社区编辑申请
注册/登录
五个方法,破解数据分析的核心难题
大数据 数据分析
从本质上看,标准问题牵扯绩效考核,因此业务方才有浑水摸鱼的动力。这是个披着数据问题的办公室政治问题。因此,想破题,一定不能把解题思路引到“有一个完美的数学算法”上面。任何数学算法都解决不了人心贪婪的问题。

数据分析的一个基本常识:数据本身没有意义,数据+标准才有含义。然而恰恰是标准二字,弄死了无数数据分析师。常见的问题,诸如:

没标准:业务说“我的活动提升了业绩, 计划提升多少我也不知道,你分析分析?”然后不管数据提什么,业务说“太少了吧,你没考虑周全”。

标准不确定:业务要提升“顾客健康度”“渠道质量”,然后不管数据分析师用什么指标,业务都说“你这几个指标就能代表健康了?那另外一个指标就不健康?”

标准反复横跳:指标下跌了0.1%,业务紧张得要死,非要深入分析;指标下跌30%,业务说“这是正常的,你分析个屁!”。

找标准,是数据分析核心难题。标准不确定,数据反映出的是不是问题?是多大的问题?是谁的问题?都不能确定,那还咋深入分析呀。那到底标准怎么定?今天系统讲一下。

1.为什么定标准那么难

从本质上看,标准难定,主要是来自业务本身考核难度不同:

  • 有的业务是搬砖式的,做一件东西就是一件东西,这种最容易定标准,计件工资即可。
  • 有的业务是BUFF式的,提高了做东西效率。这种标准就不容易定,因为很难剥离出“没有buff是多少”,无数的争论都是从这里来的。
  • 有的业务是锦上添花的,就像菜市场小贩吆喝“我家番茄又大又红咯”。这种不做不会死,做了看似更好,但很又很难考证效果。

更糟糕的是:有的数据分析师,不清楚以上区别,以为可以一锅炖。

更更糟糕的是:有的业务,很清楚以上区别,所以在自己做得不好的时候,故意浑水摸鱼,企图模糊标准,为自己文过饰非。

当一个不懂区分的数据分析师,遭遇一个企图蒙混过关的业务,就是标准的盲人骑瞎马了。这才会出现开头的种种吐槽。更搞笑的是,这时候懵懂懂的数据分析师还没发现问题,还会在网上到处问:“哪里有中国互联网数据分析统一标准定义?”

所以破局的思路,就是不能指望业务部门良心发现,而是数据分析师自己练就火眼金睛。辨明是非,分类型看标准如何定。

2.第一类:赚钱的搬砖

比如互联网行业的推广、投放,传统企业的销售、门店。这种是可以考核到人的,每个人为公司贡献多少收入、贡献多少新用户一目了然。这类工作事关公司收入和业务增长,因此一般都有硬考核指标,且一般都是老板强硬压下来的。

这种情况下,记得三不扯原则

n 不扯“自然增长率”。该做多少做多少,不服气去跟老板吵

n 不扯“合理不合理”。老板定了多少就是多少,不服气去跟老板吵*2

n 不扯“其他深远效果”。老板没有定的不理会,不服气去跟老板吵*3

数据分析师要做的,就是把老板的目标,按业务线/按时间拆解出来。把年度目标,分解到每一个时间段,然后跟踪完成即可(如下图)。

图片

3.第二类:供应的搬砖

比如商品备货、供应。这一类工作要根据销售情况做准备,但又不能完全照搬销售指标,因为销售指标有可能无法达成/超期达成。而一旦目标无法达成,备货太多,就会积压,导致损失。超期达成,备货不足,会失去一些销售机会。因此定目标,经常是双重考核:供应充足率/库存损失率。

图片

4.第三类:普众式buff

普众式BUFF,即常见的各种大促销、新人礼包、满500减100、买三件送一件、消费10000成为白金卡会员等,一般是运营、营销、增长部门搞的。这种活动参与规则与参与人群是公开透明的,用户达标即可领奖。

普众式BUFF都有明确的目标,比如商品运营,不同阶段目标/手法不一样(如下图)。

图片

比如用户运营,不同阶段目标/手法也不一样(如下图)。

图片

注意!加BUFF的部门,最喜欢扯“自然增长”,扯“深远影响”,扯“额外增收”。因为这些BUFF是叠加在其他人工作之上的,所以搞活动的部门,生怕不能体现自己的功劳,恨不得把自然增长率搞成负的,把所有增长归功于自己。也因此搞出很多争吵。

解决争吵的办法,是把“深层次效果分析”与“目标考核”区分开。先达成自身的目标,再复盘达成目标以后的效果。连目标都没达到,整体业绩还在下滑,商品还在滞销,用户发展不来,有啥“其他深远影响”好扯的,都是自欺欺人。

5.第四类:精准式buff

精准式buff,最常见的形式就是精准营销。通过电话、短信、APP内推送等形式,给不同用户不同营销方案,且其他用户不知情,无法参与。

注意:精准营销是可以通过封闭信息的方式,设活动组与参照组,相对准确的衡量自然增长率的。因此精准式BUFF可以直接把目标设为:较自然增长,额外提升转化/消费效果XXX。

怕就怕,做的活动是精准式活动,但是没有做分组,没有设参照组,也没有事前ABtest。啥准备都没有,事后跑来问:如何精确衡量?肯定回答不了。

图片

6.第五类:锦上添花

所有内部数据记录不到的任务,都是锦上添花类任务。常见的比如品牌、传播、服务,对应的指标是用户知名度、用户满意度、用户忠诚度。

这些数据来源要么靠市场调查、要么靠外平台的数据记录,比如公众号文章阅读量、视频播放量等等。

这种标准的最大问题,来自于:数据易操控。市场调查问卷质量太差,样本太少;外平台的数据可以靠人工刷量轻松做出来。所以树这一类标准,有个最简单的办法:让负责部门自己事前提个数,然后看他们能不能达成。

至于这种锦上添花能不能带来销售、用户,等实际效果。作为数据分析只认链接。有转化链接,有内部数据记录,就转化为普众buff式工作,考核转化效率。没有链接,没有转化路径,没有内部数据,一概不认,断了他们浑水摸鱼的念想。

7.小结

从本质上看,标准问题牵扯绩效考核,因此业务方才有浑水摸鱼的动力。这是个披着数据问题的办公室政治问题。因此,想破题,一定不能把解题思路引到“有一个完美的数学算法”上面。任何数学算法都解决不了人心贪婪的问题。

所以数据能做的,就是落实可考核的部分,帮助大家回归初心,减少胡搅蛮缠,从而更好实现整体目标。毕竟蛋糕做不大,怎么分还是饿。

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

2022-03-15 12:27:57

数据分析工具技能

2021-01-15 10:09:53

大数据大数据分析数据分析

2022-07-11 11:28:45

2022-04-19 08:00:00

数据分析数据科学大数据

2013-06-27 09:29:09

用友UAP主数据数据管理

2022-04-01 06:18:48

数据分析IT领导者

2019-05-05 09:00:00

数据分析算法推荐系统

2019-10-14 15:57:36

数据分析多维度二八法

2022-03-28 09:22:55

数据分析数据

2020-09-28 15:51:23

数据分析技术IT

2020-10-25 08:56:31

数据分析数据大数据

2017-08-16 10:21:36

大数据数据分析核心技术

2012-06-14 10:02:55

移动应用数据分析

2020-12-22 15:33:42

数据分析技术IT

2016-12-09 09:37:25

数据分析报告

2021-08-11 14:48:32

2016-09-07 14:41:43

数据分析数据分析方法论

2022-01-18 08:04:37

2017-04-13 12:59:43

数据分析

同话题下的热门内容

中国城市财政收入半年报:上海减收近千亿,长春降幅超四成数据分析,如何诊断业务问题

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