數據難題這個問題很抽象，也許從產品的角度來看是難題，可能在數據分析師眼里就不是問題了。這個問題可以理解為遇到跨專業性問題如何向該專業人士請教？

下面給出我的建議，首先要自己做一些背景分析，這個問題為什么難，難在什么地方，是不是存在相應的解決方案，能不能短時間能解決？對于可以解決的問題，你一定不是第一個遇到類似問題的人，可以進一步了解一下這類跨專業問題是否有普遍性，如果答案是的話，那么就可以在互聯網上找到類似的解決方案，譬如了解競爭對手的日活情況，可以利用爬蟲去抓取更新情況，大概看到新內容產生情況，互動情況，按照一定的行業比例，就可以推算出大致的日活情況。怎么爬取關鍵內容可以參考我之前的文章《職場寒冬新技能——Python獲取妹子私房照福利》。

了解到現有的解決方案后，你就清楚大概的思路和成本了，就可以判斷這個問題在當下這個公司情況，是否值得動用資源去解決，或者是會排期到什么時間點，是不是可以分步驟實現。有了這些思想準備，你去跟數據分析師去溝通，但切記賣弄自己臨時學習的那些知識，畢竟你只了解人家領域的一些皮毛，甚至皮毛都算不上，虛心請教是必須的，如果一副“showmeyourcode”的態度，及時再簡單估計也很難落地。那么大家就有不少的共識基礎，就可以見招拆招，充分爭取資源去實現你想得到的結果。

那么如果發現遇到的問題，沒有相關的參考解決方案，那么自己要反思一下，是不是這個問題太簡單了，不是一個好問題（正如《麥肯錫教我的思考武器》中提到問題的“關鍵值”比較低），或者有其他問題可以避免類似問題出現。如果是問題確實很復雜，而且關鍵值很高，需要被解決，那么恭喜你找到一個好問題，這個時候就需要聯合更多的資源去分析怎么解決啦，提升優先級，讓更多人意識到問題的價值，讓數據師站在公司的角度去理解這個問題，我相信他會很配合的，畢竟能做大家都很關注的事情，是一件很榮幸的事情。

說了這么多，總結一下：首先了解問題的背景，分析其是否具有價值，找到有價值的問題后就需要了解解決方案的代價（跟相關人士一起評估），如果需要更多資源，就想辦法把問題的知名度炒起來（給領導匯報），成為公司重視的問題，那么數據員（這個title比較low，你們公司很務實啊，但是建議你稱呼人家“數據分析師”）就會跟你一起想辦法解決問題的。