专栏首页数据分析1480数据分析,如何做才算“深入”?

数据分析,如何做才算“深入”?

很多同学很困惑,到底什么算“深入”分析?为什么自己做的数据分析总被嫌弃“不够深入”。今天系统解答一下。举一个最常见的分析需求:业绩下降了,分析下原因。这是各个公司的销售、运营、产品都最爱问的问题。看似来似乎非常简单哦。

肤浅的分析长这样

深入是个形容词,是相对于肤浅而言的。常见的肤浅分析,有以下三种:

1、答不对题。题目问的是“分析下原因”,结果做分析的人只给出来一些数字。诸如:华北片区降低了5%。完全没有原因,也没有啥结论。

2、不分对错。题目给的场景是“业绩下降”,并没有说下降本身是好还是不好。结果做分析的人一看下降就默认是“不好”,然后开始长篇大论。最后只换回一句:“我们早就料到啦,因为投入在降低呀”,好尴尬。

3、缺少论证。很多做分析的,只是列出一个下降的业绩曲线,然后写了一大堆完全无法用数据论证的理由,什么宏观环境、消费习惯等等。开局一张图,原因全靠猜。即使不看报告,业务部门自己也能猜到这些理由,最后落了一句:“我早知道了,讲点我不知道的”

肤浅VS深入的区别

之所以会分析的很肤浅,是因为缺少论证过程,缺少理解问题的真正状况,只是停留在数字层面加减乘除。想要深入,就得一步步的建立分析逻辑,开展论证。特别是这种看似简单的问题。问题题干越短,意味着情况越不清晰,越需要梳理。提问的人可能没有受过转业训练,想到什么说什么。可做分析的同学必须沉住气理清状况,才能剥丝抽茧,找到答案。

想深入先做这三步

第一步:梳理事实

要理清的包括以下内容:

1、是什么时间的事

2、目前结束了没有

3、从多少降到多少

4、 是周期性、突发性、还是持续性事件

梳理清楚这些,才知道问题的真实面貌。才有下边具体讨论。

第二步:问题定性

到底下降是不是问题?现要有个清晰的判定标准。需注意,有很多情况,业绩本身就该降。

比如:

  • 投入撤出:减少投入了,那业绩就自然会适当降低。
  • 节假日效应:周末我们的客户都放假了,本来就该没生意。
  • 产品退市/清库存:业绩就该掉,有可能掉的越快越好。
  • 有计划地系统更替:系统更新导致交易无法进行,只要是计划中的都算正常

因此,下降=/=不好=/=天要塌了。要对问题性质进行判定。计划内的、规律性的下降是很正常发生的事情,计划外的、突发的、异常的下降才是拉警报的问题。

需注意的是:对问题定性不能单纯的就数论数。眼前的一两个数字并不能解释这么多问题。比如投入产出、产品上市退市计划、系统更新情况,都需要做分析的同学有深入的了解。比如业绩周期性变化规律,产品生命周期各阶段数据规律,需要提前进行深入总结。这样才能遇到问题时有足够多的判断依据。从这里开始,我们已经正式踏上深入分析之旅。找到数字背后的深层逻辑,是深入分析的本质。

第三步:衡量幅度

对问题定性,只是判断一个好/坏。至于有多好,有多坏,还需要进一步计算。衡量幅度和选择的标准有密切关系。如果是计划内的下跌,我们可以按计划设定标准。

比如:

  • 投入撤出:投入产出比、投入边际效益是多少。
  • 节假日效应:上一周期/平均水平的节假日降多少。
  • 产品退市/清库存:同类产品退市前,业绩每周跌多少。
  • 有计划地系统更替:系统更替时间段影响多少交易,对应多少业绩。

如果是计划外的下跌,则要找一些更宏观的标准,比如整体业绩目标的达标率。先计算整体上下跌多少,是不是已经跌破目标,跌破的量是多大。对整体做个判断。再往下看:

  • 发生时间:短期突发or阴跌不止,速度越来越快or小碎步跌。
  • 发生地点:整体性or局部性,局部性最大的部分在整体占比多少。
  • 发生群体:全体or部分,最大的部分在整体占比多少。

这样可以有效区分出轻重缓急,圈出重点。越短期、越大幅度、发生面积越大的,问题越严重。越长期、小碎步下跌,越说明出了根本性问题。如果只有某个部分拖累大盘,就在下一阶段集中处理。切记,在整体形势没有判断之前,不要拆太多细节维度。不然拆的越多,思路越乱,看到一堆指标高了低了也不知道咋下结论。

持续深入做这三步

第四步:区分问题

做完一二三步,我们已经对问题有了初步认识。利用(1)是否是计划内发生(2)发生幅度是否猛烈,两个维度。我们可以对问题进行分类,从而清晰下一步的深入方向:

在开篇我们说过,不是所有下降问题都值得拼死命找原因,如果是计划内的+轻微波动,那原因就是:正常波动(也就是业务常说的:我早知道了)。很多同学不敢下这个结论,怕被人说做的不深入。可敢于肯定正常波动四个字,本身也是经过了一二三步的分析的。我们已经验证了确实是按计划/按规律的波动,那就有底气做判断。

如果波动真的太小,暂时找不到原因,可以先设观察指标、持续关注,这样等问题累积到一定程度就能顺腾摸瓜找到问题起点。很多同学在这里会过于着急,急着在一次分析找到答案,可现实就是波动很小,总也找不到,于是匆匆交差。之后又忘了跟进,导致问题积累很大的时候又找不到头绪,忘记了其实苗头早已出现,被批为:“早干什么去了”。如此种种囧境,就是缺少监控意识,过于死磕一次分析细节所导致的。

遭遇计划外的剧烈波动,先查数据质量,确保不是数据质量问题报了假警。确认真实性后,最好的办法是:在第三步圈出问题最剧烈的区域,以后直接联系业务。传统企业的找分公司、找市场部、找销售;互联网企业的找产品经理、找运营。如果是真实的+计划外的+剧烈的波动,一线业务早就炸锅了。他们比远在千里之外的总部数据分析师更清楚真实问题。既然是紧急且重要,就不再磨磨唧唧跑数了,掌握第一手资料最重要。

要特别注意计划内异常波动,这是业务部门最喜欢撒谎的地方。比如产品升级延时、促销活动调货缓慢、商品管理算少了工作日,都会导致业绩下降,这些都是业务的执行问题。可业务最喜欢把责任甩给外部环境,甩给用户需求,或者用“不都是这样的吗?过去也一样啦”来搪塞过去。同样的活动,做的差就是做的差,作为认真做分析的人,首先要把这种问题暴露出来,至于要不要和业务刚正面揭他们的短,就看具体环境而定了。

第五步:区分内外部影响

再往下深入,就会牵着到多因素交叉影响的问题。尤其是内外部因素交叉。这是很多同学最头疼的环节。处理的方法,是优先区分内部与外部因素。因为如果真是宏观因素带来的影响,绝非一个公司的力量可以抗衡,也绝非一时之间的变化,这种巨大的变化是很容在数据上观察到的,通常体现为地震式或瘟疫式下跌(如下图)。

但反过来,大部分非致命伤,都是内部原因。这时候可以用标杆分析法,轻易的戳破业务部门的借口。我们可以找到同期做的好的标杆进行对比分析,揭示标杆分公司、标杆商品、标杆部门在工作上的优点。“别人都做的到,你凭什么做不到”“别人在努力做,你在努力找借口”是业务部门的领导怼下属的最好武器,我们可以帮领导们及时装填上子弹,让业务部门认真反思自己工作可改进点。而不是纠结“到底业绩下降里边有X%来源于外部环境”——实际上,不管到底x%来源于外部环境,业务自己没做好,就是没做好。

第六步:深入外部问题

有可能确实有外部影响存在,我们可以从数据监控中发现这一点。一般数据上表现为:

1、业绩指标随政策应声而落

2、业绩指标长期阴跌不止

3、提振业绩手段效果越来越差

4、所有业务线均呈同态势下跌

5、没有被波及的业务线有特殊资源支持

比如做促销活动,活动当时业绩冲的越来越高,活动之前之后跌的越来越狠,就很有可能说明用户已经习惯于有促销就买,没促销就不买。这时候就得考虑调整策略。

当然,想最终确认外部因素,单靠内部数据是远远不够的。一般确认行业性的因素,需要竞品情报,得有本事收集到可靠的竞品信息才行。确认用户层因素,需要市场调查部门配合,做用户访谈才行。单靠内部数据写写代码跑跑数很难验证想法。所以做商业分析,还得多方面下功夫才行,各个数据各司其职才是最好的。

深入分析多久来一次

针对“业绩下降了,分析下原因”,以上就是深入分析的过程。六个步骤涉及大量数据工作,绝不是如果网上文章所言,只要一个“拆解法”或者“多维法”就能搞出结果。这里需要

1、对业务的了解

2、对业绩指标走势有经验积累

3、对常见业务活动的数据表现有总结

4、对不同维度下数值差异有拆分

5、对标杆情况有掌握

6、对内外部归因有判断

7、未结问题进行跟进

想要做到深入分析,要么在平时就有很多分析结论积累,事到临头才能用上很多现成的结论,快速找到原因;要么就得做很多细致的分析,一步步深入。只有手头几个数据,是很难深入的。

不过这并不是同学们的问题。很多企业里没有分析经验沉淀;业务和数据脱节缺少沟通;业务过于强势,强词夺理;数据的领导是技术出身,自己也不知道咋分析;做数据的同学止于跑数,没有机会参与调研,更离一线万里之遥。这些是企业本身的组织问题,却会导致同学们平时积累少,临阵记得抓耳挠腮。从今天开始,大家可以尝试一步步做好积累,慢慢提升深入分析能力哦。

本文分享自微信公众号 - 数据分析1480(lsxxx2011)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-09-14

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 读《麦肯锡工作法》有感:4个步骤高效解决问题

    在我们的身边,每天都会遇到很多问题。“工作不顺利”、“上级制定的KPI无法完成”、“上司不同意自己的提案”等等。

    1480
  • 数据分析,该怎么做才能超出预期?

    有同学问:每次做的数据分析报告,业务方看了不是说“我早知道了”,就是说“你这不符合业务常识”。搞得人很郁闷。比如最近一次,诊断业绩波动问题,分析了一堆流量*转化...

    1480
  • 大数据之脚踏实地学09--Hive嵌入式安装

    经过前面几期内容的介绍,相信大家已经把Hadoop的环境搭建好了吧。正如前几期所说,Hadoop的搭建实际上最核心的就是HDFS(文件存储系统)、Map-Red...

    1480
  • 数据分析,如何做才算“深入”?

    很多同学很困惑,到底什么算“深入”分析?为什么自己做的数据分析总被嫌弃“不够深入”。今天系统解答一下。举一个最常见的分析需求:业绩下降了,分析下原因。这是各个公...

    接地气的陈老师
  • 好雨云资深架构师祁世垚参加Qcon演讲,现场反响热烈

    Rainbond开源
  • 半导体基础知识(4):无源,有源和机电组件

    半导体的基础知识,从掺杂半导体到二极管到晶体管,再到这篇实际组件,这个小系列只是供从宏观上回顾基础的半导体知识。本节原文:Passive, Active, an...

    Reborn Lee
  • (55) 容器类总结 / 计算机程序的思维逻辑

    从38节到54节,我们介绍了多种容器类,本节进行简要总结,我们主要从三个角度进行总结: 用法和特点 数据结构和算法 设计思维和模式 用法和特点 我们在52节...

    swiftma
  • Golang 通用连接池

    资源链接 https://github.com/silenceper/pool pool GoDoc Golang 实现的连接池 功能: 连接池中连接...

    李海彬
  • Workerman3.x 版本学习之入门

    用于学习Workerman的虚拟机配置信息如下(至于环境的安装,请参考官方手册自行解决):

    py3study
  • 探究 Nginx 中 reload 流程的真相

    今天这篇文章主要来介绍下 Nginx 的 reload 流程。实际上在之前文章中,在更改了 nginx 配置文件时,我们都会执行 nginx -s reload...

    武培轩

扫码关注云+社区

领取腾讯云代金券