数据分析之道:抽丝剥茧,存乎一心

0 评论 8136 浏览 31 收藏 34 分钟

编辑导读:在大数据和5G技术逐渐成为趋势的时代背景下,我们几乎每天参与到各种各样涉及到数据的场合,如社交网络、消费信息、旅游记录等等。我们几乎每天都会与各种各样的数据打交道,如企业层面的销售数据、运营数据、产品数据、活动数据等等。本文作者围绕数据分析发表了自己的看法,与你分享。

这将是一个以“数据”说话的时代,更是一个依靠“数据”竞争的时代!麦肯锡公司称:“数据,已经渗透到当今每一个行业和业务职能领域,成为重要的生产因素。”并且,在世界500强企业中,有90%以上都建立了专门的数据分析部门。由此可见,数据分析的重要性以及未来趋势。

那么,数据分析究竟是什么?需要掌握哪些技能?如何进行数据分析?

我今天要分享的主题是:数据分析之道,抽丝剥茧与存乎一心,也就是我对于数据分析本身的实践与总结。

01 解构数据分析

我们字面拆解:数据 + 分析,数据是基础,分析是主导。可见,数据并不意味着价值,分析和决策才能创造价值!

而数据分析:思维方式大于实践方法思维方式:业务目标及调研+思维逻辑+创新想法+可行建议

实践方法:数据汇总统计+工具使用+可视化

数据分析对一个企业有巨大价值,则是对企业“数据”进行全方位的分析,两者相辅相成才能实现企业决策价值最大化。

所以,我们做好数据分析,要对数据分析的价值有清楚的定位,不能沦为单纯的 “取数”、“做表”、“写报告”,数据分析应该是对业务有实际的指导意义,并结合业务痛点去发现问题从而解决问题的工具。

1. 灵魂三问

数据分析的灵魂三问,这就是我今天讲的主要内容:数据分析是个什么东西?他到底解决什么问题?

数据分析如何学习技能知识?需要掌握什么样的能力?

数据分析如何进行?有什么方法论?

一谈到数据分析,我们就会联想到这些问题。

然而,我接触数据分析的契机,是从刚开始工作是接触的数据处理和市场调研,再之后商家代运营,产品数据运营等,这些工作中都涉及数据分析,到现在和朋友一起创建小飞象数据分析社群。

其实,我理解的数据分析不是从什么高大上的角度出发,它绕不开是什么、是多少、为什么、会怎样、又如何这几个问题。

说明白点:

  • 是什么(树立数据标准)
  • 是多少(数据描述状况)
  • 为什么(探索问题原因)
  • 会怎样(预测业务走势)
  • 又如何(综合判断状况)

其核心就是分析数据(结合统计学等知识),找到规律(比如异动),给出结论和建议,进而能够辅助决策。

那么,接下来我们来看一下数据分析在工作中几种常见的应用场景,切身体会一下:

  • 活动上线前,需要做A/B测试,通过数据反馈结果,验证活动是否符合预期;活动上线后,还要分析实时数据,调整推广节奏和推广动作。
  • 设计产品时,需要用数据来分析用户行为,挖掘用户需求;产品诞生后,还要用数据监测用户行为、测试产品功能,促进产品迭代。
  • 推广拉新时,需要对每个引流渠道进行质量评价;我们要收集每个渠道的投入,用数据分析来分辨渠道资源的效果,对比各大渠道对业务的影响,从中找出最优渠道。
  • ······

以上就是工作中遇到的数据分析应用的场景,然而,我在曾经公司里面亲眼看到,日常工作涉及到决策的时候,会常常出现如下场景:

场景一:“我觉得”、“应该”这样的词汇,谁也说服不了谁,一点点小事都要老板去拍板;

场景二:活动效果没出来,做汇报时,遭遇灵魂式追问:

  • “上线的新功能效果如何?”
  • “接下来打算怎么优化”
  • “最近数据波动的原因是什么?”
  • ······

有以上这样的场景,其根本原因在于缺乏数据思维思考逻辑,对业务的思维只停留在浅层的对比,甚至会出现“拍脑袋决定”的情况。

所以,在工作生活中,我们应该不断培养数据思维的习惯。举几个习惯:

  • 若看到一个广告,尝试去分析广告的受众群数量大小,渠道数量、成本和效果回收的情况。
  • 若看到一个活动,想办法去拆解出它的目的、针对人群、预期活动目标、投入成本、奖品爆率模型等信息。
  • 若看到一个产品,在使用完毕之后去分析他的商业模式、面对的用户群体、群体的使用场景,以及可能设置的付费点并去验证,同时想到可改进的价值点,并观察后续运营动作是否验证了改进点。
  • 若看到一组客服回访数据,能想到线索来源,通话总次数,通话有效次数&时长,线索意向级别,销售司龄,套餐类型,来判断这组客户的意向度,以及跟进程度,成单周期。
  • 若看到一列数据,我们应该可以清楚的指出数据是否有波动,这种波动是否正常,可能由哪些原因带来了这些波动,相关的原因是否有数据呈现。
  • 若看到一篇关于运营效果的报告,我们应该试图去分析它的内生逻辑是否足够支撑报告的结论,在哪些点上可能没有详尽调查。
  • ·······

以上是我们可以在生活中培养数据思维的习惯思考场景,当然,在实际工作中的前提是,我们要熟悉自己的业务流程以及业务指标等,我们在培养数据思维的同时数据敏感度会不断提升。

2. 数据的特性

数据是客观事物发生留下的客观事实,发展变动的数字化记录。随着科学技术的发展,数据的概念内涵越来越广泛包括数值,文本,声音,图像,视频等。

而新增用户、留存、用户活跃、转化、收入、用户规模等,通过数据量化,我们才能精准感知业务指标。所以,数据是用来描述业务指标的,是被量化的业务指标。但数据的本质还是数值,只是属于最后结果的一种表现形式,要想改变结果,只能去寻找因,从因上做改变,才能引起结果的改变。

而数据的特性有:

1)统一性

统计口径一致、计算逻辑一致、数据管理流程一致……

2)安全性

就是除了统一性之外,还有安全性的问题。数据会不会泄露?不同数据牵涉的敏感点有哪些?

3)时效性

很大程度上制约着决策的客观效果。有些数据随着时间的推移,价值会越来越小。

4)准确性

大家都知道,数据正确与否的重要性。错误的数据,可能会导致失败的决策;当出现问题时,到底是后台系统的统计,还是指标统计逻辑有问题。

3. 分析的本质

分析的思维过程是:

  • 发生了什么?——追溯过去,了解真相。
  • 为什么发生?——洞察事务发生的本质,寻找根源。
  • 未来可能发生什么?——掌握事物发展的规律,预测未来。
  • 我们该怎么做?——基于已经知道的“发生了什么”、“为什么会发生”以及“未来可能发生什么”的分析,帮助和确定可以采取的措施。

分析本质即面临各种问题时,对于企业而言,让业务更加清晰,让决策更加高效。对于个人而言,认清现状,让自己的决定更加有利。

这些东西说起来都是高大上的,简单来说,能通过数据找到问题,准确地定位问题,准确地找到问题产生的原因,为下一步的改进,找到机会点,也就是所谓的:数据驱动。

4. 数据分析需要怎样的能力

1)通关心态

当你决定进入数据分析行业的第一天,你就要对标行业中的90分高手、100分高手。具备通关的心态,3年,也就是6个6个月。每6个月左右,至少要突破1个关卡。

如此,6个6个月过后,你往往能突破到第6关、第7关。

如果是你天赋极强的人,或者你的运气很好,你极可能就成为顶尖专家了。

那么,我们来看一下“德雷福斯模型”,把打怪升级的成长过程分为五级。

  1. 第一级是新手(10-20分)。新手能记住抽象的规则,然后按照规则行事。
  2. 第二级是先进的初学者(30-40分)。先进的初学者不但能按规则行事,而且能够根据以往的经验,面对不同的局面能采取不同的行动。新手只会规则告诉他的那几招,而先进的初学者除了规则还有经验,他可以在一定程度上,对不同环境随机应变。
  3. 第三级是胜任(50-60分)。胜任者面对几个事情,能够分出优先级。也就是说,在做决策的时候,他清楚地知道,首先应该照顾什么地方,其次应该做什么事。能分清什么重要,什么不重要。他有时候按照固定规则去做事,有时候则是依据以往的经验。
  4. 第四级是精通(70-80分)。精通者能够把所有的信息当做一个整体来考虑。精通者考虑问题,很少理性地使用固定的规则,他已经不再区分经验和规则,而是从整体出发,全盘考虑。
  5. 第五级是专业(90分-100分)。专业者完全不受理性的束缚,他的判断和反应都是在无意识的情况下做出的。哪怕面对的是全新的情况,他也能无意识地把这个情况和以前的经验联系在一起,自动处理。

2)综合的能力

数据分析要做好,综合要求非常高,因为大多数据分析是要向老板汇报的,厉害的数据分析人员至少要具备业务能力、思考能力、沟通能力、表达能力、分析能力、数据能力、技术能力及统计能力。

  • 业务能力:充分理解公司战略、行业、领导思想,最好有业务岗位实战经验
  • 思考能力:最值钱的是想法,通过数据对这些想法进行系统化的分析和论证
  • 沟通能力:对上沟通确认目标、对中要采取合作、对下要明确执行要求
  • 表达能力:一切都是为了让人看懂,态度上重视汇报,汇报讲究故事和逻辑
  • 分析能力:基于业务常识选择合适的指标和维度,发现异动原因并可视化展现
  • 数据能力:拥有全局的数据视野、更深的数据理解能力和操作能力
  • 技术能力:EXCEL、SQL、Python/R、机器学习/深度学习引擎
  • 统计能力:理解统计的基本概念、理解基本算法

以上,就是数据分析需要怎样的能力,其实,在很多企业中,数据分析是个岗位,但我一直认为数据分析仅仅是数据从业者谋生的高级手段,数据运营、数据产品、数据管理等各类岗位都需要数据分析的技能,比如数据运营就是数据分析的一种持续迭代形式。

总之,优秀的数据分析人员一定是主动发现问题、解决问题并扛得住压力的。

5. 常见的数据分析方法汇总

数据分析方法其实有很多,包含战略与组织、营销、人力资源、生产管理、财务管理、供应链管理等等方面。

1)战略与组织方面SWOT分析:战略规划的经典分析工具

  • PEST分析:组织外部宏观环境分析工具
  • BCG矩阵法:制定公司层战略最流行的工具
  • 麦肯锡三层面分析:企业设计战略规划、开拓增长的有效工具
  • 波特五力分析:行业竞争战略最流行的分析工具
  • 核心竞争力分析:分析企业有效竞争和成长的重要工具
  • ……..

2)市场营销方面STP分析:现代营销战略的核心分析工具

  • 4Ps营销组合模型:制定市场战略最经典的营销理论工具
  • 产品生命周期模型:描述产品和市场运作方法的有力工具
  • 营销漏斗模型:量化了营销过程各个环节的效率,帮助找到薄弱环节
  • SPIN销售法:系统化挖掘客户需求的销售工具
  • 营销战略新三角模型:战略业务架构分析工具
  • 顾客金字塔模型:有效的顾客细分管理工具
  • ……..

3)人力资源方面

  • 平衡计分卡:最具影响力的战略绩效管理工具
  • 360度绩效考核:推进员工行为改变最有效的工具之一
  • KPI:国际通行的企业经营绩效成果测量和战略目标管理的工具
  • 3P模型:实施企业人力资源战略化管理的有效工具
  • 关键事件技术:识别工作绩效的关键性因素的工作分析方法
  • 职业锚:职业测评运用最广泛、最有效的工具之一
  • ······

4)生产管理方面

  • 5S现场管理法:现场科学管理的基础工具
  • 六西格玛:世界最先进的质量管理法
  • QFD法:一种顾客驱动的先进质量管理应用技术
  • PDCA:循环有效控制管理过程和工作质量的工具
  • AUDIT法:保证产品质量的先进质量管理控制方法
  • 零缺陷管理法:企业质量管理方法的又一次革命
  • ……

5)财务管理方面

ABC成本法:企业控制成本的有力工具

  • 杜邦分析法:企业业绩评价体系中最为有效的工具之一
  • 比率分析法:财务分析最基本的工具
  • 净现值法:企业投资决策中最基本、最常用的一种方法
  • 沃尔评分法:对企业财务信用能力综合评价的方法
  • 本量利分析:实施目标成本管理的一个重要工具
  • ……

6)供应链管理方面

  • SCOR模型:第一个标准的供应链流程参考模型,供应链一体化的得力工具
  • ECR系统:一种新型的供应链管理策略
  • 关键路径法:项目管理中应用最为广泛的方法之一
  • 逻辑框架法:项目质量评价的综合评价方法
  • PERT网络分析法:有效的项目进度管理工具
  • 工作分解结构:项目管理众多工具中最有价值的工具之一
  • ……..

(我挑选了几种经典的数据分析方法,若大家对这些方法感兴趣自己去查找学习~这里不一一展开了)

02 实践总结

1. 抽丝剥茧

1)为什么要抽丝剥茧?

我们来看一个例子:当你去分析某段时间内一个产品的活跃数据,就觉得这个事情很简单啊,不就是把数据统计清楚吗?看看趋势,对比上周、上一年,然后进行分群分析,哪部分用户流失等等。

看做完一遍之后呢,你会面临一个纠结的情绪:同样的指标,有同词不同意;有同意不同词;还有互相包含,就是我的这个指标当中有你的一部分,你的指标中有我的一部分啊;还有各不相干毫无关联的指标却出现在同一个报表上——这都是有可能的。

其实,在做数据分析的时候,我们就会有一个扪心自问的过程:我们到底从何下手?从哪里开始分析呢?

我自己的思考就是:先忽略乱七八糟,高大上的概念,回归到本质,其实,明确分析目标后,数据分析就是为了指标服务的,最终的体现就是某个数据指标提升或者下降,进而影响业务决策,所以需要先了解一个问题:什么是指标?它应该如何被解释?

指标,它分成单一指标和衍生指标,衍生指标有一个或多个单一指标的计算得来。指标有维度和度量组成,需要注意的是,衍生指标的维度来源于组成其单一指标维度的交集。

单一指标需要经过数据统计的前置筛选,才能在逻辑上成立;衍生指标没有自己的统计口径,其统计口径寄生于组成其的单一指标身上。

其实:指标就是由维度和度量组成。

我们可以给指标下定义:指标是描述一个数据统计业务的最小逻辑单元。

例如,咱们来拆解一个数据指标,就需要一个抽丝剥茧的过程,但在实际业务分析中,不一定要拆解的多么细,基本上3个层级就能够指导我们去做一些动作。量化以及拆分指标,是数据分析的灵魂。

一级指标必须是全公司都认可的、衡量业绩的核心指标。它可以直接指引公司的战略目标,衡量公司的业务达成情况,本质上需要管理层和下级员工的双向理解、认同,且要易于沟通传达,比如公司的销售额,或者社交产品的活跃度。

二级指标是一级指标的路径指标。一级指标发生变化的时候,我们通过查看二级指标,能够快速定位问题的原因所在。如我们的一级指标是 GMV 和订单数量上升,那怎样去定二级指标呢?我们就要去拆解一级指标,而能够影响到 GMV 和订单数量上升的,就是我们的核心二级指标。比如说货品的单价上升,或者最近做的一些活动。

三级指标是对二级指标的路径分析。通过三级指标,可以高效定位二级指标波动的原因,这一步也会基于历史经验和拆解。

2)小结

回归今天的议题是数据分析之道,我们可以回到公司的战略层,回到企业发展的战略上去思考问题,需要我们思考如何应用数据分析,通过数据团队搭建、数据指标监控体系搭建、业务分析模型规划、业务目标规划、相关责任人梳理等方式,快速地帮企业解决问题,实现业务增长!

所以,我认为作为一个数据分析人员而言,抽丝剥茧、总结规律、解决问题的思维方式能力,是最核心的能力。衡量一个数据分析人员是否优秀的标准,并不是学各种SQL、Python/R等数据分析工具,而是,是否能够解构问题思维方式、还原本质、找到规律、寻找提升业务的最优解。

去寻求最优解、发展规律,那就应该运用到自己的思维框架——我们该怎么去找到规律、怎么去发展、怎么去找到这个细节,需要这三步法。

2. 三步法

1)三步法

首先,还原场景,寻找规律;深入细节,全面观察;窥斑见豹群,准确推演;交叉验证,排除影响。要沉的够深,要足够的信心,要扎得够狠。要跳出细节,回归本质,用上帝视角做敏锐的洞察思维,大胆假设,寻找规律。

其次,觉得大方向上没有问题,不要轻易下结论,还要再跳回到那些纷杂的细节当中,去一个一个地验证你总结出的规律是不是适用,要保持一颗谦卑的心。当发现这些规律不适用的时候,就要大胆改正。

最后,就是场景与验证,需要回归到细节,做仔细的核对,小心地求证,严格地论述;要理清场景,一定不要有遗漏,要及时地调整,迭代更新。

2)小结

对于数据分析人员而言,给出的每一份数据,都要抱着对其负责到底的态度,这样大家才能建立相互信任。所以,用思维去击穿复杂的逻辑,抽丝剥茧,发现问题的本质,这是一种需要被加强的能力。

这就是在当下而言,为什么数据产品经理、数据科学家这些厚重的职位,会成为当下的数据分析热门领域的原因——就是因为它对能力跟素质有新的挑战,不是大家能轻易适配的岗位。物竞天择,适者生存,市场规律就是供给多了,需求就容易满足;供给的少,自然价位就高。

所以,你要去做那个供给少的环节,成为这个行业当中比较少见的人,而不是成为普遍的人。

3. 存乎一心

1)指标监控体系的搭建

当你把一个东西解构的足够深的时候,你会面对一堆的需求碎片,万法不离其宗,先找到离你思维逻辑最近的那一步,叫第一层立足点。找逻辑点的时候,我们就要存乎一心,明确分析目的,发现核心指标。尤其是第一指标,在整个分析过程中都不忘最初目的,其实就非常简单。

那么,如何去搭建一个指标监控体系?

①要明确产品业务目标以及KPI和所处的产品阶段

要认清和明确目标。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,这一点非常重要。而不同的产品阶段是有不同的产品目标业务的。

拆解目标,细分可以有多种类型,比如常见几种的:

  • 按达成时间为:年、季度、月
  • 按服务对象为:各个部门、整个公司
  • 按流程位置为:结果型目标/过程型目标

②根据现阶段产品业务目标,将数据指标分级

数据指标有很多:日活DAU、月活MAU、下载量、激活量、新增注册量、活跃度(DAU/MAU)、次日留存率、次人均时长、首页访问率、停留率、人均充值金额ARPU、GMV,客单价等等,我们会针对不同的指标,分不同的层级。一个数据指标,会受到多种因素的影响,而这些因素有内部的,有外部的,我们应当尽可能多的了解所有层面的影响因素,帮助我们对于数据的解读及分析是在一个相对正确的范围内。不一定要拆得太细,否则层级会过深,基本上 3 个层级就能够指导我们去做一些动作。

我们还以上述一级指标 GMV 提升为例,我们拆解后发现是转化率提升,那么转化率就是二级指标。而三级指标则起到能够直接指导一线运营的角色和作用,接着分平台去拆解各个转化率的时候,我们发现是 IOS 的客户端转化率有所提升。那为什么安卓没有提升,是不是 IOS 最近做了一些迭代?是不是它的一个转换路径比其他端好?这些思考就能指导业务人员展开行动。

③搭建以日、周、月为单位的数据指标监控体系报表

监控每日、过去一周,上周, 上月同周, 上上月同周的数据报表,以图表展示,来反映产品的变化趋势,通过过去的一周数据反映产品现状,通过每日、周、过去三个月的产品业务线数据变化趋势预估未来的变化趋势。

监控指标体系的基本逻辑:先看一级指标,结合二、三指标再预测判断未来趋势。

④根据数据监控结果,明确管理流程,实现控制

第一,当指标有异常状态,明确运营策略执行者。如:

  • GMV降了→ 客单价降低了→ 用户运营想策略
  • GMV降了→ 某类商品降幅大了→ 商品运营想策略
  • GMV降了→ 外部流量太少了 → 渠道运营想策略

第二,再明确执行时间。要有时间状态和走向判断。如:

  • 过去+负向 → 关注某某的问题
  • 过去+正向 → 发现什么的经验
  • 未来+负向 → 警惕啥啥的风险
  • 未来+正向 → 提示怎样的机会

第三,明确需要多大力度,如:

注意出现异常,要提高等,立即执行。

比如:“如客单价不能在3天内得到改善提高,本月KPI将不达标,需立即优化商品组合,提升客单价”。

第四,复盘改善后效果

搭建数据监控体系,最主要环节就是效果的复盘。而且要先看是哪个层级的效果,再看具体效果大小。

2)小结

我们是要对数据的质量负责、对数据的追踪负责、对数据服务的可靠性负责。回到存乎一心这件事,其实就是从碎片化的需求当中,结合自身和外部资源,将我们思维的底层逻辑体系一点一点的收拢起来,较精细化的解决问题。

而存乎一心的核心是应对诸多碎片化的需求时,有着深刻的洞察,顺势发展,因势利导,随机应变,运用之妙,存乎一心,以满足业务诉求。

03 数据分析之道

新事物的发展速度远远超出我们的想象,因此,关于“道”的思考还需要继续深入,暂且当做是数据分析领域里孜孜不倦又乐在其中地求索。回想搭建小飞象数据分析社群的历程,我们做了很多的准备工作,从社群愿景、价值观、使命的规划,运营体系的搭建,到内容体系的搭建,初始用户调研,后来用户反馈等等,遇到的困难一点点解决。

我觉得我们是站在了内容、商业和体验的三者之间,我们为群友营造用户体验,我们为社群争取商业利益,同时我们也消耗着内容资源,面对内容要高质量提升的挑战。

但是一定要有一个平衡点,这个平衡点就是最优解。我刚才讲的那一切都可以忘掉,那都不是你的数据之道。回到你的实际情况当中,你要这三个点中寻找一个平衡。

所以,回到方法论就是要找到平衡点,也许这个平衡点一脚站在了内容上。

实际上,“数据分析方法论”是承上启下的法门,往下,它们指导着“数据分析工具”的开展,往上,“数据分析之道”是战略,是形而上的价值体系,我们需要建立自己的数据价值观,一以贯之。

因此,如果你想真正的利用好数据分析,上述的抽丝剥茧和存乎一心,才是你们强大之道。

04 结尾

在经济整体下滑的大环境中又受到疫情冲击的2020年,各中小微企业都面临着巨大艰难挑战,并有着前所未有的机遇,希望这篇文章可以为焦虑中的中小微企业对于“数据分析”的应用带来一点思考,帮助实现真正意义上的“数据驱动增长”。

最后,把非常喜欢的一句话送给大家:悲观者往往正确,而乐观者往往成功,与君共勉。艰难环境下,正是逆境崛起和弯道超车的好时机,愿大家都能找到自己的数据分析之道。

#专栏作家#

木兮擎天@,微信公众号:木木自由,人人都是产品经理专栏作家。多年互联网数据运营经验,涉猎运营领域较广,关注于运营、数据分析的实战案例与经验以及方法论的总结,探索运营与数据的神奇奥秘!

本文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. 目前还没评论,等你发挥!