浅谈在探索数分之路上“数据思维”培养

0 评论 2989 浏览 5 收藏 17 分钟

编辑导读:在上篇文章中,作者为我们梳理了数据思维在工作上基本应用范围以及如何应用,明白了数据思维的重要性。但是,数据思维要如何培养呢?本文作者分享了一些数据思维的训练方法,以及在面对不同的业务时,如何快速掌握核心数据来指导制定业务策略,希望对你有帮助。

我们上篇内容,从广泛的意义上出发,简单梳理了数据思维在工作上基本应用范围以及如何应用,不同行业有不同的情况或者属性,且数据思维也可以说是一种底层的思维模式,所以,说白了就是如何让数据创造价值的思考方式。(详情请看:数据思维怎么用?)那通常情况下,我们在面对数据分析问题时,一些想法以及思维是零散的,需要我们逐步培养锻炼自己数据敏感度以及分析思维,需要将零散的想法形成有条理的分析思路或者思维。

然而,数据思维并不是一日可形成,是需要我们结合日常工作生活来刻意练习,去实践,发现问题、解决问题、总结问题的一个不断积累经验的过程。不过,刚刚入门数据分析还是可以通过一些方法和习惯去训练思维,培养逻辑能力的。本文简单梳理和分享一些数据思维该如何训练,其目的主要给大家提供如何锻炼数据思维的一些建议,以及在面对不同的业务时,如何快速掌握核心数据来指导制定业务策略,仅供参考!

一、提升对数据的敏感度

首先,养成对数据的深究,知道数据怎么来的?理解数据、理解业务是便于我们进行数据采集及分析溯源,对结论和成果有着一定的数据保证,同时也要判断数据来源的可靠性。

其次,梳理数据指标有哪些维度?理解评估标准,不同业务有不同的关键业务指标,利用思维导图积累相关业务的指标体系,多总结多问为什么;指标体系经常用于数据细分找原因,知道数据构成才能更快地拆分数据,找到异常原因。

最后,了解数据是如何说明业务?找到业务背后的基本逻辑。在数据的日常工作中带入业务思维,从而要知道数据指标在业务中的代表什么,业务数据正常水平是怎么样的,受节假日或者活动营销的影响的数据又是怎么样的,要多对比,结合环比同比明白数据高低的意义。

二、养成对数据指标拆解习惯

拆解能力决定了能否有效处理和解决复杂事务,简单来说,就是把一个复杂问题拆解成一个个基础元素,通过研究这些元素,控制和改变基本的元素进而解决复杂的问题。

1. 结构化拆解

简单地说,就是按照各不同维度进行拆分,定位当前问题,从问题核心出发拆解影响因素,最终确定验证角度。再通过指标、公式、模型的方式找到验证影响因素的量化标准。比如销售额下滑了,销售额=销售数据*单价,拆分后的结果比拆分前的清晰得多,就可以区分是线上销售下降还是线上销售下降,还可以进一步发现是具体某一个渠道下滑,这样分析更具针对性。如图:

2. 流程化拆解

简单地说,用户行为路径所要经过的核心流程步骤,用户在流程的走向过程中会逐渐的减少。梳理各流程环节涉及复杂业务过程关键业务的节点,而漏斗图是对业务流程最直观的一种表现形式,并且也最能说明问题的所在。比如获客就是一个链路比较长的业务场景,涉及到活动曝光、客户点击、客户意愿、填写信息、客服回访、客户下载、激活、注册、下单等一系列业务环节,通过漏斗图可以很快发现业务流程中存在问题的环节,确定业务瓶颈。如图:

三、常用数据做多维度对比

“对比、细分、溯源“是数据分析的6字箴言,而对比虽然是最简单的,却是在培养数据思维中非常重要的一环。所谓对比是指将两个或两个以上的数据(指标)进行比较,分析它们的差异,从而揭示这些数据所代表的事物发展变化情况和规律性。来判断业务进展情况以及追踪业务是否有问题。其特点:简单、直观、量化。即可以非常直观的看出事物某方面的变化或差距,并且可以量化、准确地表示出这种变化或差距是多少。

对比分析思维的分为两类类:静态比较(和行业比)和动态比较(和自己比)

1. 静态比较

即在同一时间条件下对不同总体指标的比较,如不同部门、不同地区、不同国家的比较叫做横向比较,简称横比。

举个例子:女友问你“你觉得我胖么?”你去拿全国女生体重平均值和女友体重做对比,这就是和行业比。

一般来说,同业的数据来源主要公开发表的数据,包括上市公司的财报、主动披露的数据等等,数据的信息源不同其准确性也会存在各种差异,但是通过仔细分析还是能得到一些自己想要的东西,取决于每个人数据思维能力的高低。

2. 动态比较

即是在同一总体条件下对不同时期指标数值的比较,也叫纵向比较,简称纵比。

再举个例子:比如女友问“我比上个月胖么?”就是和自己比。

一般来说,会进行同比、环比等,通过趋势图观察一段时间的走势,这是常见的比较思路,但是注意不要忘记最初设定的目标。在工作中会发现有个问题就是有时候我们会发现同比环比之后,指标都上涨了,营造出欣欣向荣的局面,但其实并没有达到我们的目标,只是基准值太低,这是一种典型的目标侵蚀。

总之,这2种方法既可单独使用,也可结合使用。纵向的是因果,横向的是相关。然而对比分析的时候要遵从以下原则:

  1. 对比对象要一致
  2. 对比时间属性要一致
  3. 对比指标的定义和计算方法要一致
  4. 对比数据源要一致最后就是多比较

四、多熟悉各种数据分析模型

数据模型其实是各种数据分析经验的抽象集合,你拥有了更多的数据模型,也就拥有了更多的认知“数据”世界的工具。在斯科特·佩奇的《模型思维》一书中,提到了20多个思维模型,我们在数据分析过程中可能会经常用到的主要有:AARRR(海盗模型)、漏斗模型、Google’s HEART、金字塔模型、RFM模型、用户生命周期模型、滑梯模型、消费者行为模型等等。

1. AARRR模型

AARRR增长模型出自于增长黑客,又称海盗模型,即获客、激活、留存、变现、传播推荐。

获取用户(Acquisition)、提高活跃度(Activation)、提高留存率(Retention)、获取收入(Revenue)、用户推荐(Refer),这个五个单词的缩写,分别对应用户生命周期中的5个重要环节。

获取用户(Acquisition):通过一定的方式让产品在一些渠道上面得到展现,并使看到展现的用户转化成产品用户。

提高活跃度(Activation):提高产品的使用粘性,提升用户使用产品的深度。

提高留存率(Retention):如何让用户不断的使用我们的产品,减少用户的流失,提升用户粘性。让用户无法离开产品。

获取收入(Revenue):通过一些手段和渠道从用户那里获取收益。

用户推荐(Refer):通过提升产品的竞争力,使用户给他的朋友推荐我们的产品。

2. Google’s HEART模型

Google’s HEART是一个用来评估以及提升用户体验的模型,它由五个维度组成:Engagement(参与度)、Adoption(接受度)、Retention(留存度)、Task Success(任务完成度)和Happiness(愉悦度)。

Engagement(参与度):通常指的是用户访问产品的行为,相关的指标是和用户访问相关。包含用户的活跃度(DAU/WAU/MAU)、UV、PV、人均访问次数等,通过这些数据可以很好的反应整个产品的用户访问情况。

Adoption(接受度):用户在规定的时间内对产品的操作情况。接受度相关的指标主要和用户的操作行为有关。包含点击行为、点击率、人均点击次数、下单金额、支付情况和人均订单数等等。

Retention(留存度):留存度体现用户人群对产品或者某个功能的粘性。留存度的相关指标主要和用户再次访问/操作的行为有关。包含留存用户数、留存率、复购用户数和复购率等。

Task Success(任务完成度):任务完成度体现用户各个流程的转化率情况。任务完成度的相关指标主要和用户各个流程节点的转化率有关。包含各节点转化率、平均停留时长、返回率、跳出率和退款率等。

Happiness(愉悦度):愉悦度体现用户使用完产品后的整体感受情况,是否有推荐给其他用户的意愿。愉悦度的相关指标是NPS净推荐值。

3. 波士顿矩阵模型

波士顿矩阵其实是利用二维四象限将产品分成了明星、金牛、瘦狗和问题四种类型。在电商运营中波士顿也具有很大的指导意义,我们可以根据波士顿矩阵的方式制定平台的产品矩阵:引流款、利润款、留存款。让商城的产品更符合交易逻辑。通过波士顿矩阵模型,可以将我们面临的问题进行轻重缓急排序,并针对性地部署相应的策略,把主要资源放在哪个区域。

·······

这里就不一一展开了,简单介绍几个常见的,抛砖引玉,而更多的数据模型还需要我们在日常的工作中不断的积累。总之,大家可以找更多的资料深入学习数据模型,复用现有模型,更重要的是,需要我们通过熟悉主流的数据模型产出逻辑,并从中找到规律,培养自己的思维能力

五、其他建议

1. 具备一定的好奇心

美国心理学家布鲁纳认为好奇心是人类行为的原始动机之一。它常由人们所接触的不明确的事物或未完成的事情引起。当事物尚未明确,事态尚未完成时,人们时常受好奇心的驱使去探索这些未知的行为过程或结果,并从中得到满足。然而,在锻炼数据思维时,一定是有好奇心的,有兴趣去知道数据背后的逻辑的。

2. 说事实,而不是观点

《原则》一书中举的例子是:大部分人不是真正地寻找事实,而是寻找那些能证明自己观点的事实。我们大部分人表达的事实,可能已经是带有自己价值取向的观点。因此,我们要注意自身的观点,用事实说话。

3. 用客观标准代替主观判断

主观是指人的意识、思想、认识等;客观是指人的意识之外的物质世界或认识对象。我们不能用主观判断数据的好坏,以符合实际业务场景的客观事实的标准来判断,可以根据竞对数据,往期数据,目标数据等维度来制定准备。

4. 多看、多练、常总结

首先,我们可以多看写权威、专业的数据分析报告,梳理以及了解人家的分析过程。去不同行看看不同数据报告,发现问题,总结经验,还可以多看自己业务的数据和每天的各种数据报表,整理出来,每天看走势,发现异常及时分析。其次,还有多多去尝试用同样的分析方法去分析类似的数据。可以套用别人的分析思路去尝试分析自己的业务问题,最后,总结分析过程中的问题以及经验。总之,就是多看,多练,尝总结。

六、总结

以上是分享的一些培养数据思维的建议。具备数据思维的人来讲,要有数据敏感性,要能够合理怀疑,首要确认数据是否准确,对一些异常敏感的数据尤其如此,这就需要通过时间培养数据常识,只能刻意练习。

总之,数据思维需要结合日常工作生活来不断通过一些习惯和方法去培养,去实践,发现问题、解决问题、总结问题积累经验的一个过程。其核心价值在于是否指导了你的决策行为。我们在生活工作利用以上建议,从一个广告数据、一个活动数据、一个产品数据、一组访问数据、一个数据报告等进行培养和刻意练习。

#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

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. 目前还没评论,等你发挥!