实施数据分析项目之前，要弄清项目要解决的问题是什么，即重视问题构建。

 

评估数据分析项目的结果时，为何有些项目比其他项目更成功？归根结底是要弄清项目要解决的问题是什么。因此，在开展重大项目投资之前，必须对问题进行清晰完整的陈述。问题陈述应明确：（1）项目的发起方或需求方，（2）项目要解决什么问题，（3）项目预期结果是什么。有效的问题构建流程将显著改善项目规划和绩效，也使其成为敏捷流程的一部分进行持续改进。

在多年的数据分析工作中，我注意到问题构建的重要性远未得到应有的重视，几乎无一例外地导致执行中的项目因补救过迟而代价不菲。根据我的经验，这可归咎于如下原因：

●团队技术性过强：参与项目的团队成员技术性过强，一头扎进项目后主攻其擅长领域，如数据工程、建模或自动化。

●缺乏问题构建技能：项目既需要技术专家和业务专家的密切配合，又不能完全对他们言听计从，但这方面的技能可能是团队所不具备的。问题构建技能很独特，要求团队深入了解数据分析，敢于挑战业务专家，进而对项目需求有清晰的认识。

●企业文化：如果管理层认识不到问题构建的价值，企业就不愿在研讨会上投入时间，而研讨会通常是阐释问题构建对企业重要性的良机。问题构建流程是必需的，核心技术和业务专家不能靠着一套有缺陷的假设来绕开它。

项目实施前提条件

多年来，我为私营企业和非营利机构的数据分析项目提供问题构建方面的指导，就我看来，在正式批准开展数据分析项目之前，需要考虑三个关键因素：

1.了解真正的需求。“需求”和“想要”是有区别的。企业可能“想要”用数据分析项目解决问题，但这个问题可能并非根本原因，而只原因的一个表现。企业需要问自己几个问题来了解真正的需求，如：

高管层、外部客户和其他利益相关者向数据分析团队提出了什么问题？

我们想问什么问题？也许团队成员都不知道是否拥有回答问题的可用数据，所以他们回避了这些问题。如果需要，问题还可以涉及行业最佳实践或标杆。如果方向正确，讨论有时甚至可以通过识别业务的独特卖点来获得竞争优势。

在理想情况下，即使超出数据分析领域，还有哪些方面需要改进？是否需要研究流程、标准操作程序或其他方面？

2.了解用户。明确需求之后，还要确保有适合的利益相关者。在问题构建研讨会上提出正确的问题会对此有所助益：

可视化模型是为谁设计的？使用者是谁？其是用于经营决策还是战略决策？使用者可能包括不同的级别：董事会和高管层着重于战略（定量或定性）工具或仪表盘，运营人员可能需要某个业务线或职能部门的关键业务指标，这些指标代表着业务状况和绩效。在这些指标中，有部分指标本质上属于战略性指标（和高管计分卡的一部分）。

可视化模型的使用频率如何？董事会成员制定区域性决策所用的可视化模型与运营团队日常使用的可视化模型是不同的。所使用的底层数据可能一样，但可视化模型完全不同。

我们希望使用者在何种情况下做出何种决定？这是考虑了区域因素的模型（在研究公司整体战略方向时），还是特定市场的模型（在希望了解特定模式和市场数据时）？

我们希望人们在这一观点之下采取哪些行动？请使用者明确他们想要获取的见解以及哪些操作会受到影响。是否考虑了不同部门的操作？在此情况下，上述这些人是否都是项目的参与者？

数据可用性至关重要。如果项目团队想要建立一个模型，来了解在客户维系与客户忠诚度计划方面与竞争对手相比较的情况，缺乏构建模型的数据无疑会带来巨大挑战。

深入研究数据交互以及需要进行计算的地方也很重要。有时可在可视化工具中轻松完成计算，但有时候还是在源数据中完成更好，这就要用到数据工程。尽管我们不希望项目过度依赖数据工程，但为适应数据交互性和可视化而简化数据工程，本身也会带来挑战。可视化研讨会有助于清楚地了解使用者所希望的数据查看方式。

3.了解问题的复杂性。分析团队和业务团队都要了解项目的复杂性，尤其是项目所需的时间和技能，这一点非常重要。

良构问题：如果团队对数据很有信心的话，这就是一个直接明了的问题。例如，创建一个简单的机器人程序来自动处理月度事务。

半结构化问题：如果遇到半结构化问题，意味着团队所掌握的数据不充分或者遇到的是个新问题。例如，推出新产品时开展的跨区域营销活动。

劣构问题：劣构问题是指解决问题的可用信息非常少。关键问题解决技术（CPS）通常是解决这类问题的理想方法。例如，前所未见的政治或经济状况（如新冠疫情、新法规等）。

问题构建是一门科学，其系统性运用对项目的成功起着至关重要的作用。磨刀不误砍柴工，项目团队开工之前，不妨花点时间将相关人员聚在一起来研讨问题构建。

（以上信息来自CMA官微）

CMA学习咨询电话：0532-88889889   15908998386 

地址：青岛市崂山区香港东路23号D217现代职业发展研究院CMA研究中心