数据分析体系是什么?该怎么搭建?

4 评论 16080 浏览 160 收藏 15 分钟

有同学问:经常听到“搭建运营分析体系、搭建业绩监控体系、搭建商品分析体系”等等要求。可到底数据分析体系是什么?似乎经常看到的,只有AARRR五个字母,又语焉不详。到底怎样才算是建了个体系?

今天我们系统解答一下,搭建数据分析体系,是从初级数据分析向高级发展的必备一环,留心看哦。

搭建数据分析体系的常见错误

(1)罗列指标,没有重点

很多文章一讲数据分析体系,就铺陈了大量指标。先看哪个,后看哪个,根本没说明。光把几百个指标理解一遍都要半天,业务啥也不用干了,每天就在这瞅数好了。

(2)陷入细节,没有目标

很多同学习惯性列了指标,就开始按时间、渠道、区域、用户等级拆分,拆来拆去,标出一堆涨了跌了。问题是没个具体标准。每天纠结:1%的变化到底是不是问题?百分之几是问题?

(3)不分职责,贪大求全

很多文章一列标题就是《电商指标体系》《运营指标体系》甚至是《互联网指标体系》,可实际上像BATT,一个公司十几个BU几十条业务线,都看一套指标?单纯运营就分:用户、产品、数据、新媒体、社群、活动、商品、渠道……几十种运营,也看一套指标?这些大而全的总结,总是看似有理,实际不好用。

最终导致的恶果,就是:自嗨型数据报表。看似罗列几百指标,拆分数十维度,每天更新累的夯吃夯吃,可以看报表打开率:不到10%。运营、产品、销售们遇到问题,还是提临时取数单,每天光跑临时取数就跑到断手指……

什么是数据分析体系

如字面意思,数据分析体系包含两点:

  • 数据分析:意味着不能光罗列数据,而是要对数据做解读,解释数据背后的业务含义,找到对业务有用的点。
  • 体系:意味着不能毫无逻辑的铺陈数据,而是有节奏、有主次、有顺序的展现数据。这样才能更有效率的支持业务,而不是埋没在无穷无尽的码sql里,也能更好地积累分析经验。

把数据报表、专题报表串起来,有层次展现,应用到业务中的,才是真数据分析体系。

搭建数据分析体系的基本思路

数据分析本质是为业务服务的,尽可能多帮助业务工作,少浪费业务时间,才是服务宗旨。所以,在搭建数据分析体系时,要先问自己:

  1. 我在为谁们服务?
  2. 他们中每一位,有什么工作职责?
  3. 提供什么样数据,能更好帮助他们工作?
  4. 在什么时间提供帮助,能更少干扰他们?

这就是搭建数据分析体系的基本思路。

第一步:认准服务对象

企业有部门分工,因此第一步要认准:我在为哪个部门服务

这非常关键!因为即使同一个问题,不同的部门的关注点会不同。同样是销售问题,如果是销售部看,关注的是每一支销售队伍完成率、进度、质量。如果是供应链看,那关注的就是总量、各产品数量、需求高峰期。如果是风控看,那关注的就是回款、坏账、套利。认清部门,有利于了解真正需求点。

其次,部门内有职级高低,要具体区分:谁需要看报表,他的责任与关注点是什么

同样是销售,部门领导关注的是下属队伍的排兵布阵,重点在什么区域,主打什么产品。每一个销售人员,关注的是要跟进哪个客人、跟进哪一步、见人说什么。一般来说,越是管理层就越关注策略问题,越是基层就越关注执行问题。

即使有些看起来一个人也能办的事,在企业里也有分工合作。比如公众号发文章,似乎一个人就能写,可在企业场景里,人家有专业的名字叫:新媒体运营。也有细致的工作分工。

数据分析体系是什么?该怎么搭建?

第二步:明确工作目标

清晰了人以后,要认清每个人的工作目标。量化目标,是数据分析的灵魂。后续评价工作的好坏,判断业务走势正常还是异常,探索解决问题的办法,都是从计算目标和现状的差距开始的。这一点非常非常重要。很多做数据的同学陷入细节,做的报表看不出所以然,都是因为压根不知道到底数值是几才算好导致的。

业务目标并不都是“1个亿小目标”这种简单粗暴的形式。细分之下,可以有多种类型,比如常见的:

  1. 按达成时间分:年、季度、月;
  2. 按委任形式分:长期任务/临时任务;
  3. 按服务对象分:自身/其他部门;
  4. 按服务对象分:领导/组长/员工;
  5. 按流程位置分:结果型目标/过程型目标。

继续拿新媒体运营举例,一个小组,可能同时背着多个目标:

数据分析体系是什么?该怎么搭建?

注意:不同目标之前有逻辑关系。比如年度的涨粉任务,可能由促销活动涨粉、裂变涨粉、爆款文案涨粉、自然增长多种形式组成,一个大目标对应多个小目标。把各种目标按大小归属、时间顺序梳理清楚,就有了分析体系的基础框架。后续,我们可以跟着这个框架来跟踪目标完成情况,诊断运营效果,这就推进到了下一步。

第三步:跟踪业务走势

有了清晰的责任人、目标,就可以跟踪业务走势。在跟踪的时候,首先关注的是:目标达成情况。对于目标达成率监督,涉及到后续一系列行动判断,遇事先判断轻重缓急,再看细节(如下图)。

数据分析体系是什么?该怎么搭建?

需要注意:不同等级的人,关注重点不同。还拿新媒体举例子,具体负责内容的小哥,可能要对每一篇稿子负责;负责投放的小哥,要对每一次投放效果负责;单次执行不好,就得进行复盘,总结问题。但作为运营组的组长,可能更关注整体KPI达成情况,一篇文章不行,只要从其他文章能补回来就行。

很多基于传统企业场景的数据分析体系,写到这就结束了。请注意,做到这一步只能算完成了“数据监督体系”的建设。因为仅仅看目标数量和完成率,是知其然、不知其所以然的状态。

我们并不能回答:为什么做的不好?该改善什么?这种问题。想要回答的更细,就得深入的业务过程中,了解具体行动。(传统企业停在这里,更多是传统的门店、业务员销售模式缺少数据记录,不代表不想深入做)。

第四步:了解业务行动

想要改善一个业务,就必须了解这个业务。大部分的业务比我们想象的要复杂。比如新媒体运营,不做的同学可能想当然的认为:不就是写个文章吗?我看阅读数、转发数这些数据不就好了……可实际上,细看之下,一篇文章可能有很多业务细节(如下图):

数据分析体系是什么?该怎么搭建?

了解业务行动,分解业务细节,是为了:找到数据可以帮助的点。数据不是万能的,比如一个新媒体小哥写文章,数据不能只告诉他怎么写。但是具体到业务细节,数据可以提供很多参考,如下图所示:

数据分析体系是什么?该怎么搭建?

这一步,是提升数据分析质量的关键。拆解业务行动,找到数据的帮助点,我们就能在跟踪进度的时候,进一步分析问题,这就推动到了一下步。

第五步:复盘行动结果

对业务行动细节很了解,就能复盘行动结果,总结经验。数据的优势,不是直接生产出超人的创意,而是事后总结出普遍的经验。优秀的业务能力永远是稀缺资源,是不可复制的。但通过数据分析复盘,可以把明显的作死行为总结出来,避免普通人犯错。

就像写文案,指望每个创作者都成为半佛仙人这种圣手是不可能的,但是能总结出:

  1. 时政类话题热点转化率低于情感类50%,不用来做转化。
  2. 周四、周六推送阅读低于其他时间40%,不做推送
  3. 链接跳转超过3步,转化率下降30%,控制篇幅
  4. ……

有分析结论,就已经能帮助运营规避大量坑点。即使偶尔采坑失败,也败的明白:“没办法了,必须这个点发文,亏一点阅读就亏一点”。做业务从来不怕失败,怕的是败的不明不白。如果能长期积累,业务方经验越来越丰富,遇到问题的思路也越来越清晰了,就真正发挥了数据的作用。但是,问题不是一成不变的,因此数据分析体系也要不断迭代升级。

数据分析体系迭代升级

牢记这个标准:坚守目标,迭代方法,积累经验。这是数据分析体系建设的基本方法,底线,也是最高要求。在这个原则下,数据分析体系迭代升级路线如下图所示:

数据分析体系是什么?该怎么搭建?

  1. 设定目标后,分月、周、日报表,跟踪目标完成率。
  2. 在目标达成出现问题时,先判定轻重缓急,再看细节。
  3. 针对重点问题,提供临时性支持,探索原因,解决问题。
  4. 根据经验指导后续工作,沉淀有效方法,指导以后目标制定。

这样的体系运作,业务部门也很轻松:平时只要看几个核心KPI达成率即可,平安无事就不用担心,趋势向坏的时候能及时收到预警。想要思路,也能有足够素材用,使用体验非常爽。而数据分析师本身,固定KPI、业务支持做成数据产品,个案分析做专题。产品和专题做多了,也好体现个人成绩。总比无休无止写sql,写了也不知道干啥去了强的多。

小结

建设数据分析体系,本质是个:从业务中来,到业务中去的事。需要大家多在内部花心思。然而,很多新手太过纠结理论、方法、模型,忽视、无视、轻视业务。觉得别人的工作没技术含量“不就是发个文章”“不就是忽悠客户”,只有自己的算法才是真牛逼无双。

遇到问题,不会细致的和业务沟通,只会上各个数据分析微信群问:“有没有XX指标体系啊,最好是权威、标准、BAT认定版的”。这就南辕北辙了,最后只会换来一句:你这不符合我们公司情况啊。

好的数据分析师,要像眼科医生一样。配眼镜可能有很多专业的方法,有很多专业的工具,可在配的过程中,却医生纠结的不是自己的理论,而是关注用户看的清不清楚,不断问用户“这样可以吗?这样更清楚吗?再这样试试呢?”用专业的方法服务个性化需求,这才是专业的人干的事。与大家共勉。

 

作者:接地气的陈老师,微信公众号:接地气学堂。十年资历的数据分析师,拥有多个行业的CRM经验。

本文由 @接地气的陈老师 原创发布于人人都是产品经理。未经许可,禁止转载

题图来自Unsplash,基于CC0协议

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 鬼才

    来自四川 回复
  2. 思路特别好!

    来自北京 回复
  3. 给了很多思路,以后继续向您学习啦

    来自河北 回复
  4. 虽然不是做数据分析师,但还是学到了不少

    来自浙江 回复