社区编辑申请
注册/登录
总做描述性统计,深入的数据分析到底怎么做?
大数据 数据分析
分析方法是相互穿插的。有常见的描述性统计、对比分析,也可以结合预测模型,也可以结合数据测试,判断方法可行性。但是整体的分析逻辑,是不受具体方法制约的,一定是现有大的逻辑框架,再选择工具,才能得出有价值的结论。

​经常有同学抱怨:感觉平时做的都是描述性统计,同比、环比,深入的数据分析到底怎么做?今天系统地讲解一下。

常见的描述性统计

举个简单的例子,让分析:为啥业绩下降了。很多同学的做法,就是拿本月和上月做对比,然后分产品、地区、分公司等维度做交叉。最后发现:A产品业绩下降10%,B产品下降6%……再多做一步,可能算个整体下降5%,然后把各个产品下降超过5%的标红。这就算做完分析了。

这么做当然不深入!这样做有三宗罪:

一来,没有发现问题重点。经常几个维度都在下降,哪个是重点???

二来,没有解答业务的问题。下降5%只是个数字,业务的问题是:到底是我的产品不行、还是渠道不行、还是大环境不行???

三来,没有指向改进建议。我知道了A产品下降5%,所以呢?所以要把A换掉吗?要再追加营销费吗?要做培训吗?统统不知道?

想破局,当然不能这么无脑就数论数,而是要从:数据背后的业务含义开始做起。

改进第一步:建立分析假设

真正的业务问题是:

  • 营销力度不足
  • 新产品表现不好
  • 分公司管理不善

这些才是真正的问题

并且这些问题是指向改进建议的

  • 营销力度不足 → 追加活动投入
  • 新产品表现不好 → 寻找替代产品
  • 分公司管理不善 → 撤换分公司经理

但是,这些业务问题,是不能用一个指标简单描述,而是需要指标+标签,进行综合性描述。

比如营销力度不足,至少可以拆成三个分析假设:

  • 活动形式改变(用标签:形式A、形式B)
  • 优惠幅度下降(原先打八折、现在打九折)
  • 覆盖产品减少(原先60%产品参加活动,现在40%)

经过梳理,把业务问题,拆解成可以用数据指标量化的分析假设,就能做进一步分析了。

图片

而进一步分析的重点,就是:找到足够多的数据证据。比如这里有一条假设:营销覆盖产品减少,导致业绩下降。那么就得看数据上,是否非活动产品下降很厉害,活动产品下降很少。类似的,每一条假设都有证据,则可以汇总一个结论:就是营销力度不足,导致了业绩下滑问题。

改进第二步:聚焦重点问题

注意,假设方向不止一个。比如我们给出“营销力度不足”的结论以后,大家会自然反问:难道只有营销的问题吗?难道分公司管理没有问题吗?难道产品没有问题吗?

这一步,需要帮助大家清理其他假设,聚焦到核心问题上。这里有个简单的判断方法:哪个问题影响更大。

比如我想证明:营销力度影响,比产品的影响更大。那么我要列举的假设是:

  • 一直无活动的产品,前后变化不大
  • 原本有活动,现在没活动的产品,变化巨大
  • 原本有活动,现在力度下降很大的产品,变化巨大
  • 原本有活动,现在力度下降很小的产品,变化很小

这样有了充足的正反例子,能做实:营销力度就是影响很大,就可以剔除产品的影响了。

图片

这一步的分析,需要大量的的正反例子证据,是非常消耗精力的。要求分析人员有严密的逻辑梳理与大量细节数据论证。而且在这个过程中,很有可能发现大量的特例,让结论很难下。比如感觉上营销力度下降影响最大,可是有些产品就是很坚挺,有些分公司就是一直烂。

如果真出现很多特例,其实是个好事,说明:业绩不是单一因素影响的。这时候需要用MECE法,把特例的逻辑关系一一梳理出来。(这里不再赘述MECE的构建方式,有兴趣的同学看以前的分享哈)。最后效果如下图:

图片

这个时候,作为一个分析原因的报告,已经可以交差的七七八八了。但是还可以再多做几步。

结论:就是营销力度不足,导致了业绩下滑问题。

改进第三步:评估未来走势

注意:降低营销力度,会影响业绩,这个是不用分析也知道的。即使做实了这一点,很有可能还是落一句:我早知道了。反问一句:为什么明知道会有问题,还是会降低力度?很有可能是大家担心:费用会爆表。

所以可以多做一步评估:

  • 按目前的投产比+投入力度,下个月还会不会降,能否守住全年目标
  • 如果想让业绩不降,保持之前投入力度,费用会不会爆、啥时候爆

提及预测,很多同学闻风色变,觉得很难。实际上,只要不是输出名单的预测,都没那么可怕。在分析问题的时候做预测,给出预计走势,支持决策判断即可。比如这里预计营销费用与业绩关系,完全可以用简单的时间序列/线性回归,给出走势即可。可以做滚动预测/业务假设预测,用公式推导(如下图)。

图片

预测完了给预判,优先给问题严重级别,再给细节。对问题级别的判断会比细节数字更重要,比如营销费用失控问题,可以分作:

  • 严重:必须马上调整,不然超支严重
  • 一般:有几个月过渡期,还能做尝试
  • 轻松:不调整也能扛过去

严重性的判断是能直接指向决策的

  • 严重:立即找对策,马上调整
  • 一般:再尝试几次,总结经验
  • 轻松:既然调了会影响,就改回去吧

有了方向性判断,再看下一步执行细节分析

改进第四步:给出建议细节

有了第三步的支撑,第四步给的建议才会显得有理有据。不至于犯“我们都决定弃船了,你还在讨论怎么堵窟窿”的问题。比如第三步判断还可以再试几次,那就可以进一步看:

  • 挑选出对促销不敏感的商品,砍掉补贴
  • 挑选出低毛利的商品,直接砍掉补贴
  • 挑选出撤出促销后波动少的商品,逐步消减补贴
  • 找到对价格不敏感的客群,逐步增加他们喜欢的商品,扩大其基数

这里,这里会延伸出好几个话题,需要每一个话题单独做分析。比如用户分群,可以做矩阵分析,先锁定人群,再看其商品爱好(如下图)

图片

比如商品分析,可以先核算成本,再看促销敏感性(如下图):

图片

这样可以给出消减成本的方向,人、货、场因素都有了,可执行程度也很好。

小结

综上过程我们发现:想让分析有深入,关键在于组织分析逻辑。

  • 分析逻辑要直面业务问题
  • 把业务问题转化成数据描述
  • 排除小因素干扰,逐步聚焦核心问题
  • 行动建议,建立在整体走势预判之上
  • 行动建议,有细节数据支持

这样才可以把分析越做越深,而且能积累对业务有用的结论。

在这个过程中,分析方法是相互穿插的。有常见的描述性统计、对比分析,也可以结合预测模型,也可以结合数据测试,判断方法可行性。但是整体的分析逻辑,是不受具体方法制约的,一定是现有大的逻辑框架,再选择工具,才能得出有价值的结论。而实际工作中,很多同学是卡在第一步的:不了解业务,没有业务问题,只有简单几个维度交叉,同比环比,自然不够深入了。​

责任编辑:武晓燕 来源: 接地气的陈老师
相关推荐

2020-07-30 07:50:56

数据分析

2022-08-01 11:33:09

用户分析标签策略

2022-05-12 13:44:35

2022-02-24 11:49:18

数据分析业务数据

2022-01-18 08:04:37

2015-08-14 14:29:00

2021-11-11 11:27:55

2015-08-06 14:02:31

数据分析

2015-09-07 13:38:41

数据分析

2017-04-11 09:08:02

数据分析Python

2021-03-16 22:47:42

数据分析大数据岗位

2015-08-28 09:41:24

统计

2017-08-03 15:20:19

2019-09-04 19:58:46

2017-04-13 12:59:43

数据分析

2015-11-16 10:17:21

工作数据分析

2021-06-10 09:53:04

2017-05-16 13:00:24

大数据数据分析

2020-10-31 22:04:39

统计和数据科学数据科学家

2016-09-30 01:04:45

同话题下的热门内容

数据专家的晋级之路:大数据中的四大挑战!节日消费数据不“杀熟”?大数据带你一起“解”七夕!五个方法,破解数据分析的核心难题2022年网购如何对抗大数据杀熟,更换商品名词有惊喜

编辑推荐

什么是数据分析的漏斗模型?数据分析师还吃香吗?用数据告诉你对比解读五种主流大数据架构的数据分析能力《狄仁杰之四大天王》影评分析(爬虫+词云+热力图)22个免费的数据可视化和分析工具推荐
我收藏的内容
点赞
收藏

51CTO技术栈公众号