数据诊断模型,该怎么搭建

0 评论 9177 浏览 44 收藏 10 分钟

编辑导语:在日常工作中,数据分析可以帮助你判断很多业务的涨幅,但是用数据下判断看似很简单,实际上要根据实际情况进行判断;本文作者分享了数据诊断模型该怎么搭建,我们一起来看一下。

你会用数据下判断吗?

你怎么确定你的判断是准确的?

现在业务说你判断错了,你怎么应对?

用数据下判断,是看似简单,实则极大影响数据分析结果的一个问题。

同样是本月销售业绩1000万,如果判断是:业绩很好——那么下一步的分析就是总结成功经验;如果判断是:业绩很差——那么下一步的分析就是发现问题,寻找方案。

一、数据诊断问题,为啥那么难

这一点看似简单,可网上90%的文章教的是错的。

网文的逻辑,一般是:

  • 环比下跌了,所以不好,要搞高;
  • 同比下跌了,所以不好,要搞高;
  • 你去问问业务,业务说好就是好。

谁规定的跌就是不好?如果是自然波动呢,如果是计划内的调整呢,如果是营销之后调整期呢?如果是生命周期末尾呢?如果下跌但是KPI仍然达标呢?

太多情况了;然后一堆网文还在一本正经的《指标下跌八大分析方法》,连啥指标、啥场景都不细讲,分析什么呢?

问业务同样有问题——因为你挡不住业务浑水摸鱼。

丫今天说好,明天说不好,后天说:请数据分析深入分析到底好不好,大后天再说:你这分析不符合业务直觉;甚至明明KPI达标了,丫还让“你深入分析KPI达标背后的隐藏危机……”

那么,到底该咋办呢。

二、核心问题:诊断标准

做判断的核心是:找标准。

标准涉及到后续轻重缓急及原因判断;一定要事先分清楚。

而上文讲到的网文的各种错误,本质上都是来自于不考虑业务场景,瞎胡判断;如果结合业务场景来看的话,有四类典型的场景(如下图)。

数据诊断模型,该怎么搭建?

1)有客观要求:供应链上大部分指标都有物流、化学、交付周期等等客观要求;比如生产质量、产品尺寸、交货时间。这些也被称作硬指标。这种情况下是可以直接拿来做评价标准的。

2)主要要求,但是负向指标:比如客户投诉,虽然大家都知道投诉是不可避免的,但是还是希望越少越好,负向指标标准也好找;只要一直处于下跌趋势,不反弹,就算是好。

3)主观,正向,但是有上一级KPI压力:类似销售业绩、GMV、新用户数,很有可能上一级领导、部门直接塞了个指标给我们;这时候想保住自己的年终奖,就得不惜一切代价的搞掂指标;这个标准可以直接拿来用(这也算硬指标)。

这时候要做好的是硬指标的分配;因为指标达成不是一蹴而就的,可能与业务自然周期、生命周期有关,也有可能与业务作战部署有关系;因此分解任务的时候不要简单地按时间平均,而是根据业务走势,分摊成一个合理数值。

数据诊断模型,该怎么搭建?

4)主观,正向,需要你自己订KPI:这是最纠结的状况,老板让你做开放题;虽然明知道自己做了他不用会用,但是他还是让你讲一堆道理,不然就怪你:没有深度分析!如果一定要凭空定指标,怎么办呢?

答:用场景还原法,去找一个标杆

三、关键方法:场景还原

场景还原——是从业务场景中提炼出数据标准,主要用于营销、运营这种缺少硬指标且指标间相互关联多的场景。

你问业务方指标是多少,估计他想不出来;但是你问他上一次老板龙颜大悦,上一次被表彰,上一次顺风顺水什么时候,他一清二楚。

同样,你问上一次他手忙脚乱,上一次被痛骂,上一次跟头流希是啥时候,他也一清二楚。

这样我们就能得到正面场景和负面场景。

正面场景,用来做整体的预计目标;这是个把语文作业转化为数学作业的过程。

比如:

  • 我们要在三年内成为行业第一;
  • 我们要在1年内扭亏为赢;
  • 我们要在4季度做出爆款活动;

有了这些场景,可以转化为具体标准(如下图):

数据诊断模型,该怎么搭建?

负面场景,用来设定保障型指标的标准。

比如:

  • 新用户注册很多,但是转化太低
  • 业绩增长很快,库存涨的更快
  • 收入指标达标,成本超支严重

有了这些场景,可以转化为具体标准(如下图):

数据诊断模型,该怎么搭建?

经过梳理,输出的判断标准,就是一个有逻辑的系列组合(如下图):

数据诊断模型,该怎么搭建?

这样面对业务方或者老板质疑的时候,也能理直气壮的说:既然要达成这个美好愿景,就得做到XX数值;如果不做到XX数值,业务就会出问题。

这样面对上文中,业务方反复横跳的场面时,也能拿出白纸黑字来对峙,不要让他把锅甩给我们。

可以甩给外部突发因素嘛;真是的,干嘛非难为数据分析师。

四、为什么不用算法模型

算法模型不是一个处理标准问题的好办法。

用机器学习算法,如果用无监督方法,比如Kmean聚类,本身输出的结果就随着聚类中心变化而变化,不稳定结果不能做标准。

如果用有监督的方法,那一开始的“好/坏”标注谁来打?

还是得老板来打;看似复杂的算法又变成:请老板酌定。

AHP方法有类似问题,看似两两比较打分很科学,可本质还是:请老板酌定;而且AHP的局部打分,很容易导致整体结果不可控。

万一老板不认最终评定结果,非让你改,就非常狼狈了;这时候还不如直接让老板们坐一桌,拍每个指标权重给多少;这样更简单、高效、不纠结。

所以:如果待评价的问题中,正向、非硬指标很多,那还是用场景还原法更好。

标准问题的真正难点是:最后的标准始终要过老板这一关,因此就不可能100%客观;老板自己也会疑虑、纠结、后怕。

所以才有了前边说的:虽然老板心里有数,但他还是会让你提标准,并且在你提了以后反复质疑你,其实他是通过这种手段消除自己的疑惑;做数据分析,就是要当老板的贴心小助理,这些问题帮老板想在前头,也是大功一件。

有同学会问:日常遇到的判断问题很多,一个个都这么细致沟通效率太低,很有没有一些简单的方法做判断。

答:有。比如我们常说的二八分类、十分位法、趋势分析法、矩阵法,都是简单粗暴的判断方法。

有兴趣的话,关注接地气的陈老师,我们下一篇来分享。

#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。

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!