进入9月后,各种大促销在即,数据分析师们又到了一年最辛苦,最悲催的时间段。然而,有多少无意义的加班,是因为业务部门不会提需求导致的。需求提得不合理,业务部门看了不解决问题,就会反反复复地再提需求。导致数据分析师们辛苦加班还不落好,背上一个:“分析没深度啊!”的坏名声。
为了提高分析质量。我总结了数据分析师可以回答&不可以回答的问题。数据分析师们可以对症下药,在业务部门思路不清晰的时候,帮他们理清思路,找到他们真正关心的问题。
业务部门的同学们自取学习,提升数据能力,能让你的方案思路更清楚,减少返工机会。思路不清,被老板退回,反复改到V28-7F.3版,倒霉的还是业务部门自己。
简单来说,数据分析师可以回答三类问题:是什么,为什么,会怎样。
01
数据分析师可以回答:是什么
是什么:用数据指标描述某一时间段内的某个问题。这里有三个关键词:数据指标、时间、问题。
第一个关键词是数据指标。我们常提的,比如PV/UV,用户数,活跃率,转化率,留存率都是指标。讨论问题如果不能具体到一个指标,就无法用数据量化分析。因此业务部门需要清晰地知道:到底有哪些指标可以用。
这里强烈建议数据分析师们把自己公司常用指标整理一份《业务常用数据字典》,方便业务方统一口径,也方便业务方新人学习。尽量不要一个项目就新造一堆指标出来。公司内部统一口径,才是可持续深入分析的基础。
第二个关键词是时间。业务方往往对时间不敏感,喜欢张口就来:“我们的用户量是多少?活跃率是多少?”这时候数据分析师必须提示业务方,想清楚自己想看的数据的时间范围。活跃率是看周活跃率还是月活跃率还是年活跃。
如果业务方自己想不清楚,就交代一下业务背景,让数据分析师帮看看用哪个指标合适。不沟通清楚时间段,同一个指标反复取数,是导致数据分析师加班的重要原因!
第三个关键词是问题。数据指标有可能能直接说明问题。比如性别指标,直接统计某个时间点上的性别指标,就能看出来用户男女比例。有些情况下,需要多指标综合判断。
比如要判断一个推广渠道的质量。这里“质量”两个字就可能是综合指标。单纯地看渠道带来的收入可能不解决问题,至少还要看客户档次,看渠道成本,看ROI等等指标。有些情况下,还需要多指标对比做出判断。比如业务方问:什么渠道质量高。这里“高”就是一个相对值,需要有一个明确高低的参照物。
遇到综合指标&对比判断指标,业务方需要先给判断逻辑。毕竟业务方才是对业绩直接负责的部门。到底什么指标对业务发展更重要,到底什么程度才算好/坏,业务方才是最终裁判。对业务开展有利是最终判断准则。如果业务方暂时没有清晰判断,数据分析师可以协助先计算数据分布,提高业务方判断效率。
02
数据分析师可以回答:为什么
为什么:用数据分析问题产生的原因。需要指出的是,数据分析仅仅是寻找原因的一种手段。因为目前的数据仅能记录一小部分用户行为状态。很多重要的原因无法被记录。因此,数据分析更适合定位问题。剖析问题找到原因,可能需要用户访谈,渠道走访,亲自体验,产品测试等多管其下。
数据分析师70%时间要花在基础的数据处理、数据计算、报表制作上。相比之下,每天都在一线奋战的业务方,反而有可能对问题产生的原因,有更直观的感受。
因此,想精准的分析原因,最好的方式是业务方先提供业务假设:基于经验,可能是在XX方面有问题。数据分析师通过数据进行验证,质量就非常之高了。
03
数据分析师可以回答:会怎样
会怎样:用数据预测未来可能的情况。这里必须强调:不要高估所谓大数据、人工智能、科学算法的能力。数据分析师们预测未来的基本逻辑,是:过去的情况会重现,过去发生的逻辑未来也一样。完全凭空飞出来的黑天鹅是无法预测的。
本质上看,未来业绩是多少,是靠业务方做出来的,不是算出来的。如果业务方不努力干活,单靠算法、公式、模型、又能怎样?
因此,高质量的预测,是建立在业务方准确地提供未来计划之上。未来业务方将开展的计划越精细,数据分析师们,就能越准确地衡量得失,判断内外部因素影响。如果没有计划,数据分析师们,也只能假设现在的某些趋势保持不变,简单拍拍脑袋。
04
数据分析师不可以回答:怎么办
重要的事情说三遍:
分析“我该怎么做”不属于数据分析师职责
分析“我该怎么做”不属于数据分析师职责
分析“我该怎么做”不属于数据分析师职责
虽然也有分析两个字,但是如何设计解决方案是业务部门的事。运营部门就该做活动方案,产品经理就该出产品方案,销售部门就该想东西怎么卖。这才是业务部门的本职工作。
吵吵着:“你说我不行,你行你上啊”是玩忽职守的扯皮表现。如果连具体的业务方案都让分析师来想了,分析师也干脆把业务部门的工资领了算了。
05
不靠谱的需求大多长这样
一份合格的需求,一定要先想清楚:自己到底要什么。当方案还在策划阶段,最需要了目标客群历史上的“是什么”,通过对过往经验的回顾,寻找下一个方案的想法。有了初步的想法以后,可以测算“会怎样”,为选择方案提供数据支持。当方案落地成项目时,可考虑监控当前的“是什么”,监督项目进度。当项目完成后,可再分析“为什么”,总结成功失败原因。
业务方提需求的时候,最忌讳眉毛胡子一把抓。脑中一堆问题没头绪,就一股脑倾泻给数据部门。嘴里讲的是看一个XX指标历史数据,心理想的是:“我靠,未来这个指标不会下滑吧”。嘴里讲的是看两个AB指标的走势,心理想的是:“肯定是B影响了A”。如果数据结果和想象不一样,就怀疑是数据问题,又提一堆乱七八糟的新需求。
往往取数的逻辑越来越复杂,到最后都已经不记得最初想解决什么问题。亲,想做预测就直接做预测,想分析原因就直接找原因,不用这么弯弯绕绕。在如何看数据上,数据分析师们有更丰富的经验,和他们充分讨论,出品质量更高哦。
当然,最大的问题还是不会问:“是什么”。取数分不清指标,分不清时间状态。平时没有养成严谨的数据习惯,随口说:“我们的用户有1000万”“消费1000以上”“大部分是男性”之类的话说得太多。导致看似有数据意识,实则认识不清。
利用数据思路混乱,输出结果不严谨,导致反反复复取数、核对数据,消耗了大量时间。当然,业务部门没必要做到专业级的严谨,这里必须靠数据分析师来把关,协助大家提高分析质量。
06
高质量的需求可以这么提
不直接问“我要做什么”,不代表数据分析师不能支持到方案选择。实际上,合理的提问,可以有效获取参考数据,启发思路,提升方案质量。比如把“分析一下我该怎么干”换成以下问题,就有可能获得更好的结果:
第一:可以来问是什么。比如:“我们近2年来采用的,类似XX形式的促销,ROI表现如何?响应率如何?响应的客群是什么人?我们去年在国庆投放的广告,转化率如何?在没有做促销的情况下,去年的同期业绩是多少?我们截止到上个月最新的高端客户的特征是什么?他们喜欢哪些类产品?他们的购买周期怎样?”
掌握具体情况越丰富,细节越详细,越可以帮助业务方看清楚哪些方法好用,哪些方法不好用;掌握的目标用户行为越多,越可以帮助业务方把握目标群体的特点,从而更好地思考哪些方案可行。这里可能就是基础的数据分析结果呈现与用户画像展示,但对启发思维是非常有帮助的。
第二:可以来问为什么。比如:“什么上个月的活动投入力度那么大但是响应率不高?是因为宣传没有到位还是投放的券力度太小?从环节上看,是访问率跌了还是转化率跌了?类似力度的活动,比如去年XX活动转化率多少?”
找原因的时候,有具体的假设,就能帮数据分析师快速锁定目标。数据分析师们,可以提供丰富的数据来多角度论证问题。毕竟去伪存真,去伪的难度更低。
第三:可以来问会怎样。比如:“我已经计划好了,采取买二赠一的模式,在X月X号-X月X号进行,针对所有用户开展活动。请帮忙测算一下到时会有多少人参与?到时会不会出现库存不足?如果参与人不足,在什么时候再投放一次广告能弥补问题?”
有了具体的方案以后,数据分析师们就可以为业务量身定制测算方案。可以很细致的结合具体的活动形式、活动时间、活动群体,来考虑竞争对手的影响,考虑季节性波动与参与率。从而相对精确的给到测算意见,为业务部门行动提供有力的支持。
当然,一个业务技术双精通的数据分析师,是可以提业务方搞掂上边所有问题的,不依赖业务方的判断,因为他自己就是个业务高手,有丰富的实战经验与业务能力。但这种人是可遇不可求的。大部分数据分析师还是70%时间处理数据的技术男。
为了提高效率,请珍惜数据分析师的时间,让他们把智力投入到更有价值的为什么,会怎样的分析上,而不是反反复复的当人肉报表机提数据,那样分析的结论不深入,既浪费分析师的人力,又耽误业务部门决策。