數據分析的最高境界,離你這么近

2 評論 1萬 瀏覽 13 收藏 13 分鐘

編輯導讀:數據分析的最高境界是什么?作者認為是具體問題,具體分析。乍一聽好像誰都能做到,但是要想結合實際工作做到這個標準可不容易。本文將從四個方面展開分析,與你分享。

很多同學問:數據分析的最高境界是啥?這里陳老師可以給一個非常明確的回答:具體問題,具體分析,就這八個字。

看到這里,很多新人會表示:“這個我早知道了呀,那么我已經達到最高境界了?”答:讀出這個八個漢字,容易。能結合實際工作做到這八個字,非常難。

一、什么算具體問題

很多同學在提問的時候,喜歡用這種問法:

  • 類型1:老師,有沒有互聯網行業的分析思路
  • 類型2:老師,有沒有用戶畫像分析思路
  • 類型3:老師,有沒有歸因分析的思路

那么,這三種算不算具體問題呢。

不算!

隨便問幾個問題:

  • 誰要看這個分析?
  • 他看了能干啥事?
  • 到底是什么業務的分析?
  • 這個業務到底有沒有數據?
  • 現有的數據是否足夠用XX方法?

什么都不知道。當然不能算是具體問題了。所謂:量體裁衣、看菜下飯。如果從源頭上,分析的問題都不夠具體,那也就無法確認:到底分析結果能不能讓人滿意。最后輸出結果的時候就是拆盲盒,要么稀里糊涂過關,要么莫名其妙被批。

一個具體的問題,至少包括下述三個層面:

  • 人:誰需要這個分析?
  • 事:業務場景是什么?
  • 數:數據有多少、質量如何?

二、誰需要做分析

相當多場景下, 數據分析是做給別人看的。領導/同事/客戶/公眾都有可能。想要做出來的分析符合需求,就得知道對方想要什么。

識別分析對象,要看五個方面:

身份:指的是聽分析的人是什么部門的。部門決定了需求人所關注的工作流程、工作KPI以及對應的工作情況。了解了部門基本能初步判斷需求人的關注點。

等級:部門領導、組長、小兵關注點肯定有區別。了解了等級差異,能更好地追蹤到真正的需求發起人,避免被一個聽風就是雨的下屬搞得團團轉!

技術能力:到底對數字化、數據采集、數據分析了解多少。實際上,在數據分析領域的頭號問題,就是:不懂數據的領導/同事對數據模型日益增長的幻想,與基礎數據采集、基本業務流程數字化建設落后之間的矛盾。如果發現對方懂得少,趁早停止吹牛逼,扔掉復雜的方法。否則吹得越大,摔得越慘。

分析動機:有相當多的人,做分析不是想了解真實情況,而是為了達成自己的目的。想借機邀功的,想甩鍋的,想爭取資源的。因此,弄清楚提需求的人到底屁股坐在哪里,非常重要。否則不管怎么做,他都不收貨。

基礎認知:到底他對業務現狀,在數據上的表現,了解多少。實際工作中,相當多的人沒有基礎認知,遇到事憑著心情、媒體報道、領導只言片語、顧客投訴等等碎片化、感性的信息下判斷。一開始判斷就是錯的,給出來的分析需求肯定是錯的。

在工作中,很多同學覺得很委屈:

  • “為什么總說我不深入”
  • “為什么波動這么點還要糾結”
  • “為什么總是分析結果總改來改去”

歸根到底,都是沒有整明白人的問題。面對客觀、理性、有邏輯的人,可以一板一眼地分析;面對主觀、感性、不講理的人,就得用非常手段。單靠書本上教的代碼或者共識,可應不了他們。

三、業務場景是什么

所謂業務場景,是:達成一個業務目標的所有業務動作的合集。業務場景也分宏觀、中觀、微觀(如下圖):

中觀的部門分工與跟人員角色是一致的。因此在實際溝通匯總,先定了需求人,再結合其部門、職責分析問題場景,就很容易。對于在甲方上班的同學尤其如此,知道對方的部門和職位,就大概能判斷對方的場景是啥。

對于陳老師這種乙方公司的,就得很細心地了解情況,從對方的行業、商業模式、部門分工、業務流程、系統流程,一點點去梳理,避免因為名字不同,導致的理解誤差。

在這里很多同學會偷懶,經常說:老師,我是互聯網/傳統行業,你告訴我互聯網/傳統行業的通用知識就好了。

這種大而全的通識,根本就不存在。就拿醫療行業舉例子,陳老師接觸的客戶里,以下風馬牛不相及的所有人,都管自己叫:健康產業。大家看完,覺得這幫人能不能共識一個健康行業的通用標準出來……

(如下圖)

所以在梳理業務場景的時候,不要試圖用一個大而全的概念套各種模式,商業模式、產品類型、部門分工三個是必須了解的。如果討論具體一個產品功能/營銷活動這些細節,則要細化到三大流程里去討論。生搬硬套,只會落得一句:你這分析根本不符合我們實際。

當然,也沒必要神話細節,認為每個場景都獨一無二,叫囂:“你沒有在這一行干50年,賺1個億,你就沒資格做分析”。在業務場景的宏觀、中觀、微觀的每個層級上,同一層級,同一類型,是有很多相似之處的。

比如:l都是B2B+冷鏈供應的場景,醫藥和生鮮就很像

  • 都是B2B+電話銷售的場景,賣廣告還是賣招聘差異不大
  • 都是B2C+分銷銷售的場景,保險和微商又有多大區別

具體到某一個層級+某一類型場景后,相似點多,很多分析經驗就能套用。這種感受,在乙方的同學會比較深刻,特別是像陳老師這種老乙方,見多了各種場面,靈感自然源源不斷。

業務場景,和數據采集形式,數據豐富程度,數據質量直接相關。業務場景,也和分析思路直接相關,落實到業務場景里,才能抓住真正業務問題,提出有價值的建議。

四、數據質量如何確認

數據分析最怕什么,答:沒數據。而數據的多少,是直接由業務場景的數字化程度決定的。數字化程度低,沒有數據,就是沒法分析。

這一點在B2B類業務中尤其明顯!以B2B+業務員跟單銷售為例,理論上,跟單流程可以形成一個完整的轉化漏斗(如下圖)

有系統支持和對應的管理流程,任何行業都能做到像互聯網行業一樣的分析!

但實際上,常常是這個鳥樣

所以,B2B類業務的同學說:老師,為什么我分析不深入?答:因為你沒數據呀。甚至數字化程度低到,連客戶標簽庫都沒有。只有一個未經處理的,漢字組成的客戶企業名+簽約訂單。這要是能分析出個子丑寅卯來就見鬼了。

類似的情況在B2C業務里也很常見。比如用的是淘系、抖音的后臺,看不到明細數據;比如自建的商城埋點不夠(特別是倉促上的活動頁),總之沒有米,肯定煮不了飯。

基礎數據采集僅僅是第一步,數據質量還受到業務方動作的影響。原本沒有數據的流程,只要業務方肯做,就能一定程度采集上來數據。因此只要有機會,數據部門應該全力以赴推動業務流程數字化,把短板補上。

原本正常的指標,業務方做個動作就能把形態扭曲,因此不了解業務方做出的動作,不考慮業務影響,是無法做出準確分析的。經常是做完了以后落得一句:我早知道了。

綜上,這里要確認的數據質量,不僅僅指的是數據庫的臟數據,而是從源頭上有下面三者一起努力,才能做到:有數可用,有米下鍋。后邊的分析才能做得深入,精確。

  • 業務流程中,有多少數據被采集
  • 業務流程中,有多少數據被操控,怎么控制的
  • 業務流程中,有多少潛在數據,能被撈回來

以上,我們只是簡單分享了一下:具體問題到底咋個具體法,就拖了這么長的篇幅。實際上,制約很多同學做出深入分析的原因,就是簡簡單單的:見識太少了。連別人在做什么都不知道,怎么分析呢?

而相當多分析類書籍或者文章,要么只是在理論層面坐而論道,要么試圖用一個大而全的概念去歸納宇宙萬物,整什么:核心邏輯、底層思維,最后試圖用幾個很簡單的詞(什么對比思維、分解思維)解釋萬事萬物。這種東西看多了,只會越來越虛化,更沒法具體問題、具體分析了。

限于篇幅,本篇就不分享怎么具體分析了,有興趣的同學,記得關注公眾號接地氣學堂。我們下一篇再分享。

#專欄作家#

接地氣的陳老師,微信公眾號:接地氣學堂,人人都是產品經理專欄作家。資深咨詢顧問,在互聯網,金融,快消,零售,耐用,美容等15個行業有豐富數據相關經驗。

本文原創發布于人人都是產品經理。未經許可,禁止轉載

題圖來自Unsplash,基于CC0協議。

給作者打賞,鼓勵TA抓緊創作!
更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 業務流程數據化 還有分析的層級維度很好,謝謝老師

    回復
  2. 辛苦

    回復