一次澄清:数据分析思维五大误区

很多同学在问:数据分析有没有标准思路,有没有分析思维模式。答案当然是:有。但绝不是大家日常在公众号看到的各种炫酷名字。什么SOWTPEST,二八法、切割法、多维法、业务法……这些名字炫酷有余,可解决真实商业问题的时候没一个靠谱的。今天我们正本清源,一次性跟大家解释清楚:哪些数据思维的常见误区。

 

误区一:数据分析思维是4P4CSWOTPEST,五力模型……

澄清:这些太过宏观,完全没法具体分析。

 

这些概念是营销学、战略管理、产业经济等等课程的理论模型。在真实企业中,往往是一组人干的人,不是某一个人干的事。比如营销讲4P,在真实企业中,如果是传统企业,至少有一个营销总监管着营销部门,下边分为:产品管理、市场推广、品牌宣传、会员中心、促销活动、公关联盟等多个小组。如果是互联网公司,往往新客户获取由市场做,老客户维护由运营做。在运营里,又有用户运营、产品运营、活动运营、社群运营、新媒体运营、渠道运营、商品运营……

 

每个部门的负责内容、工作流程、数据来源、考核KPI都不一样。不结合具体工作具体分析,而是洋洋洒洒写4P,每个P写了一堆东西,结果就是完全不具体,不知道给谁看,看了有什么用。那感觉,就像我们看大学生写的课后作业《腾讯发展的十大成功要点》一样

(~ ̄▽ ̄)

 

优化策略:在企业里工作,要解决真实商业场景的真实问题,就要具体问题具体分析。


做分析前,搞清楚我们是在服务:

XX企业(行业、商业模式、发展阶段)

XX部门(销售、市场、运营、供应链、风控……)

XX小组(品牌、产品、活动、会员、公关、广告……

XX问题(我不知道目前情况,我们发现了XX问题,我们有XX困惑……)

这样才能真正做出有商业价值,而不是自娱自乐的东西来

 

误区二:数据分析思维是用户留存、用户画像……

澄清:这些是具体的指标,是分析的素材,不是结果

 

如果把题目完整,其实应该还有用户拉新、用户促活、用户留存、用户转化、用户推荐、用户画像……你看,这就是用户运营这个部门的工作内容吗。对应在数据上的,是一个具体的指标,比如:


  • 用户拉新(用户来源渠道、新用户数、拉新转化率、拉新漏斗、拉新质量)

  • 用户促活(用户活跃率、活跃用户质量、各层级用户活跃率)

  • 用户留存(次日、3日、7日、30日、季度、年度留存率;留存用户数)

  • 用户转化(转化率、转化行为、转化MOT、首次、二次、多次消费,RFM

  • 用户推荐(参与率,有推荐行为人数、人均推荐人数、推荐质量)

  • 用户画像(以上所有指标+用户基础信息+用户设备信息)

 

然而,单单列出这些指标,并没有达到分析的目的哦。比如用户留存,有的把用户登录APP定为留存,有的把消费定为留存,当定义不同时,留存含义都会变化,指向的业务动作当然也会变化。只看一个数值多少,是没法解答具体商业问题的。

 

而且,针对留存这个问题,还有个经典困惑:如果我们把3个月内有付费定义为留存,一个月买1000产品,连续买3个月,和一次买6000,半年买一次的有什么区别?看似一次买6000,半年买一次是“流失”了,可有的消费者就是喜欢囤货,就是喜欢蹭618,双11(刚好上下半年各一次)……那这个定义本身都有问题,要怎么分析呢?

 

优化策略:结合商业场景定义指标,从商业问题入手,而非从指标入手,构建分析思路。单纯看一个指标,屁都看不出来。可企业经营遇到的问题是活生生的:我们增长遭遇瓶颈,我们收入不够,我们的商业化速度太慢,怎么办!从这些具体痛点入手,把“增长遭遇瓶颈”对应到数据指标上(新用户数,GMV……)这样就能真正开始脚踏实地的分析了。

 

误区三:数据分析思维是象限法、多维法、二八法、对比法

澄清:这些其实都是一个基础操作→分组对比。

通过分组对比,找到数据差异。

  1. 二八法:一个指标按二八开做分组

  2. 象限法:两个指标,先各自分类,再交叉分组

  3. N个指标:聚类分析,聚成N

 

这些都是具体的分析手段,是分析的一个环节,不是分析本身。如果大家把它和上一个误区连起来看,就发现其实两者是一脉相承的。有了指标,没有标准,拿什么判断好坏!于是需要对指标做分类对比,先树立起“好/坏”的标准。或者业务上已经有了“好/坏”的定义,我们做分组对比,看看“好”到底在哪里好,“坏”到底在哪里坏,明确一个清晰的数量分界线,这样才好做后续深入分析。

 

优化策略:标准至关重要,数据+标准=判断。有了判断才能深入分析。因此没有标准,就通过分组对比找标准。有标准,通过分析对比,找到“好/坏”的点。分组的方式可以根据数据多寡来选。但思路一定要清晰。经常有同学来问老师:老师,我要聚类,我有一堆数据,我该怎么聚?老师肯定反问:你想聚了干什么啊。去餐馆吃饭,你都得先问客人:客官想吃点什么。而不是在这想:我有大米、蘑菇、牛肉、所以我要怎么做客人才爱吃呢?

 

误区四:数据分析思维是漏斗法、多维法

澄清:这些其实是一个基础操作→构建指标体系。

指标背后具体商业动作,指标体系是按商业动作的逻辑,把一顿指标串行/并起来,从而观察商业问题的基本方法。单一的指标本身就是很难说明问题的。

 

商业动作的逻辑关系有两个基本类型。一类是串行关系,比如用户看到我们的站外广告然后到网站注册买东西,就有看到广告→落地页→注册→浏览→购买,这样一个顺序动作。需要先做完一个再做另一个。每一步会损失一些用户,因此摆在一起像个漏斗,是所谓漏斗法。其实只要是串行指标都能做漏斗,不限于“互联网AARRR漏斗”。比如B2B企业的跟单,就是一个典型串行关系:接受销售线索→首次联系→二次跟进→打样→竞标→签合同

 

另一类是并行关系。比如用户购买会带来收入和利润。

  • 利润=收入-成本

  • 收入=销售收入+广告收入+投资收入

  • 销售收入=日用+百货+3C+餐饮+……


这种整体与局部、总分关系的都是并行关系。基于这种关系有一个分析方法叫杜邦分析法。在追查问题的时候,可以从总体到局部,从宏观到细节层层深入,比如发现利润未达预期,再往下看,是收入不够,还是成本飙升;再往下看是哪些区域、产品、用户贡献的收入不够;哪些项目成本飙升。这样的推进方式,是所谓“多维法”“分解法”“拆解法”——其实就是总分看数的意思。

 

优化策略:

其实看完前四个误区,大家已经发现了,本质问题是,这四种误区其实是一件事,就是:把一个完整的分析思路,人为割裂成若干个炫酷的名字。名字看起来是牛逼了,可真正操作的时候,单纯靠某个环节是无法解决问题的。真正做分析,是把上边四类打通,一步步的深入,逐渐逼近真相。要

 

  1. 理解商业背景

  2. 建立指标,用数据说话

  3. 明确指标背后的商业含义

  4. 把商业问题转化为可量化的数据问题

  5. 梳理指标关系,建立指标体系

  6. 寻找判断问题的标准

  7. 按图索骥,找到问题点

  8. 提出假设,推测原因

  9. 验证假设,归纳结论

  10. 提出预测,判断走势

  11. 跟踪走势,发现新问题

 

如此循环往复,逐步积累经验,就会分析的越来越准确。只可惜这个过程太复杂,需要一步步详细解释。因此很难给新人们直观的感受,并且不够炫酷啊!新人们总在问:分析思维模型是什么?老师你有哪些模型可以讲?于是为了吸引新人,很多教数据分析的老师就忍痛割爱,咔嚓几刀把原本完整的分析思路切成“矩阵模型”“二八模型”。看起来卖相好多,哈哈。


如果把上边的一堆方法,连同统计学方法打包,大概可以归纳如下

640?wx_fmt=png

 

当然,还有一类误区是直接把统计学方法当做数据分析方法。不过这个误区一般存在于没有见过真实商业数据的在校学生群体。真正进入企业工作后,大家都被糟糕的数据质量和混乱的问题搞得晕头转向,没人迷信这个了。

640?wx_fmt=png


陈老师新课上线,目前正在预售阶段

原价399预售价199。全部课程将在7月1日左右更新完毕,敬请期待哦。有需要的同学可点击文章末:阅读原文,购买课程。或从提纲的二维码里扫码购买。


640?wx_fmt=png

你可能感兴趣的:(一次澄清:数据分析思维五大误区)