数据分析指标篇——指标解读

指标解读，大家第一感觉就是对于指标的数据进行波动汇报，认为不需要训练能直接上手，并且在短期之内还感觉解读的不错。但是长远下来会进入到一些误区当中，这里列举三种误区。

第一种是会发现自己解读的数据，跟让听众自己去看数据效果差不多，解读的内容带不来听众任何惊喜感。其本质原因是，解读的方式，是"观察式解读"，缺少对于指标背后业务本质的理解。

第二种是没有弄清楚相关关系和因果关系，这种解读极易引发大家的逻辑争议，甚至会引导出错误的决策判断，属于数据分析里面所谓的dangerous areas。

第三种是指标解读的节奏，抓不住重点。往往全盘解读，有点低效，个别解读，又害怕漏了重点。

以下我们便针对这三个数据解读的误区进行详细的说明。

所谓观察式解读，是指只从指标的表面信息去分析指标的情况和定位指标的问题，看起来很合理，也很高效，但是其实并没有get到指标背后真实的情况，这种解读方式，是数据分析中最常见的数据分析误区。以下讲述一个模拟的案例来帮助大家走出这个误区。

单均运费，跟单量占比有关，也跟报价有关。读到这里，大家可以先尝试解读一下试试。

我猜测，有不少的人会有如下的解读解读：

这种解读很常见，就是标准的"观察式解读"，一般数据分析新手很容易陷入到这种解读习惯中。这种解读有如下几个问题：

• 中通单量上涨或者顺丰单量下降的原因没有说清楚；

• 京东单量上涨和打折其实是一个原因，因为系统会基于报价情况来选择更低价格的配送商；

• 几个原因之间的影响没有量化；

• 是否存在数据外的影响因素没有评估。

这种解读方式，也是听众，特别是业务方高层更愿意听到的信息，以及基于这些信息，可以做进一步的决策升级等。

简单的总结一下，非"观察式解读"的要点：

• 先说明指标现象

• 研究透指标变化的【本质】原因

• 原因的影响进行量化

• 其他影响的说明

到这个层面之后，可以再加上针对这个指标未来的规划，那么就很完整了。

我们在解读数据时，往往需要理清楚事情背后的真实原因，我们需要的是指标现象和原因之间的"因果关系"，但是太容易出现解读出的"原因"是"相关关系"了。

相信很多人都能看出这些解读，其实很多都是指标之间的相关性影响，并没有给出背后的本质原因。其实当我们真的花时间多琢磨一下，这些背后的原因其实都是不难被挖出来的。那么如何能够避免出现这种情况呢？我觉得主要在于解读习惯。

这里我分享一下我是如何避免陷入这个坑的：解读时，不断问自己为什么？问到不能再问的时候，就是最终的答案了。

当然有的人还会问，为什么要上这个活动？嗯嗯，这个就问业务方好了，可能这个问题，听众比我们分析人员更清楚~

这一部分，我们需要重点解决一个问题：在什么时候，解决什么指标？

当只负责单一指标的时候，日常观察指标的波动就好了。我们可以定义一个预警条件，比如说收入波动超过10%就需要去解读分析一下，或者达成率不足99%的时候去分析原因。或者距离目标值完成的很好，或者很不好的时候，可以去复盘一下原因。

但是当面对一个指标体系的时候，我们什么时候去关注什么指标呢？核心的思路，分两步：

①对业务节奏分段；②不同的时期，业务操作层面更关注什么？

业务分段，可以先分为【日常】和【活动】两部分，然后看日常需要关注什么，活动需要关注什么。以及日常和活动里面，寻找一些周期性的规律。以严选来讲，其实业务操作具有很强的周期性，就是围绕几个大促(618，双11，双12)，进行平销期和大促期的切换，以及大促期，又分为促前、促中、促后，不同的阶段，哪些指标更重要，就很清晰了。

除了大促，日常也可以有规律的、阶段性的去解读一些核心指标，比如库存情况，成本情况，客诉情况，等等。当然，如果遇到很重要的指标，需要做突破或者深入的分析，可以启动指标的专项分析，这个后续再介绍。

指标解读是做好数据分析的第一步。同样的指标数据，在不同的人眼里，会呈现完成不一样的意义和价值。我们传颂啤酒与尿布的故事，谷歌基于关键词预测流感的故事，这些事情的基础就是深入理解指标。

如何能做到更高效的吸收数据知识，这个需要不断的训练和沉淀方法。希望人人都是分析师，这个时代下数据量级爆发的同时，数据价值也能爆发。祝好~

End.

作者：九饼

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）

更多文章前往爱数据社区网站首页浏览http://www.itongji.cn/