数据分析师必看：数据分析框架和任务拆解

当领导给到一个目标的时候，你会怎么做。譬如，我们现在从某个产品获取到了很多用户的意向信息，需要怎么把这些数据和业务结合在一起？下面聊一下几个思路，

01. 先对意向信息的有效性、质量、真实性进行识别和明确

怎么确认？

• 首先，信息的采集渠道有哪些，各自的准确度，取决于公司各平台的特性，用boston矩阵进行拆解分析，最终进行权衡；
• 采集到信息的完整性，能够描述意向的指标内容项有哪些，是不是都具备了。即对意向的定义和定性过程，是一个人看了就算、还是说他看了很长一段时间就算、或者说他渗透到某一个下沉页面的时候才算，这里面都有不同的理解；
• 信息的衍生指标，譬如说这个用户的基本信息，年龄、性别、收入流水、籍贯、常住地等等；用户在产品上的使用行为记录，看过哪些页面、每个页面的停留时长；平台信息对这个用户的综合评价性指标，首次登陆时间、活跃频次、日常访问时间段、停留时长、留存情况、复购情况等；
• 商品的衍生信息，基于浏览/检索的内容信息反向搭推荐内容框架，譬如搜索的商品是A，A的属性有品牌、类型、价格、参数，那么同类型的品牌产品、同价格区间的其他产品、同品牌下的系列产品、同参数的不同价格产品等等；
• 对于用户的第三方平台数据信息，譬如征信记录、银行存款、信用额度等等。

通过对以上信息的综合整理，构建一个基于用户的线索池，进行自我交叉验证；构建一个外部数据池，进行三方交叉验证，最终沉淀下来的基本上就是能够应用的数据。

02. 再设计信息的分发流程，需要经过哪些部门，谁来用，怎么用这些过程

在经过第一层模型的数据筛选处理之后的信息我们认为是可靠的，这时候单一部门已经没办法让数据的价值得到充分的体现，必须是跨部门的协同合作，这时候就需要考验对产品、对业务、对技术的理解程度了。

这些意象信息，可以应用在哪些业务上，涉及到哪些人以及这些人的职责是什么，信息的流转需要以什么样的载体在产品中体现，包括技术上的一些壁垒打通。譬如说我们用python做了数据的处理清洗，算法模型在其他语言实现时可能会打一定的折扣，那这时候就需要精进我们的技术能力，可以提供相关的接口供其他技术部门调用。

• 哪些人，涉及到一个团队的组织架构图，以及对应的岗位说明书；
• 产品，涉及到对公司产品架构的了解，产品及对应的模块文档；
• 技术，涉及到对专业领域的深度，对不同语言实现功能的效果对比；

总结起来，就是这些信息在经过一个流程的时候，需要过哪些人的审批、执行、落地、跟踪，之后由谁来负责将意向转换为业务语言进行需求对接，最后的结果怎么样。

03. 建立意见反馈机制，当信息识别分类异常、错误时，应收集相关信息及时调整规则

在实际应用的时候往往就能暴露出一些理论知识的短板，算法、模型再精确，它是围绕着数字之间的关系计算出来的概率结果，就意味着准确率永远达不到百分之百。

呈现几种现象：

• 用户意向的描述不一致，真实需求是A，通过算法表达出来的是B；
• 基准错误，用户只是随便逛一逛，但是被识别为意向；
• 推荐错误，用户的需求是A，经过推荐规则之后得出来的结果是彼此互斥、不相关的产品；
• 业务话术问题，引导式的问答方式、话术内容设计、对意向的理解都会造成一系列的问题；
• 产品问题，在设计产品的时候，没有充分考虑到不同类型用户的使用习惯，体验感差；
• 流程问题，信息流转过程中容易出现的一些重复操作、信息冗余，造成整体耗时较长；
• ……

我们可以把这样的问题归纳为：数据分析算法问题、产品问题、流程问题，就需要进行深入的专项分析，最终进行定位解决。

04. 搭建数据信息匹配模型，筛选出可以进行优先级排序的指标项，分配权重系数

当业务经过一段时间的沉淀，很多人为敲定的规则能够通过机器的方式进行判断，这时候就能够去沉淀业务规则，从经验决策转变为数据决策。

信息的匹配模型，可以划分为三个阶段：输入层、处理层、输出层，在处理层就会关联到原有的产品逻辑和流程规则。这个过程和神经网络算法实际上有点儿类似，得有人告诉我这项业务的判断依据，也就是做决策时需要观测的数据指标项，分别由哪些类目构成，然后在有多重因素的情况下人为判断是怎么做的选择，决策之后的结果交付的下游方是谁。

权重系数，是对多重因素的一个优先级排序，譬如我要给用户推荐一款商品，我会优先考虑他的性别、年龄层以及对应的收入，这就定下了一个基调，他能够接受的品牌和价格范围；然后再考虑他的一些日常习惯，在可选的产品里面哪一款更贴近于他的喜好；再之后便是他的偏好，颜色、质量、运输时效等等。

05. 形成数据闭环，数据应用的结果需要进行跟进，反哺规则、算法、模型上的迭代

在实际的业务过程里面永远不存在一次性分析，毕竟市场在变、环境在变、生活方式在变、人的行为习惯喜好也都在变化的过程里面，用户和产品都在成长，所以这时候可以引入一个叫做生命周期的词语来进行区别。

• 对于产品而言，它有产品全生命周期，包括线索、商机、需求、需求开发、产品实现、市场推广、市场占有饱和、用户衰减、产品迭代、用户维护等等一系列的过程；
• 对于用户而言，它的生命周期实际上是成timeline形式，接触平台、成为新手玩家、了解规则成为朋友、恋爱期的粘性用户、蜜月期的忠诚、逐渐冷淡之后的消沉、分手之后的死亡；
• 对于商品而言，在设计师的各种脑暴和灵魂创造之后，可以概括为设计、生产、上市、热卖、退市、处理几个阶段；

对于数据分析而言，实际上我们需要了解不同视角下每一个阶段的衍变过程，这样才能进行针对性的数据探索，毕竟每一个阶段下的数据类目和关注的侧重点都会不一样。

End.

作者：Qarcher 来源：知乎