一个分析框架,解决常见数据分析需求

挖数网精选
挖数网精选
挖数网精选
344
文章
0
评论
2020-09-2313:09:00 评论 26 2876字
摘要

业务人员提的数据分析需求往往很杂,各种千奇百怪的”是不是、有多少、为什么、能不能、会不会,怎么办”等问题层出不穷。到底哪些问题可以归为一类,又该如何分析,本文根据自己的经验和理解,整理了一套定义问题的方法,分享给大家。

一.现实与Kaggle的区别现实环境的数据分析工作和Kaggle题目之间,最大的区别在于kaggle上的问题往往非常清晰。预测类问题,你只需要把预测做的足够准确就能拿高分。但在实际的业务环境中,你做了一个很牛逼的预测模型,换回来的只是业务方一句"这个有什么用?"有时候业务方提出的问题也很不靠谱。提需求的时候说是要分析一个问题的原因,结果实际上问题根本就不存在,只是对方的感觉。所以如果你在Kaggle上可以混的风生水起,那么只能说你对于确定性问题的解题方法掌握比较好。但到了实际业务环境下,识别问题成了一个更重要的能力。业务人员提的数据分析需求往往很杂,各种千奇百怪的"是不是、有多少、为什么、能不能、会不会,怎么办"等问题层出不穷。到底哪些问题可以归为一类,这类问题又该如何分析,这是每个数据分析师都想知道的。我根据自己的经验和理解,整理了一套定义问题的方法,分享给大家。二.一个业务分析需求的必备要素有哪些?

一个分析框架,解决常见数据分析需求

这里简单复习一下,一般常见的分析流程:1.是什么用数据流反应管理流,解决"是什么"的问题。

  • 留存率是多少,算高算低?
  • 如果留存率低的话是哪类用户低?

我一般把常见的细分分析得出的结论,都归纳成"是什么"。"为什么购买转化率低?""因为落地页的转化率低"。类似这样的回答,其实只是对转化率做了细分,本质上还是"是什么"。真正的"为什么"是"为什么落地页的转化率低,用户到底在想什么,需求是什么?"2.为什么用数据流反应业务流,解决"为什么"的问题。

  • 什么原因造成一部分用户的留存率低?
  • 是因为需求无法满足?
  • 还是非目标用户群体?
  • 如果是落地页转化问题,那么现在落地页上的问题是什么?
  • 哪些元素降低了转化率?

这类问题的答案要落实到具体的用户需求上。有时候数据可以反应用户的实际使用情况。比如:用户在落地页上停留较长,也愿意查看活动规则,但是转化率很低。那么这种情况大概率是用户被卖点吸引,但是看不懂规则,或者实际活动与他的理解不一致。很多情况下,数据没法直接反应用户遇到的问题,必须通过用户调研实现。3.怎么办在管理流中找对策解决业务流的问题,解决"怎么办"的问题。

  • 如果是需求无法满足这部分用户,那么我们可以怎么解决这个问题?
  • 增加功能还是优化现有功能的体验?

有时候,这一步并不一定是数据分析师来做的,甚至不是从数据上推导的。上一步的"为什么"如果已经找到非常具体的原因。比如:"A类用户流失主要是由于会员到期",那业务方围绕着如何促进续费就能改善这一状况。4.目的除了分析的常见流程,还有一个分析的前提:这次分析的目的是什么。这个目的往往是改善某一个具体的指标。我虽然经常吐槽业务人员没有数据驱动业务的思维,但是在KPI问题上,业务人员对数据思维往往非常好。如果做的事情没办法用数据衡量,对业务人员来说价值不大。总结:一般来说,一个数据分析需求一共要经过四个阶段:

  • 目的:确定分析的目的,优化什么指标。
  • 是什么:确认现在的指标情况"是什么",问题集中在哪个部分?
  • 为什么:现状为什么是这样,用户的需求是什么?
  • 怎么办:制定什么样的对策来优化指标。

三.常规的数据分析问题类型

最常规的问题类型,是业务方知道前面N个环节,需要分析后面的环节。

一个分析框架,解决常见数据分析需求

最常规的,只知道目的,后续都需要分析。比如:用户运营找到数据分析师,想要做一个专题分析,主题是如何提升用户的活跃率。这个问题的目的很明确是"提升用户活跃率"。但是后面的部分就没那么清楚了,数据分析师可以按照之前提到的四个步骤一步一步地向后推进。首先要做的是"是什么",把现有的用户活跃率的数据提取出来,看一下目前的数据表现如何。如果数据表现确实不太理想,那么再看看到底是整体都低,还是有部分群体特别低。之后是"为什么"的阶段。如果有部分群体活跃率特别低,那么这部分用户为什么活跃率低?他们的需求是什么?最后,针对新用户的问题,制定对应的业务动作。如果发现这部分群体只使用一些基础功能,那么如何引导他们使用高级的功能?这样一个完整的分析基本就完成了。其中的具体分析细节本篇暂时不讨论,这篇主要讲一下整个分析思路的框架。这类问题是知道前面N个环节,分析过程都是类似的,向后分析即可。四.验证猜想型需求

其他的数据分析问题,可以用一个表来归纳,如下:

一个分析框架,解决常见数据分析需求

大体分为两类,一类是有目标的,一类是没目标的。

  • 有目标的,一般是验证猜想

1.知道"目的"和"为什么"比如:业务方想提升新功能的使用率,提出一个猜想。新上的功能对于新用户来说理解成本比较高,想做一些优化。但这只是一个猜想,甚至连问题本身是否存在都不确定。这类问题需要把缺失的"是什么"补上:

  • 是什么:用数据证明新用户现有的使用率怎么样,如果新用户使用率已经较高,那么这个猜想的基础就不存在了。如果新用户使用率确实比较低,那么再验证新功能是不是理解成本太高。
  • 怎么办:验证了猜想,再思考怎么办。

2.知道"目的"和"怎么办"比如:业务方想要提升用户数量,然后看到拼多多的微信裂变拉新搞的很成功,我们拉新是不是也可以微信裂变提升新用户数呢?需要做的步骤:

  • "是什么":看一下目前的新用户数。也许现在的新用户数已经还不错了,那是不是还有必要花人力去优化拉新环节?
  • "为什么":如果现在的用户数上不去,为什么整体用户数上不去?如果因为新用户的留存和转化很差,新用户没几个能留下来,那么工作的重点应该是提升留存,而不是拉新。
  • 得出结论:不应该采用裂变拉新,原因是我们的业务场景和拼多多不同,我们现在无法承接新用户的转化,需要优化产品体验后再做会更好。

五.无目标的需求没目标的,这类就比较坑了。只知道"为什么"这种问题往往是有一些客户的反馈,比如用户反馈一个常用的功能经常找不到入口在哪。这个反馈比数据分析的结论要准确多了,数据分析最多知道一类人的使用特点是什么,基本不可能知道用户到底在想什么。产品经理拿到这种反馈,需求背景写起来都理直气壮了,这可是客户的的真实需求。 分析这种问题,首先得确定目标。

  • 如果优化这个功能的入口,到底要优化哪个指标?
  • 是做用户留存率,还是功能转化率?
  • 如果是为了优化用户留存率,那现在留存率是多少?
  • 这个反馈的用户的留存情况怎么样?
  • 会不会这个用户是一个重度用户,留存情况非常好?

而常用这类功能的用户都是重度用户,优不优化这群用户都会留下来。那这种反馈优先级肯定比较低。而如果目标是提高功能转化率,那么看一下目前这个功能的点击率,看一下是普遍问题还是这个用户的个别问题。之后再按顺序继续分析即可。还有一类没目标的需求更坑。业务方看到竞品在搞降价促销活动,于是提示"我们是不是也可以搞一个降价促销?"这类需求根本没考虑清楚搞一个这样的活动目的是什么。是提升销量吗?也许竞品搞这个活动的目的是清库存,降低库存成本。而你根本没有库存压力,直接照抄最后库存也没清掉,销售额提升也不明显。六.总结

日常的分析需求一般不会超过上述这个分析框架,拿到分析需求的时候思考一下这个需求目前拥有的要素,然后从左到右推导,可以快速组织分析思路。

END.作者:Jason来源:三元方差本文已和作者授权,如需转载请与作者联系

  • 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: