导读：数据分析是指从杂乱的数据中提取、归纳、归纳某些核心指标，找出某些规律。 但是，往往得出的结论不足以支撑下一步的行动，费了很大的力气，结果还是没有结果，还要继续深入。 本论文不是从专业的数据分析方法论，而是从研究开发的角度对自己进行的数据分析进行思考和总结的。
什么是数据分析
数据分析实际上有“businessintelligence”，简称“BI”这个很高的名字。 通过统计学等方法对观察、测量、实验以及生产活动过程中产生的数据进行总结、归纳、理解，得出一定的结论，用于发现业务中的问题、验证一定方向的正确性、可视化业务现状等。
数据分析工作很痛苦。 必须从杂乱的数据中提取、归纳、归纳某些核心指标，找出某些规律。 另外，经常得出的结论不足以支撑下一步的行动，费了很大的力气最终也不会结果，还必须继续深入。 专业的数据分析师除了SQL脚本外，还经常需要数学、统计学、概率论、算法等专业知识的支持。 作为研发工程师，日常数据分析往往不需要那么多专业知识，但比做编码工作要痛苦得多。
为什么研发要做数据分析数据分析据说是指BI工程师，但现实中BI们往往对业务方面最关心的数据、最关心的问题等方向进行分析。 我觉得你做一个小日常，看看这个小功能上线后的表现是自己的事； 此外，数据分析是一门复杂的学科，需要不断探索，思维方向因人而异。 从开发的角度考虑开发，“行走江湖、多技能”，做很多事，很有可能打开新世界的大门。
我认为研究开发往往基于以下目的。
经常到讲清价值：报告季，必须总结整理这半年KPI完成的情况。 例如，让某个功能有多有效，你怎么测量？ 开发周期缩短了多少？ 投入者/日减少了多少？ 运用了某种功能，在他们使用的时候起到了多少效果？ 正确地量化这些数字，将证明最有价值。
理清方向：蚂蚁的开发通常是许多并行的。 通常目标是多个，事情也很多。 有这么多事情排列在一起，比如业务需求、技术改造、安全生产、提高效率等，往往就没有优先级了，让我们来看看数据吧。 看看哪个最紧迫，哪个优先级最高。
发现问题：如果现在的业务遇到瓶颈，不知道下一步的方向在哪里，那么最好提取数据，看看现在的瓶颈是用户的增长还是某种转化率，然后再做
加深思考：这部分不言而喻，老板们对数据都很敏感。 我们也必须向上司学习。 从数据中发现问题的解法，会加深对业务的理解
怎么做研发角度的数据分析这一部分结合我们拍卖业务的“拍摄率”目标整理我的分析过程。
3358 www.Sina.com/http://www.Sina.com/http://www.Sina.com /
什么是拍摄率？ 在拍卖业务中，用户在最终成交之前经历了几个步骤：“看照片”-“订阅商品”对商品“支付保证金”-对商品“出价”-赢-履约。 如果有给某个商品定价的用户，那个商品一定会被拍摄。 拍摄率为有报价的商品数/全部商品数。
公式建立后，必须开始分析两个因子。 所有商品的数量来自业务方面的供应。 从BD收到了多少商品作为技术几乎难以影响。 实际上，我们可以做出对商品要求的指导性决定。 BD辛苦说出来的资产够不到平台，这不是没有道理的。
那么，我们可以尽量加大有报价的商品数量。 从变频料斗的角度来看，我们的核心操作是提高看拍品的绝对值，增加之后各路线的转化率。 但是，由于拍品大部分是大资产，笔单价几十万个级别，所以理想的转换料斗的实际操作非常复杂。 所以我们团队做了很多数据分析。
3358 www.Sina.com/http://www.Sina.com/http://www.Sina.com /
(这里是模拟数据)
公式已经定义，数据分析的一步是将该公式实现为报告，看看当前该指标的现状如何。
这一步是常规操作，我们很快做了近两年拍摄率的大盘子，但新的问题又出现了。 由于拍卖业务的特殊性，大盘形成后，这个指标的波动特别大，没能指导我们的后续动作。 我必须在那里进行分析。
3358 www.Sina.com/http://www.Sina.com/http://www.Sina.com /
上式知道拍摄率其实可以分解为两个因子。 有优惠商品数量和全部商品数量。 下面，我们来展开这两个指标。 例如：
按类别分类的优惠商品数量和所有商品的情况
按阅读数据、订阅数据、保证数据查看哪些因素与报价最相关，中间转化漏斗情况
大型资产商品的地区信息很重，我们再看
不同地区的情况当然还要看不同时间的情况，比如春节、国庆等特殊时期或者双促时，拍下率基本是下跌的
此外还要看未拍下的商品与拍下的商品有什么区别，货真的不好吗？比如市场价100万的房子，起拍价200万，那么肯定是拍不下的，价格因素会大大影响拍下率
还有从用户维度去思考，比如拍下房产的用户他们的购买力情况、在拍卖的行为（首次来拍卖、首次浏览、订阅、交保、出价）、是否有复购行为，是否是企业用户或者投资客等等
前面这些情况其实我们从货的角度、人的角度、时间、地理位置等等各个因素去入手，尽可能的发现问题，但是我们会发现按这个思路把问题拆解下去，维度是无限的，要适时总结，得出可以指导下一步动作的结论就好。
▐ 归纳、总结如何做好归纳总结这一步其实比前面的数据分析更重要，我理解最关键的点是“相关性”，一旦当前的数据已经和你最初的问呈现较为明显的正向相关，基本就可以了。
分析拍下率的问题中，我们得到了三个因素相关性很高，我们称为影响拍下率的三座大山：
批量拍品：拍卖的业务中存在大量的机构一下子发几百套房子，但最终拍下很少，这类case会造成拍下率极不稳定。一旦这种拍品出现会发现我们站内的流量基本都是不足的，因此我们采用短信、push、外呼等主动触达手动再加上算法挖掘为这类拍品补足流量。
腰部拍品：我们的拍品结构很复杂，有价格很低的房子（比如1元起拍的、11.11元起拍的等），这种房子我们定义为头部商品；相反那些和市场价基本持平甚至超出市场价的很多的，基本大概率卖不出去，我们定义为尾部商品；中间的那一些就是腰部商品，分析中发现这部分腰部商品结构变化造成了拍下率波动。（真实的腰部拍品定义其实不光是价格因素，这里只是简单举例）。
因此我们在站内通过流量补足、站外主动触达的手段进行流量补足，来尽量促成这部分拍品向头部转化，最终成交。看拍下率数据时，我们也会将拍品分层次去看。
除此之外，上面的流量调控也只是针对对流量敏感的商品，但是针对特殊商品，比如大额股权、船舶、土地等小众商品，对流量不敏感，我们会用人工撮合的方式来处理。
地理位置：比如同样的房子，杭州的用户心智较成熟，对应的杭州的房子就比较好拍下，拍下率就远比其他地方高。相比某个地区的三四线城市，拍下率就很低，我们在分析问题时，也会不同地区的拍下率分开处理。
比如，三四线城市，我们正在模式站外广告、传媒广告、线下服务等多种方式特殊处理。
拍下率相对稳定的一二线城市，我们更多在做扩大拍品供给，打造用户心智等。
▐ 验证迭代上面经过归纳总结，我们得到了一些关键动作：
站内对腰部商品做流量调控，这块主要依赖我们导购端的流量调控能力。调控实施时，也要基于头部商品拍下率不变，然后把过剩的流量向腰部商品倾斜，也做了很多数据工作来也验证策略的有效性。
站外对批量拍品进行货找人，然后通过主动触达的方式进行流量补足，召回的子项目也建设了很多数据报表，来衡量对这部分拍品的贡献。
最后，除了一些子项目的效果追踪，我们还要不忘初心，反过来看大盘的拍下率有没有变化，看看我们最初的问题有没有得到解决。
总体来讲，数据分析就是一个总-分-总的过程：
第一个总是要从总的目标出发，开始拆解、细化
分则是围绕大目标不断细分向下，从尽可能多的角度看待问题
第二个总则是适时回归本心，不能光做了分析而没有结论
数据分析的道路永无止境，1个问题可以拆出N个指标，N个指标相互聚合又会有N*N个指标，分析过程中又会出现M新个指标……，所以适时做归纳、总结，看看当前结论是否可以支持最初的问题，指导下一步的行动、得出有效结论即可。
回归到开发视角，做数据分析的前提是要有数据，开发过程中，除了基础的业务模型设计，还要考虑多记录一些日志，比如接口耗时、必要的报错信息、可辅助数据分析的一部分业务数据、一些关键节点的行为日志等等。
最后，多思考为什么？为什么我的主管会定某个指标为目标？我所负责的部分对这个目标有哪方面的帮助？团队中其他人的部分怎么配合起来共赢，他们的子目标是什么？站在更高的角度思考这些问题，对业务、数据、技术的理解都会更通透。
淘系技术部-阿里拍卖技术部
阿里拍卖是全球超大活跃的在线拍卖平台，GMV 规模超过 6 千亿，年服务消费者 2 亿，一年成交 10 万套二手房。年平均营收增长 100% 以上，万亿蓝海市场赛道独角兽，中国5亿新中产的网购顶级俱乐部。阿里拍卖技术部是一支拥有前端、后端、测试、算法等全建制技术团队，人数70+，我们既有背靠淘系技术设施的优势，又有结合独特拍卖行业特性的行业技术解决方案。
招聘岗位：JAVA开发、算法、前端、测试、客户端
内推邮箱：jianping.xwh@alibaba-inc.com
✿ 拓展阅读
作者|qfdsw（一予）
编辑|橙子君
出品|阿里巴巴新零售淘系技术