所以一般在数据较为丰富的银行、平台型互联网公司做的多。
有同学会说，那我们数据很少咋办。用户、商品、行为的数据少，还可以从企业内控角度，从经办人的角度反推吗。比如陈老师就做过，B2B企业数据采集太少，于是我们从经办人角度来分析，发现：你把这个活交给小张，就是比交给小李成功率高20%，这样也能起到灾备作用。
5
数据分析师应对风险的工作小结
小结一下：面对风险，数据分析师可以做的是：
- 突发+不知道：密切监控问题走势，测试可行办法
- 突发+知道：归纳成功经验，预测成功几率，做好灾备准备
- 日常+不知道：归纳成功经验，进行有限度测试
- 日常+知道：归纳失败教训，监控业务走势
是滴，纵观各种场景，出现频率顺序，是：归纳≥ 测试 = 监控 ≥ 预测。预测只是一部分，且是在积累了相当数据，做了归纳以后的。比起赌一个预测结果，不如踏踏实实做好常规归纳、测试、监控工作，找到应对问题的办法。
正如同抗疫英雄，上海的张文宏所总结的：
我们的预测
如果做得不好，会有80万感染
如果做得一般，会有16万感染
现在经过这么多投入和努力，只有337例
说明我们做的还可以
数据分析师最大作用也是如此，推动业务去行动，去“做”。归纳经验、测试方法、监控走势、预测可能性，全方位地服务。利用事实说话，找到真正有用的办法，这才是最大的价值。所以看完本篇，可以转发出来给那些还在期待你造出“水晶球”的朋友们看看，所谓“大数据”“人工智能”是这样发挥作用的。真一定想造水晶球，你需要一个魔法师，不是数据分析师哈，哈哈哈。
