经常听到一些企业的IT部门诉苦，他们的业务部门是如何的强势，和他们好像难以配合。尤其是传统企业的数据分析工作中，数据分析部门还有IT部门，与业务部门的沟通一直是鸿沟的，这都是甲乙方配合的老毛病了。
小编整理了一下IT的苦水，大概就是：
被动需求。IT被业务部门日常、琐碎的需求占据大部分时间，每天忙到怀疑人生，但都是在重复处理低价值的工作，没法展开自己想做的有价值的分析，不禁开始质疑：数据分析不是定位、分析、解决核心问题的么，为什么现在的我每天都在“搬砖”？
对业务的理解不深刻。在处理需求时，出现业务理解的不一致与偏差，加大了数据分析工作的难度。业务部门提出需求时，只能一味照做，无法判断这些需求是否合理，是否有更好的指标能够体现业务状况。也无法进行更深入的数据分析，给出业务部门没有提出但真正需要的、更有价值的数据。
数据分析工作的价值不被认可。大数据浪潮下，越来越多的人开始认识到数据分析的重要性和价值，但在企业，尤其是传统企业要做到数据观念的彻底转变仍然存在重重阻碍。
解决方案
要解决上述难题，可以建立数据部门和业务部门间信任和高效的沟通方式，可以从需求、指标、业务分析等多个方面入手。
1、对业务部门相关人员进行简单培训。或提供一个操作简便、易上手、界面化的工具（比如BI），并适当开放数据平台权限，使得业务人员对于一些简单数据可以自己获取，减轻数据分析人员的工作负担。
2、对需求进行标准化处理，并定期总结需求。数据/IT部门和业务之间的配合，不能永远是甲方替乙方做，或者甲方说改乙方照改的被动状态。可以建立一个流程机制，比方说下图的标准化处理流程。在业务部门提出需求后，不要马上就蒙头处理，先对需求进行分析与讨论，排除掉不合理的需求，或对部分需求进行改进，减少无用功的同时提高数据分析的效率。同时，为了更好地对数据需求进行总结，可以从需求目的、需求内容、需求提交、数据使用人、需求处理人、开始时间、结束时间、备注这八个方面对需求的相关信息进行梳理，以更好地掌控业务部门整体的需求变化，减少重复性的需求处理。
3、构建指标，使业务问题更好地落地。指标作为一个有效的数据化管理的手段，是连接业务需求与最终报表呈现的关键要素。从抽象的业务问题中梳理出关键指标是使业务问题落地的有效方法。而指标的构建可以分为五步：罗列业务指标、筛选业务指标、选择权重、确定衡量标准、修改确认。
4、构建业务分析模型，做一些数据化创新。第3点中指标的构建能够帮助引导业务问题，并初步构建企业数据化经营的视角，但无法适应业务快速变化环境下进行数据化创新的要求。对此，可以从指标的角度切入来构建业务分析模型，推动数据部门的业务分析能力，在深刻理解业务部门需求的基础上，判断需求中所要获取的数据指标是否是最合适的，并能自主进行深入的数据分析，给出业务部门一直想知道却无从入手的数据。具体来说，有三种构建业务分析模型的方法：价值树法、Past法（流程分析系统技术+流程图）、Fast法（功能分析系统技术+鱼骨图）。
下面举例介绍一下Past法。如要提高企业的准时交货率这个指标，可以先考虑这个指标在企业的整个流程中涉及哪些环节（这一指标涉及供应商、生产计划、制造检验、配送发货、客户五个环节），在每一环节中对应的指标是什么。比如在供应商这个环节，供应商交付准时率这一指标提高了，则最后的准时交货率也能得到提高；而在生产计划这一流程对应的指标是物料齐套率，以此类推，分别找到制造检验环节和配送发货环节对应的指标（如下图）。该方法就是将流程进行拆解，并找到每个流程中相应的量化指标，由流程来牵引组织成员达成共同目标。
最后，数据部门与业务部门间沟通难题的解决是一个循序渐进的过程，需要两个部门成员共同配合并进行自身能力和思维上的升级。如果能在数据部门说得上话，不妨重新梳理一下部门在企业的地位，以及如何和业务配合，建立一套有反馈的流程。如果暂时还不够格，尽可能的多学习业务，必要的时候diss一下业务同事；其次，善用工具，像取数、批量报表等重复性劳动用工具处理！