数据和经验_大数据优质经验_经验优秀

很多同学会困惑:到底什么才是数据分析方法?因为网上对于数据分析方法的描述,有些抄袭自营销学书本,比如4P、PEST;有些则抄袭自统计学书本,比如相关分析,回归分析。可真到做分析的时候就傻眼了:眼前的问题到底该P一下还是回归一下?

想真正理解&掌握数据分析方法,当然不能这样“拿着锤子找钉”。工作中的数据分析,要紧密结合业务,服务业务需求。因此理解业务需求,围绕问题找答案,才能理解各种数据分析方法有什么用,该怎么用。

一、6大类典型的业务需求

一个完整的业务活动,分为六个步骤:了解现状→设定目标→制定计划→监控走势诊断问题→复盘结果。在每个阶段,业务掌握的信息,想解决的问题是不一样的,因此对数据的需求会不一样(如下图)。

数据和经验_经验优秀_大数据优质经验

如果是从制定年度经营计划开始,数据分析师就参与到工作中,那么就会完整地经历这6个步骤。

但是,很多同学是中途入职/半道接手工作,最常见的是:

(1)从监控开始,先输出日常报表,再发现问题

(2)直接接到一个分析任务,就XX问题输出报告

(3)事情已经做完了,事后补一份复盘报告

这个时候,很有可能数据分析师对业务都不熟悉,匆忙赶鸭子上架,肯定毫无思路了。此时,至少得把第1步:了解业务现状补齐,然后再对症下药。

二、了解现状的方法

了解现状阶段,更多是系统地呈现数据指标,让业务看清楚情况。数据指标体系本身有3种结构:并列式、流程式、总分式。有一些常见的分析方法与这三种形式对应。比如:

数据和经验_大数据优质经验_经验优秀

需要注意的是:单纯地展示指标并不能得出任何分析结论。至少要展示指标+不同个体间进行对比。

比如:

(1)杜邦分析法:两个同行业公司进行比较

(2)UJM方法:两个不同路径进行比较

(3)RFM方法:两类用户群体间比较

因此,在了解现状阶段,不要光想着罗列一大堆指标出来,而是思考下:到底选取谁进行对比,才能更好发现业务之间差异性,从而启发业务部门思考。

三、设定目标的方法

在设定目标阶段,很有可能业务部门想了解:

(1)如果不做任何改变,自然情况下业务会发展成啥样?

(2)如果增加/减少某项资源投入,业务会发展成啥样?

(3)如果改变一种业务做法,业务会发展成啥样?

此时就涉及到预测问题。预测自然发展趋势,一般会运用到时间序列法,根据数据走势的不同,有平滑法、自回归、季节性回归、带季节趋势的回归等方法可用。如果考虑改变资源投入,可以考虑带因果关系回归。因为投入产出之间一般都有函数关系,可以通过数据拟合投入产出曲线,从而模拟调整结果。

数据和经验_大数据优质经验_经验优秀

如果要改变业务做法,则要先看:业务是否有采取同类措施。如果已有同类做法,则可以参考同类做法的投入产出情况进行推算。如果连做都没做过,那就得先做测试,不然没数据就是空拍脑袋。

需要注意的是:设定目标很多时候要体现领导想法,数据本身只是参考。所以很有可能在做完自然情况预测后,业务部门就会开始拍脑袋了。此时可能不需要复杂的分析方法,而是利用数据指标体系,拆解KPI指标,之后根据领导们的要求增减相关,模拟可能的结果。

四、制定计划的方法

在制定计划阶段,很有可能业务想把一个大目标拆解下去,落实到具体执行工作中。此时可以使用OGSM方法,这是一套标准的把定性目标落实为定量目标,把定量目标拆解为执行步骤,再监控执行的方法(如下图)。

数据和经验_经验优秀_大数据优质经验

还有可能,业务想先不自己动手拆,而是看在现有投入产出水平下,理论最优解是什么。此时可以构建投入成本函数,利用本量利分析/线性规划方法,计算理论最优解,供业务参考(如下图)。

数据和经验_大数据优质经验_经验优秀

同目标设定一样,做计划的时候,很有可能业务完全凭经验,自己估摸一个数字就开干了。过于粗糙的计划,会导致:执行安排不合理、临时调来调去、缺少后备方案,这些都会导致执行过程的问题。

数据分析师如果能提前了解情况,就能在下一步监控走势的时候轻松很多。

五、监控走势的方法

在监控走势阶段,核心任务是:观察业务是否在预期内发展,是否有异常波动。因此需要数据分析方法,判断业务是否正常。

此时有周期性分析法、投入产出分析、结构分析法、分层分析法、矩阵分析法五种方法可用。

大数据优质经验_经验优秀_数据和经验

在监控走势的时候,这些常规方法,完全可以和监控指标做到一起,做成同一张监控数据看板,在观察到主指标异常以后,直接从总体到具体查看数据情况,看看是哪个部分出了问题,从而极大提高发现问题的效率。

六、问题诊断的方法

在诊断问题过程中,是否有业务假设是最关键的。

(1)如果业务啥都没有,那就只能构建分析逻辑树,层层排查问题

(2)如果业务有一个明确假设,可以直接做排除法,验证假设是否成立

(3)如果业务已经有应对方案,可以直接做实验,测试方案可行性

虽然一提起问题诊断,人们本能会想到:构建逻辑树。但构建完整的逻辑树太过费时费力,且很多假设需要收集外部数据检验,现实工作中不是时时刻刻都有这么充足的数据供应。因此诊断问题时,尽可能先找业务假设,快速输出结论。

大数据优质经验_数据和经验_经验优秀

验证业务假设的时候,是否做实验是最关键的区别:

(1)如果完全不能做实验,那么只能通过标杆分析(对比好/坏个体),过程诊断(分析业务过程中最拉胯的环节)来输出分析结论。

(2)如果能做实验,但不能做抽样测试,那么只能做改进前后对比分析。

(3)如果能做实验,且能做抽样测试,那么可以采用统计学方法,检验实验效果。

七、结果复盘的方法

如果前边5步做到位了,在结果复盘的时候就非常轻松:

(1)对比目标、实际差距,下判断:到底做得好不好

(2)调取过程监控数据,看执行过程中是否有问题

(3)调取问题诊断数据,看问题发生原因及处理的结果

这样综合各项结果的复盘是非常全面的,即包含了结果陈述,又包含了经验总结。

很多同学觉得复盘特别麻烦,是因为没有参与到全流程的工作中,活动结束了才被指派任务要复盘。此时一不了解目标,二不了解过程,自然得从头到尾梳理一遍才能出结果。如果碰上业务自己都没有设定清晰的目标,没有监控过程数据,那就更两眼一抹黑了。

专栏作家

接地气的陈老师,微信公众号:接地气的陈老师,人人都是产品经理专栏作家。资深咨询顾问,在互联网,金融,快消,零售,耐用,美容等15个行业有丰富数据相关经验。


本文由转载于互联网,如有侵权请联系删除!