大家好，我是接地气的陈老师。

首先大家要明白，并不是所有的项目，都需要找一个万人大会堂，拉着横幅，董事长总经理轮流上台鸣锣开道的。只要满足“在特定时间、特定条件下有具体产出的”都是项目。

因此，做项目的关键，不是图个名号，而是有具体的产出。有了具体产品的产出，KPI/OKR文档好交差；领导对你满意度提升；升职考评的时候有更多资本；跳槽也有更多可以写简历的东西。这才是我们要争取的。而所谓“优秀”的项目，指的是比“我跑个数据”更有说服力的产出。

那么，第一步该从哪里开始呢？

一、认识服务对象

做项目，最重要的当然是搞清楚目标；搞清楚目标，第一步当然是搞清楚为谁服务。这是数据分析新手与老鸟之间的最大差异。

往往没入行的小白，满脑子都是“模板、模型、公式”。以为只要对着模板copy一份就算是完成工作了。刚入行的菜鸟们喜欢笼统地说：业务。可业务并不是一个孤零零的、独立的个人。业务两个字背后，是非常具体的、复杂的含义（如下图所示）。

具体问题具体分析，是数据分析的最基础要求，也是做好项目的第一步。因为这五大要素和它们的具体形态，决定了我们的数据分析可以做到什么程度，应该做成什么样子，做成什么样才能满足需求。具体的关系，如下图所示：

理清具体问题非常重要。过去我们常说传统企业如何如何，互联网企业如何如何，在渠道融合发展的今天，实际上二者之间边界越来越模糊。如果不具体分析，往往会闹出很多笑话。

比如：

以上种种复杂场景，不是大喊一句“我是互联网AARRR思维”就能搞掂的。指望套模板结局就是死翘翘。况且经过这几年的历练，很多运营、产品经理、策划都学会了基础数据分析概念，这时候还抱着充满“SOWT、PEST、5w2h”一类空洞口号ppt模板，数据分析师就等着下岗吧。具体问题、具体分析，怎么强调都不为过。

并且，了解清楚状况，对于下一步把握战机非常重要。如果凡事都等着业务找上门来才干，那就跟叼飞盘的汪汪没啥区别了（业务提一个假设，数据验证一个假设，宛如一只叼飞盘的汪汪）。自己对形势有判断，才好主动发现机会。

二、找到发力时机

数据分析项目，最大的敌人是：日常工作。所以，并不是所有事情都适合立项目来做。时机非常重要。

往往我们要挑业务部门的以下时机入手：

在这些战机时刻，抛出系统的解决方案，一鼓作气独立把问题解决掉（如下图所示）：

三、确认项目需求

找好发力时机，与具体业务方谈妥，准备动身开工。在开工前一定要确认好项目需求，具体来说就是项目铁三角：

这里有三点要注意：

1、数字、模型、报告本身不是产出。

业务从不了解情况到了解，从没有办法到有办法，从不知道怎么选到知道怎么选，从没有准备到一二三级预案，这才是产出。所以不要脱离问题就数论数。从数字里推出结论。

2、时间千万别忘了。

时间紧，尽量快速出结论；时间宽，就要分步骤输出，企业不是学校留大半年给你慢慢憋论文。

3、有多大锅下多少米。

如果数据质量差、人手不足、缺乏分析经验，就沉住气一步步做，不指望一次解决所有问题。

这三点对于项目成果至关重要，过往历史中有太多数据分析师沉迷于折腾“科学方法”，忽视了项目管理，忽视了时间-投入，结果画的饼大，煎的饼小，最后灰溜溜收场。

这里要还要注意工作方式。确认需求，不是让你直接问业务：“你们想分析点啥”。这种问法太被动，又回到叼飞盘老路上。而且往往业务会回答的你摸不着脑袋。

比如：

所以，靠谱的做法，是一步步梳理需求，引导到数据分析可以解决的问题上，正本清源，客观解决问题（如下图）。具体引导方法有很多细节可以讲，稍后我们结合具体案例，详细地说。

四、开展分析工作

做完需求，后续就是正式工作。具体内容和分析议题有关，这里不展开讲。如果前期梳理清楚，中间过程自然顺利。这里只强调一点：数据分析工作切记憋大招。憋得越久，人们对你期望值就越高，最后失望就越严重。

因此，只要项目工资超过1周，就得有周汇报，通知大家进度；时间超过1个月，一定要有月总结，拿中间过程和大家碰一下。

特别特别是用到算法的项目，往往一听到算法业务部门都以为是神兵下凡，所到之处必然望风披靡。所以，算法项目死于业务期望值过高的例子，特别特别多。过程中，具体的算法过程不用向业务汇报，但是遭遇的困难和期望输出的结论，要经常保持沟通，适当控制业务期望，避免最后一刻才发现货不对板，最后身败名裂。

五、工作汇报

这里不展开说了，陈老师更新过一个数据分析报告系列连载，大家可以关注公众号在菜单栏参阅。总之，汇报的时候，要考虑目标听众的身份、目的、结合项目目标做个性化汇报。这样才能取得好效果（如下图）。

基于听众的思考，使得即使同样的数据，同样的结论，也能有不同的表达形式，最后抓住听众眼球，让大家感兴趣，给项目完美收工。

小结

纵观整个过程，我们能看到，做好项目的过程，就是把数据方法应用于企业实践的过程。数据本身有统计学、数学、编程、数据库等专业知识，但其中相当部分（比如数仓、ETL）是为保障数据本身的正常运行；相当部分（比如语义判断、图像识别）是用于工业应用，不用考虑业务理解和配合；相当部分（比如统计学）适用于科学实验、农林牧鱼研究。

大量的业务不是科学问题，而是实操问题。O2O平台如何管理商户，新媒体平台如何发展本地客户，直播电商怎么选款等等问题，都得把数据知识和实际工作结合才能输出结论。