不懂数据分析的算法工程师，会有多惨

编辑导语：算法工程师就是利用算法处理事物的人，输入相应的指令将会得到相应的输出；但是算法工程师的要求也非常高，在实体行业，他们还要会数据分析，才能在实体行业中计算出精准需求；本文作者分析了算法工程师的现状，我们一起来看一下。

“我们的算法工程师水平太差了，完全解决不了问题！”作为一个经常和传统企业打交道的乙方，这种抱怨我听得太多了，类似惨痛画面也见得太多了。今天我们系统说说。

模型厉害不厉害，厉害！你看阿尔法大狗子都把天才少年柯洁咬哭了，能不厉害吗。

于是，很多企业咬牙跺脚，出高薪，聘请来自互联网大厂的算法工程师、数据挖掘工程师、数据建模师，期望他能做出超厉害模型；“只要你能预测精准了，那我肯定能如鱼得水”是他们的口头禅。

又刚好，一批2017年左右混入所谓互联网大厂的算法工程师们，被裁员了，以为自己可以打着“前头腾阿高级算法工程师”旗号收割一波传统企业，从此乌鸡变凤凰，走上人生巅峰。

两者一拍即合。悲剧就从这里开始……

一、不考虑业务，背锅死

阵亡案例1：某传统企业，想建立产品推荐模型，精准匹配用户需求；结果才半年，招来的算法就被炒了——炒人理由：推荐不精准，反而干扰了正常销售。

甲方市场部的头头还不屑的说：阿里的推荐算法也不咋样啊。

仔细研究业务场景就发现：亲，不是阿里有问题，是你这公司不是阿里呀！阿里是平台方，在平台上有无数商品等着推。

但具体到你这个企业，就会发现：

有的产品是安身立命的爆款，不推也好卖。

有的产品是业务的心头肉，只要出一点问题，那就是千刀万剐。

有的产品先天短腿，功能不行、定价不合理，根本干不过竞品，推荐算法有毛用。

有些产品品质还行，只是在内部政治地位不高，拿不到资源，或者定价不合理，导致后天短腿。

上一任算法小哥哥，不考虑这些业务上明争暗斗，就直接上模型了；所有产品一锅炖了做推荐（还是用协同过滤，完全没考虑企业的用户粘性，用户行为数据量问题）；结果，主打产品出现下滑情况，销售部、市场部联手，一起把锅往他身上甩。

结局，不但被赶滚蛋，而且搞得声名狼藉。

认真分析了这些背景以后，一个优化方案出炉（如下图）：

先做好产品分析，选好后天短腿的小品类，找到背书的部门，这时候可以开干了；果然，第一波推广马上见效；于是甲方开开心心接手，自己回去优化迭代去了。

二、不细化场景，麻烦死

阵亡案例2：某连锁店，希望能建立模型，精准预测每个店铺的鱼蛋、肠粉、饭团、面包……具体到每一个SKU的销量，这样门店既不会因为积压浪费食材，又不会因为缺货错过销售；结果七个建模的小哥折腾了半年也不够精准，离职了4个，剩下仨垂头丧气。

到底如何100%精准呢！

认真思考这个问题场景，就会觉得很搞笑：真有100%精准预测鱼蛋香肠的本事，这七个小哥还打个屁工啊，直接去炒期货呀。

仔细研究以后发现：所谓的“缺货错过销售”，根本就是一句话空话；因为没有一个正式的缺货登记系统（很多企业有，但这家没有）；但是积压导致的损耗率，却是结结实实的高。

于是，一个优化方案出炉（如下图）：

这样运行了俩月，损耗率明显下降，实实在在地看到了成本的减少；同时，虽然也有人抱怨：“诶呀，有些店缺货了呀”。

可证据呢？证据呢？证据呢！没有数据，空口白话，说了鬼信！于是顺利扭转局面；也不出意外地，甲方自己接手继续优化了（是滴，甲方就是不喜欢签二期、三期，都以为自己能搞掂后边的，当然这是后话了，哈哈）。

三、不应对变化，含冤死

阵亡案例3：某大型渠道商，希望能建立模型，精准预测手机、平板销量，避免积压；先后换个5个做模型的，都不满意！业务给的反馈是：预测不够精准，导致决策失误。

仔细研究以后发现，问题根本不在预测上，而是业务方的反复横跳。