数据分析的最高境界,离你这么近

2 评论 1.1万 浏览 18 收藏 13 分钟

编辑导读:数据分析的最高境界是什么?作者认为是具体问题,具体分析。乍一听好像谁都能做到,但是要想结合实际工作做到这个标准可不容易。本文将从四个方面展开分析,与你分享。

很多同学问:数据分析的最高境界是啥?这里陈老师可以给一个非常明确的回答:具体问题,具体分析,就这八个字。

看到这里,很多新人会表示:“这个我早知道了呀,那么我已经达到最高境界了?”答:读出这个八个汉字,容易。能结合实际工作做到这八个字,非常难。

一、什么算具体问题

很多同学在提问的时候,喜欢用这种问法:

  • 类型1:老师,有没有互联网行业的分析思路
  • 类型2:老师,有没有用户画像分析思路
  • 类型3:老师,有没有归因分析的思路

那么,这三种算不算具体问题呢。

不算!

随便问几个问题:

  • 谁要看这个分析?
  • 他看了能干啥事?
  • 到底是什么业务的分析?
  • 这个业务到底有没有数据?
  • 现有的数据是否足够用XX方法?

什么都不知道。当然不能算是具体问题了。所谓:量体裁衣、看菜下饭。如果从源头上,分析的问题都不够具体,那也就无法确认:到底分析结果能不能让人满意。最后输出结果的时候就是拆盲盒,要么稀里糊涂过关,要么莫名其妙被批。

一个具体的问题,至少包括下述三个层面:

  • 人:谁需要这个分析?
  • 事:业务场景是什么?
  • 数:数据有多少、质量如何?

二、谁需要做分析

相当多场景下, 数据分析是做给别人看的。领导/同事/客户/公众都有可能。想要做出来的分析符合需求,就得知道对方想要什么。

识别分析对象,要看五个方面:

身份:指的是听分析的人是什么部门的。部门决定了需求人所关注的工作流程、工作KPI以及对应的工作情况。了解了部门基本能初步判断需求人的关注点。

等级:部门领导、组长、小兵关注点肯定有区别。了解了等级差异,能更好地追踪到真正的需求发起人,避免被一个听风就是雨的下属搞得团团转!

技术能力:到底对数字化、数据采集、数据分析了解多少。实际上,在数据分析领域的头号问题,就是:不懂数据的领导/同事对数据模型日益增长的幻想,与基础数据采集、基本业务流程数字化建设落后之间的矛盾。如果发现对方懂得少,趁早停止吹牛逼,扔掉复杂的方法。否则吹得越大,摔得越惨。

分析动机:有相当多的人,做分析不是想了解真实情况,而是为了达成自己的目的。想借机邀功的,想甩锅的,想争取资源的。因此,弄清楚提需求的人到底屁股坐在哪里,非常重要。否则不管怎么做,他都不收货。

基础认知:到底他对业务现状,在数据上的表现,了解多少。实际工作中,相当多的人没有基础认知,遇到事凭着心情、媒体报道、领导只言片语、顾客投诉等等碎片化、感性的信息下判断。一开始判断就是错的,给出来的分析需求肯定是错的。

在工作中,很多同学觉得很委屈:

  • “为什么总说我不深入”
  • “为什么波动这么点还要纠结”
  • “为什么总是分析结果总改来改去”

归根到底,都是没有整明白人的问题。面对客观、理性、有逻辑的人,可以一板一眼地分析;面对主观、感性、不讲理的人,就得用非常手段。单靠书本上教的代码或者共识,可应不了他们。

三、业务场景是什么

所谓业务场景,是:达成一个业务目标的所有业务动作的合集。业务场景也分宏观、中观、微观(如下图):

中观的部门分工与跟人员角色是一致的。因此在实际沟通汇总,先定了需求人,再结合其部门、职责分析问题场景,就很容易。对于在甲方上班的同学尤其如此,知道对方的部门和职位,就大概能判断对方的场景是啥。

对于陈老师这种乙方公司的,就得很细心地了解情况,从对方的行业、商业模式、部门分工、业务流程、系统流程,一点点去梳理,避免因为名字不同,导致的理解误差。

在这里很多同学会偷懒,经常说:老师,我是互联网/传统行业,你告诉我互联网/传统行业的通用知识就好了。

这种大而全的通识,根本就不存在。就拿医疗行业举例子,陈老师接触的客户里,以下风马牛不相及的所有人,都管自己叫:健康产业。大家看完,觉得这帮人能不能共识一个健康行业的通用标准出来……

(如下图)

所以在梳理业务场景的时候,不要试图用一个大而全的概念套各种模式,商业模式、产品类型、部门分工三个是必须了解的。如果讨论具体一个产品功能/营销活动这些细节,则要细化到三大流程里去讨论。生搬硬套,只会落得一句:你这分析根本不符合我们实际。

当然,也没必要神话细节,认为每个场景都独一无二,叫嚣:“你没有在这一行干50年,赚1个亿,你就没资格做分析”。在业务场景的宏观、中观、微观的每个层级上,同一层级,同一类型,是有很多相似之处的。

比如:l都是B2B+冷链供应的场景,医药和生鲜就很像

  • 都是B2B+电话销售的场景,卖广告还是卖招聘差异不大
  • 都是B2C+分销销售的场景,保险和微商又有多大区别

具体到某一个层级+某一类型场景后,相似点多,很多分析经验就能套用。这种感受,在乙方的同学会比较深刻,特别是像陈老师这种老乙方,见多了各种场面,灵感自然源源不断。

业务场景,和数据采集形式,数据丰富程度,数据质量直接相关。业务场景,也和分析思路直接相关,落实到业务场景里,才能抓住真正业务问题,提出有价值的建议。

四、数据质量如何确认

数据分析最怕什么,答:没数据。而数据的多少,是直接由业务场景的数字化程度决定的。数字化程度低,没有数据,就是没法分析。

这一点在B2B类业务中尤其明显!以B2B+业务员跟单销售为例,理论上,跟单流程可以形成一个完整的转化漏斗(如下图)

有系统支持和对应的管理流程,任何行业都能做到像互联网行业一样的分析!

但实际上,常常是这个鸟样

所以,B2B类业务的同学说:老师,为什么我分析不深入?答:因为你没数据呀。甚至数字化程度低到,连客户标签库都没有。只有一个未经处理的,汉字组成的客户企业名+签约订单。这要是能分析出个子丑寅卯来就见鬼了。

类似的情况在B2C业务里也很常见。比如用的是淘系、抖音的后台,看不到明细数据;比如自建的商城埋点不够(特别是仓促上的活动页),总之没有米,肯定煮不了饭。

基础数据采集仅仅是第一步,数据质量还受到业务方动作的影响。原本没有数据的流程,只要业务方肯做,就能一定程度采集上来数据。因此只要有机会,数据部门应该全力以赴推动业务流程数字化,把短板补上。

原本正常的指标,业务方做个动作就能把形态扭曲,因此不了解业务方做出的动作,不考虑业务影响,是无法做出准确分析的。经常是做完了以后落得一句:我早知道了。

综上,这里要确认的数据质量,不仅仅指的是数据库的脏数据,而是从源头上有下面三者一起努力,才能做到:有数可用,有米下锅。后边的分析才能做得深入,精确。

  • 业务流程中,有多少数据被采集
  • 业务流程中,有多少数据被操控,怎么控制的
  • 业务流程中,有多少潜在数据,能被捞回来

以上,我们只是简单分享了一下:具体问题到底咋个具体法,就拖了这么长的篇幅。实际上,制约很多同学做出深入分析的原因,就是简简单单的:见识太少了。连别人在做什么都不知道,怎么分析呢?

而相当多分析类书籍或者文章,要么只是在理论层面坐而论道,要么试图用一个大而全的概念去归纳宇宙万物,整什么:核心逻辑、底层思维,最后试图用几个很简单的词(什么对比思维、分解思维)解释万事万物。这种东西看多了,只会越来越虚化,更没法具体问题、具体分析了。

限于篇幅,本篇就不分享怎么具体分析了,有兴趣的同学,记得关注公众号接地气学堂。我们下一篇再分享。

#专栏作家#

接地气的陈老师,微信公众号:接地气学堂,人人都是产品经理专栏作家。资深咨询顾问,在互联网,金融,快消,零售,耐用,美容等15个行业有丰富数据相关经验。

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。

给作者打赏,鼓励TA抓紧创作!
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. 业务流程数据化 还有分析的层级维度很好,谢谢老师

    回复
  2. 辛苦

    回复