数据分析到底应该怎么做?

L-Dragon
L-Dragon
L-Dragon
7
文章
0
评论
2021-09-0909:29:50 评论 22 3562字
摘要

作为数据分析师,了解业务是必然要求,随后数据分析师才可以更好地发现、分析问题,进而给出问题解决方案。那么,懂业务了之后,数据分析师又应当如何做好数据分析?本篇文章里,作者结合自身思考,发表了他对数据分析的看法,一起来看一下。

"SQL Boy/Girl、表哥/表姐、提数机器、报表maker、无脑调包侠?所以,你真的是个数据分析师么?"

虽然已经入坑数据分析几年的时间了,也经历了不少的业务,摸过不少的数据,做过不少的报表和报告,但是时不时地还是会怀疑:我做的真的是数据分析么?

为什么会怀疑?因为到现在为止也没有人可以对数据分析的工作内容和方向有个清晰的定义,产品和运营的同学眼中的数据分析就是没的感情的提数机器,老板们眼中的数据分析师是数据+UI的报表maker,圈外人眼中的数据分析师……就是用大数据算命的吧?

因为没有方向和期待,所以才会出现数据分析师野蛮生长的情况,也至于摸索了好几年,可能才发现,数据分析大抵应该是:从业务中发现问题,用对业务的理解和逻辑思维分析问题,找到问题的症结所在或者发展态势,给出可行性的方案,然后协调各方的资源推动落地。

从业务中来,回到业务中去,才能真的make a difference!

一、业务究竟是什么?

谁都知道数据分析师要懂业务,可业务究竟是个啥?从来都是只闻其名,不得其精髓,以至于很多人就迷失在了第一步。业务虽然很复杂,但从数据分析的角度上来讲,只需要关注以下几个方面。

1. 商业模式

所谓的商业模式,无非就提供什么样的产品服务,然后以何种方式赚钱。

互联网行业区别于其他传统企业,传统行业靠的是销售产品获利,互联网企业的特点往往是:羊毛出在狗身上,猪来买单。通过什么样的服务进行引流?又通过什么样的服务黏住用户?然后提供什么样的服务进行转化付费以及复购?

2. 产品

我们提供什么类型的产品?面向的是什么样的用户?解决用户什么样的痛点需求?产品的主要流程是什么样的?产品处于何种生命周期?是在验证功能?还是在快速拓展市场?抑或是已经进入成熟期,要拓展新的领域或者做好用户迁移了?

3. 运营

对于产品的运营策略是什么?有哪些运营的策略和方法?线上线下如何推广转化?如何做好用户的精细化运营,把钱用到刀刃上?

4. 渠道

通过哪些渠道触达到产品的目标人群,各渠道的用户质量如何?投入产出ROI如何?

5. 销售

销售方式往往取决于商业模式,如果是2B/2G,一般来说需要做好关键决策人的运营,同时做好商务关系或者代理商建设,如果是2C,线上线下如何配合?

6. 竞品

关注自身产品的同时,更要了解细分领域竞品的情况。同一赛道的竞品有哪些?共性的产品功能和服务是什么?我们的优势和劣势各是什么?未来有没有机会可以突围?

数据分析到底应该怎么做?

二、懂业务了怎么搞数据分析?

已经把这么复杂的业务理了一遍,接到一个数据分析的需求,又该如何下手呢?比如,通过数据发现今日头条APP的"低龄用户"的留存率很低,让你分析一下原因,怎么做?

第一步,是不是应该把今日头条APP的用户使用流程梳理一遍,看看用户究竟留存率低是在哪个环节流失了,梳理后主要应该有以下几个关键流程:

数据分析到底应该怎么做?

然后,我们就要对"低龄人群"的留存率低的原因进行假设,进行了如下3种假设,这3种假设就来源于对业务的理解。如果理解得更加深入,可能会找到更直接的第4个假设。

数据分析到底应该怎么做?

接下来就是对3个假设收集数据,逐个验证,过程并不复杂,就是简单的演绎推理过程。

然而实际业务中,最复杂耗时的是基于业务的理解提出合理的假设,业务理解得越深入,假设就越接近问题本质,验证就越简单直接。

三、数据分析的常见误区

90%的人做的都是"假"的数据分析。数据分析是源自于业务需求,最终回归到业务中。所以整个闭环至少包括:明确业务问题/需求、明确分析目的、梳理分析思路和框架、梳理业务流程、数据采集与处理、数据分析过程、结论及意见反馈落地。

每一步都至关重要,而在每一步都会有很多容易陷入的误区。

1. 误区1:技术至上

有些人在进行数据分析时持有一种固执的观念,追求所谓的尖端的、高级的、显示自己技术水准的分析技术,认为分析技术越高级越好,越尖端越厉害。明明有现成的、简单的、又非常适用的方案不采用,而把时间用在对数据算法追求上。

追求技术的进步和发展本身没有错,但不能一味强调高级方法。节约时间、节省资源,拿出高性价比的解决方案才是企业需要的工作态度,所以不论是高级的方法还是低级方法,只要能解决问题,就是好方法。

2. 误区2:业务面狭窄

前面已经说过,数据分析需要全面了解业务。

这个全面体现在数据分析不仅要关注技术层面,还要对市场、营销和管理领域的知识十分了解,只有这样储备下做出的数据分析才不会和业务环节出现脱节。有的分析报告内容看上去非常漂亮、专业、复杂,但是让老板看起来非常吃力,缺少的是业务逻辑,很难指导业务实践。

3. 误区3:分析目的不明确

面对茫茫数据,我们常常会觉得好像身处大海之中,盲无方向,不知所措,用什么分析方法,做什么图表,需要哪些数据,写什么形式的报告往往使我们百般纠结。

对于一个项目而言,首先要根据业务方的需求,明确为什么要做数据分析,要解决什么问题,也就是分析的目的。然后针对分析目的,搭建分析框架,选择分析方法和具体分析指标,以及明确抽取哪些数据,用到哪些图表等分析思路,只有对分析目的有清晰的认识,才会避开为分析而分析的误区,分析的结果和过程就越有价值。

4. 误区4:分析思路混乱

明确了数据分析的目的,就要紧紧围绕这个目的展开。

这个展开就是数据分析的思路和框架。如何把分析目的逐层拆解为子问题,如何把拆解后的子问题转化为数据指标,数据指标又会受到哪些维度的影响,如何表征影响的程度和趋势,如何找到问题的关键因素。

这个过程就是业务到数据的过程,尽量大胆地列举出所有可能的假设,然后把假设转化为数据指标和维度进行小心求证。

切忌拿到需求就立马着手分析,所谓数据未动,思路先行。在没有理清思路之前千万不要分析数据,否则百分百是要重新分来过的。把思路梳理清楚了,数据分析已经完成了一大半,而且整个问题的逻辑也会清晰很多。

5. 误区5:分析方法缺失

这个就是具体的实现层面了,思维纵然清晰了,但是在具体分析的过程中,分析方法不当也难以得出准确的结论。

1)只关注单一环节,没有全流程意识

比如发现这期活动用户报名明显降低了,不仅要关注用户在报名各环节的流失情况,还要关注更前置的环节,包括各渠道推广投入,各文案资源的点击转化等都需要考虑。

2)只关注单一指标,不去做关联分析

只看单一指标,只做简单归因,找到了一个指标就认为是影响问题的所有因素,由此推论问题原因。

这里往往忽略了很多问题并非只有单个因素,且多个因素和问题之间并非是因果关系,只是一种相关关系,我们要做的就是找到更多更相关的因素进行近似的"归因"。

3)只关注分析本身,没有结合业务动作

举个常见的例子,需要用RFM模型对用户进行高/中/低价值分层,那消费金额M的阈值如何取?自己拍脑袋?为何不结合业务动作进行设定呢?分层的目的不就是为了针对性的制定动作么?如果业务准备对高/中/低价值用户分别发放5000/3000/1000的优惠券,那阈值是不是就出来了?

4)只去做表面分析,不解决具体问题

报表做了一堆,没有抓住应该重点关注的业务指标;发现异常指标,没有结合数据分析去采取有效措施;复盘罗列数据,没有总结出有助于业务发展的结论。这些都是"形式主义"式的数据分析,看似没有问题,实际没有任何指导意义。

四、数据分析师的进阶之路

数据分析高手和新手最大的区别在于:高手能通过数据分析,找到工作的关键节点,思考怎样达成每个节点,并用数据证明能不能走得通。新手容易陷入"毛线团式"的工作状态,绕了一圈又一圈才完成任务。

想成为这样的高手,拿到比数据小白高几倍的工资,至少需要经历以下3个能力阶段。

1. 能力阶段一:用数据分析解决业务问题

很多运营在遇到业务困难时,要么早早放弃,要么主观臆测,找不到问题的要害。这时候如果你能学会用数据严谨地分析和解决问题,相信老板一定会对你刮目相看。

2. 能力阶段二:用数据分析达成项目目标

你需要将数据分析思维贯穿整个项目,让你更好地掌控项目,最终帮助你达成目标。其中有一项非常关键的能力,即数据拆解能力。

然而,很多同学在做指标拆解时,都只会简单粗暴地"做加法"。销售量=渠道A+渠道B+渠道C。渠道运营小伙伴很容易找一堆互推渠道,但最后这些渠道能成交多少,是不可控制的。

真正的数据分析高手应该懂得在高度的不确定性当中,去寻找确定性。我建议采用的是"乘法逻辑":销售量=曝光量 x 转化率。

3. 能力阶段三:用数据分析驱动业务增长

到了这个阶段,数据分析就不仅仅是用来发现问题,或者仅仅只能用于某个活动或项目,而是可以持续指导业务增长。希望我们都能够不断打怪升级,道路虽长,但我们一直都在进步。

 

End.

作者:大数据分析与运营星球 

本文为转载分享,如果涉及作品、版权和其他问题,请联系我们第一时间删除(微信号:lovedata0520)

更多文章前往首页浏览http://www.itongji.cn/

  • 我的微信公众号
  • 微信扫一扫
  • weinxin
  • 我的微信公众号
  • 微信扫一扫
  • weinxin
匿名

发表评论

匿名网友 填写信息

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: