經常有同學抱怨：每天忙於取數，不知道有啥數據分析項目可以做。今天系統性介紹一下六大類數據分析項目。它們都是可以單獨立項並且做出成績的，一起來看一下。
第一類：監控類
監控類的需求很多，但做成項目就有一定難度了，因為很多時候業務方就是丟一紙臨時取數需求，甚至一個電話過來口述一個朦朧的需求。這時候一定要做數據的同學自己打起12分精神了解需求背景。
如果是：
1、新上線的業務
2、沒有固定報表老業務
3、多次開展的測試/活動
都要和業務方坐下來詳細聊聊，把業務流程，監控指標，關鍵KPI指標，定下來。至於輸出形式可以看BI工具的完善程度和開發複雜度。能用看板的用看板，不能用看板的做自動化報表，總之把臨時取數儘量幹掉。
這樣不但能形成良好的項目機制，也能避免業務方思考不全，隔三岔五地改取數形式，增加額外工作量。還能在有餘力的時候關注下指標變化情況，為拓展其他項目鋪路。
監控類的項目想出彩，就一定得整！花！活！比如老闆號召今年要「數字化轉型」，那先開發一個數字大屏擺在集團會議室里，把常規報表做個可視化看板。領導們一看：「嗯，不錯，很數字化！」 這績效就有著落了。
比如有重大活動，產品更新，第一時間先把監控報表整出來。發報表的時候做個海報，上書大標題「戰報速遞」，或者做移動報表，在微信群里群發一下，排面拉滿，這績效又有了。總之，做監控類項目，一定要「好鋼用在刀刃上」，讓領導們看得見，讓領導們看得爽。
第二類：評估類
做評估本身並不複雜，定好評價標準，看實際數據表現是否達成標準即可。但是不同業務類型的評估，涉及的指標，評估方法可能不一致，因此要分開看。
常見的，比如：
1、對運營的：運營政策、促銷活動評估
2、對產品的：產品功能、產品改版評估
3、對銷售的：推廣效果、渠道投放評估
評估類項目的核心在於：統一評估標準。
這裡銷售類的相對容易，因為銷售收入/毛利/投放ROI是天然的判斷標準。運營和產品的評估都經常出亂子。運營經常是想法太多，不設固定的評估標準，到底要不要設參照組，到底怎麼算自然增長率， 每次活動都不一樣。
這樣搞不但沒法積累分析經驗，而且會給老闆留下一個「你們不誠實，每次都是變著法說好」的壞印象。因此強烈建議在做運營評估的時候，先分好類，每一類內部能有相對規定的評估標準和評估指標，這樣更有利於長期的工作開展。
產品則經常是想法太少。讓評估產品改版效果，你問他改版的目標是啥？想解決啥問題？想把指標提升到什麼水平？他一口氣回答三個「不清楚」，甚至有可能讓做數據額「自己多想想」。還有的產品，做ABtest之前不考慮好如何控制影響因素，如何分層，做完了讓數據分析師從測試數據集裡再做分組對比……
種種亂象，本質都是來自：業務部門缺少目標感，總想從數據里找對自己有利的部分報上去。因此，想要做好評估項目，是很需要數據分析師充分溝通，普及科學做法，逐步杜絕「看哪個數字高報哪個」的壞習慣的。當然，一些公司的產品/運營很強勢，就是逼著你改到他滿意，這時大家量力而行。
第三類：診斷類
很多人眼中，診斷類才是真正的項目，但真到實操的時候，會發現：找一個有差異的指標，容易；真深挖問題原因，很難很難。因為大部分所謂：診斷分析，其實就是拿諸如性別、年齡、城市維度和指標做交叉，然後說：「發現A城市少了，所以A城市是問題原因。」然後被業務嫌棄：分析沒深度！！！
之所以出問題，是因為單純的數據交叉，並不能直接回應業務的疑問。有些業務的疑問需要額外的採集數據，甚至需要測試幾次才能知道答案。還有些情況下，面對問題業務可用的應對方案很有限，即使分析得天花亂墜，業務也沒辦法處理。
因此，想讓診斷類項目出成績，關鍵是和業務溝通好：
1、有沒有分析假設？有的話，第一時間驗證結果。
2、有沒有應對方案？有的話，先驗證是否管用？
3、有沒有測試計劃？有的話，看分幾步測出答案。
這樣分析的時候，能直接回答業務的疑問，也能結合業務動作落地，是最容易表現出效果的。但是這麼做，得業務方先破除一個迷信：「數據分析師能像算命師傅一樣，只看幾個數就得出結論」甚至有的數據新人自己也這麼想，這就是自己給自己挖坑了。
第四類：預測類
預測類項目是所有項目里最容易立項的，幾乎每個部門領導都想你給他「精準預測一下XX」。預測類項目也是最容易翻車的。很多新人一看領導支持，覺得「可算接到大活了！」嗷一聲就上了，然後被人嫌棄：「準確度不夠，看不懂咋預的，你這有啥用啊！」搞得一地雞毛。
這裡有三個關鍵問題，在做項目時必須搞清楚：
1、業務拿到預測結果可以幹啥
2、業務要不要參與到預測過程中
3、業務的資源投入，努力程度要不要作為預測變量
問題1要在項目開始前就和業務聊清楚，不但能清晰預測目標，而且保證結果有地方落地。
問題2則關係到預測方法選擇。如果業務一定要參與預測過程討論，那算法模型基本就廢了，考慮把經營分析公式寫出來，然後大家拍腦袋拍參數吧。
問題3則涉及「是業務先給投入假設」還是「數據先給結果」的問題。如果考慮業務投入力度，一定是業務先給假設，數據再出結果。當然也有可能是數據先給預測，業務根據預測考慮要不要追加投入。兩種模式都行，但得事先說明，不然事後又是「你咋預測的不准！」「你預測完了我也不知道咋用」。
所以真想讓預測類項目出彩，難度非常大。往往是一些成熟的業務場景，比如外呼、風控容易做出成果。更多的目標不清、興致起來就要預測的項目，常常會死在問題1上。因此做項目時一定要小心梳理。
第五類：治理類
治理類工作是絕對的髒活累活，而是還是領導最看不到的那一部分。每個工作都喊著要搞「大數據」可你真把工作時間/人力資源都分過去了，大家又嫌棄你「支持業務不夠」。更不用說產品催著上線埋點亂搞一通，運營自己寫sql天天發明新指標口徑，銷售不按規範操作數據亂錄……這都是老生常談的問題。應對方法一大堆，落實不下去是常事。
所以大家經常選擇「先污染後治理」或者「邊污染邊治理」，並且做這種項目，最好是「畫大旗、蒙虎皮」，比如戰略發展部牽頭要各部門統一彙報口徑，或者集團數據治理大項目，有個大旗扛在肩上，起碼老闆看得到。
第六類：計劃類
計劃類工作往往和經營分析有關，在年頭年尾，月度季度總結復盤的時候工作量比較大。這個活，很多同學不喜歡干，因為每次做預算、計劃拆解，都會被各種領導抓住問這問那，改來改去。而且最後制定出的計劃指標，可能也是領導們拍腦袋定的。做完以後，感覺自己的專業知識沒啥增長，還很心累。
但作為數據部門的領導，可能最想承接的就是計劃類工作，雖然技術含量低，但這是一個直接服務大 老闆的機會。能多在大老闆面前露臉，本身就是一個絕好的立功機會。
更有很多公司的數據部門領導，是靠著給大老闆做計劃上位的。所以不要錯過這個機會，可以試著在做計劃類項目的時候多和 老闆溝通，贏得老闆信任。當然，有些公司老闆行事太過嚴厲，你很難討好他，那就另算。
另一方面，計劃類工作在跳槽的時候也很好用。因為制定計劃涉及整個公司經營分析指標體系，經營方向確認，通過計劃類項目，能很好地建立全局認知，在面試官面前顯得很有水平。
說到這，就涉及一個有趣的話題：同樣的項目經驗，可能在企業里打工的時候很多領導喜歡，但面試的時候就沒啥價值。有的項目企業內做得一般，面試官卻覺得很有意義。這種差別，源自視角不同，企業內看重實際效果，面試 更看重技能掌握。