数据分析五大避坑指南

分析工作中存在很多外面课程不教,一上手就容易踩的坑。

这些坑可能一踩就是好几年,甚至很多同学都不知道这是一个坑,白白浪费自己的青春。

#1:只给数据,不给观点

很多分析师做过这样的事情:老板问问题,给表格!老板问更多的问题,给自动化表格!!那要分析师做什么?

老板雇分析师的核心目的,是为了减轻自己的分析负担,如果只是想要一个产数机器,为什么不做个报表工具呢。

下一次你老板要你给数据的时候,都先问一下自己怎么理解这个数据。

#2:用算法模型解决所有问题。

现在外面很多课程在讲Python、算法和模型等技术技能,可以学,但是别自以为是的把技术优越感带到工作中。

有时候在你想要用各种高大上的算法预测目标的时候,他可能只是需要你从业务团队中收集信息而已。

比如当你用一个历史数据去预估明年销量的时候,可能因为国家政策发生了变化,根本没有人力来支撑去年的销量。

算法模型能解决问题,但不是全部。

#3:用现象解释现象。

用现象解释现象,这是分析工作最容易出现的问题。

分析工作中经常会出现“GMV下降是因为销量下降了”“销量下降了是因为DAU降了”这种废话。

这里并不是说这样说是错的,而是这些信息没有价值。这代表你的分析只分析了一半,你并没有给出这个问题的真正答案。

多问自己“why?”。

GMV下降?why?销量下降!(※)

销量下降?why?DAU降了!(※)

DAU降了?why?营销流量在减少!(※※※)

营销流量在减少?why?营销预算在减少!(※※※※※)(最终落到人、资源和项目上)

#4:无法接受不完美数据。

很多人都听过“Garbage in, Garbage out”的观念,但现实情况是世界就是不完美的。

在前司,光一个DAU的口径就变化了很多次,为什么?因为数据质量差,每次迭代都是因为发现了更好的计算方式。但能说现在就是完美的状态吗?我理解是不能的。

因此,我们生活在一个不完美的数据世界。数据可能不是非常准确的,可能会有些缺失,但是只要不影响我们产出洞察,就不影响我们的工作。

比如,你想知道明年DAU的趋势,但是你没有DAU的数据权限,在不开权限的情况下,我们认为访购率是恒定的,同样可以用订单趋势来进行估计。(当然,有DAU趋势更好,没有DAU趋势数据也可以用其他的数据)

#5:畏惧和业务沟通。

业务信息非常重要,他们那里有最新的动态、最直接的老板指示以及最新的规划。

要抓住任何一个和业务沟通的场景,多去扒一些信息出来,这同样可以在你老板面前建立你的信息优势。


v:陈鹏的专栏

你可能感兴趣的:(数据分析五大避坑指南)