分析指标波动,数据模型得这么建

0 评论 2965 浏览 21 收藏 12 分钟

怎样分析指标波动?本文作者从常见的错误做法、诊断模型三大关键、区分指标、理清正负向原因、常规沟通与排除、结果后诊断进行了分析,一起来看看吧。

当业务指标开始波动的时候,人们总会有问题:

  • “为啥涨了5%”
  • “为啥又跌了1%”
  • “为啥涨了2天又跌了?”
  • “为啥三天了都没变化呀?”

总有十万个为什么,从各个部门口中脱出,然后搞得做数据的同学天天忙着跑数,晕头转向不说,还落个:“为啥不能事前洞察?”“你这也不深入呀!”的抱怨。

咋整?今天系统讲解下。

一、常见的错误做法

最常见的做法,就是遇到指标变化就拆解。各种维度都拉出来做交叉,最后哪个差异最大,就说是哪个因素导致的指标波动(如下图)。

分析指标波动,数据模型得这么建

而这么做,非常无脑+低效。

无脑,是因为:业务方关心的是具体的问题。比如:

  • 是不是新品不给力
  • 是不是对手有动作
  • 是不是执行没到位
  • 是不是环境有变化

……

这些业务原因,不是数据库里“性别、年龄、地域、产品名”这样的简单维度能概括的。因此即使拉出交叉表来,也不能解答这些深层问题。

低效,是因为:严重浪费数据分析师的时间。相当多的波动,丫根本就是自然波动,或者是业务自己整出来的活。相当多的波动,就是单纯因为开发动了埋点又没吭声。这些问题根本不需要反反复复拉交叉表。只知道逼数据分析师拉交叉表,不但浪费时间,而且错失了总结规律,深入分析的机会。

那么,怎么优化做法呢?

二、诊断模型三大关键

从源头上看,反问三个灵魂问题:

  1. 是不是所有指标波动都很重要?
  2. 是不是所有波动都原因未知?
  3. 是不是所有波动都值得行动?

回答是:不是、不是、不是!

至少3/4以上的波动是计划内的、可预知、不值得理会的。因此事前的基础工作,远比着急忙慌有用。把指标分清楚,原因提前收集,结果提前预判,是系统解决问题关键。想达成这一点,靠的是整个工作流程的支持,而不是一串神秘代码。

三、区分核心、附属、边缘指标

同收入、成本、利润相关的,都是核心指标。核心指标发生波动一定是优先关注的。

附属指标,则是组成收入、成本、利润的过程指标或子指标。比如用户数、转化率、客单价等等。附属指标的波动是问题吗?不一定是。很有可能只是业务发展有了新形态。因此,不需要每天看变化,而是关注发展趋势(如下图):

分析指标波动,数据模型得这么建

边缘指标,而是一些不直接相关,甚至不可准确量化的指标,比如满意度、NPS等等。这些指标监控其长期趋势即可。并且,关注口碑、舆情中极端个案(特别不满的顾客或者恶意攻击)会比看统计指标更有价值。

当然,不同业务的核心、附属、边缘定义会有差异。但区别对待是必须的,不然很有可能出现:“分析了一堆,对业绩影响一毛钱都没有”的窘境。

四、理清正向、负向原因

常见的正向原因:

  • 促销活动
  • 政策利好
  • 新品上市
  • 新店开张
  • 旺季到来

常见的负向原因:

  • 系统宕机
  • 政策利空
  • 旧品退市
  • 阴雨天气
  • 淡季到来

这些不但可以提前知道,而且其中相当多的部分,可以提前做分析,给出可接受的范围。

淡季/旺季,可以用周期分析法,从过往数据中提取周期波动规律(如下图)。

分析指标波动,数据模型得这么建

促销活动,可以先对活动类型打标签,再根据过往数据,测算每一类活动投入产出比。

分析指标波动,数据模型得这么建

新品上市,可以先对商品类型打标签,再根据过往数据,测算商品LTV曲线。

分析指标波动,数据模型得这么建

新店开张,可以先对门店类型打标签,再根据过往数据,测算店铺LTV曲线(原理同商品分类)。

通过标签分类+复盘分析,大部分自然原因、人为原因导致的波动,可以得出一个量化范围。在事前收集这些原因,就能极大地缓解指标波动带来的神经过敏,聚焦真正该聚焦的问题。

注意,这里有两类问题是很难事前准备的:

  1. 突发型事故,比如系统bug,恶劣天气等等
  2. 外部因素变化,比如对手促销,政策风险

这些需要沟通+问题排查机制解决。

五、常规沟通与问题排查

常规沟通:

  • 从业务:近期促销上线、产品上下架计划、开店计划、投放计划。
  • 从技术:开发进度、开发问题
  • 从外部:新政策发布、生效;竞争对手已公布动作

问题排查:基础数据质量,常规日报数据核对。

所有信息,汇总到时间表上,就能形成解读波动基本素材,之后静待数据给出结果。看结果再决定是否深入。

分析指标波动,数据模型得这么建

六、发生结果后诊断

A类:知道原因+期望内+正向变化。只要没有击穿期望值,监控趋势即可。要问波动原因,就四个字:正常波动。

B类:知道原因+期望内+负向变化。只要没有击穿期望值,监控趋势即可。要问波动原因,就四个字:正常波动。

C类:知道原因+期望外+正向变化。比如下图所示,原本预计的上促销会大涨,结果没啥反应,啥原因?活动拉胯了呗……这时候直接切入活动分析细节,让业务方赶紧做做一手调研,想想救命办法更靠谱。

D类:知道原因+期望外+负向变化。比如下图所示,原本预计恶劣天气持续太久,导致一些原本薄弱的门店快不行了。这时候要兵分两路。

  1. 一路:分析是否有其他交叉因素,助纣为虐
  2. 另一路:做标杆分析,看恶劣环境下有没有应急办法

分析指标波动,数据模型得这么建

E类:不知道原因+正向变化。超出预期是不是好事?不见得,比如回光返照式短期销售暴增,如果业务方信了,又补了货,那只会造成更大积压,因此正向事件超出预期时,要格外注意关联因素,比如畅销品缺货、滞销品积压、营销成本暴涨(别便宜了羊毛党)、投诉数量激增等问题。

F类:不知道原因+负向变化。这是得警惕的。这个时候要先“三看”

  1. 一看:局部问题or全局问题
  2. 二看:突发问题or持续问题
  3. 三看:有缓解迹象or越来越严重

(举个简单例子,如下图)

分析指标波动,数据模型得这么建

原则上局部、突发性问题,从内部找原因更快;全局、持续型问题,有可能存在外部深刻影响。之前在分享《提升DAU,数据分析要怎么做?》的时候,有更详细说明,大家可以参考。

总之,有了充分的基础准备,就能快速区分问题的轻、中、重,输出分析结论,也能为后续分析做好铺垫,避免漫无目地交叉。

七、小结

数据分析需要跑数,但想解读跑出来的数,需要的是掌握丰富的事实情况,用数据量化评估其中可量化的部分,监控其中持续发展的部分,拆解其中模糊部分,从而越来越接近真相。

需要注意的是,这些工作并非靠数据分析师一个人能完成。

  • 如果领导自己都不清楚目标
  • 如果开发我行我素瞎胡乱搞
  • 如果业务连啥叫“分类”都不懂
  • 如果业务一定要扯“我做的就是牛掰克拉斯!一定是其他原因干扰了我!”

……

分析?分析个屁!分析结论就是:这个公司蠢逼太多,救不了。

只是做数据的同学,要掌握这些基础的做分类、打标签、提取周期波动、计算ROI的方法,这样才能在争吵中清晰地判断是我们自己没有用对方法,还是对方不愿意配合,对方不懂得科学管理,对方在浑水摸鱼。毕竟好公司可遇不可求,自己长本事,才是进入好公司的正道。

 

作者:接地气的陈老师 ;微信公众号:接地气的陈老师

本文由 @接地气的陈老师 原创发布于运营派,未经许可,禁止转载。

题图来自 Unsplash,基于CC0协议。

专栏作家

接地气的陈老师,微信公众号:接地气的陈老师,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。

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。

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!