为什么你做的数据监控分析,总被人Diss

大数据 数据分析
做业务监控同理。如果只收集了总销售收入结果,那就只能提供结果监控。如果有对组成销售收入各个渠道,各个客群做数据收集,就能看到是哪个部分出问题;如果对销售转化过程有数据记录,就可以看到哪些节点出了问题。越详细的记录,监控的时候发现问题就更具体。

​“建立数据指标体系,监控业务走势并发现异常情况”是数据分析的一项基础工作要求,然而很多同学都遇到过,被领导或者业务diss数据监控做得不到位,发现问题不及时、不准确、不深入。BUT!并不是“谁闹谁有理”,很多时候业务的吐槽并没有道理,要具体分情况看。

一、数据监控是啥

举个简单的例子,开车的时候,开个导航,导航就是个数据监控产品。只要设定好终点,导航可以根据定位自动显示起点,然后一路上提醒你:

  • 距离目标还有XX公里
  • 当前路段限速80,您已超速
  • 前方拥堵,已为你推荐新路线

瞧,多好用!

从这个小例子里,能看出来数据监控四要素:

  • 监控目标(目的地)
  • 当前情况(到达时间、速度)
  • 业务行动(坐什么车,选哪个路)
  • 预计判断(基于当前拥堵预判)

而现实中,这四样东西很可能不存在,这就是所谓“无理取闹型diss”。

图片

二、无理取闹的diss

无理取闹一:没有监控目标。

喊着让监控DAU,那么,DAU每日目标是多少?丫自己都不知道!喊着让监控销售额,销售额每日目标是多少?丫也不知道!这就好像要开车了,打开导航大喊:“导航导航,你快分析出来我想去哪里!”亲,你需要的不是导航,是魔法扫除哈。

无理取闹二:标准来回变化。

定了每日目标,但是丫觉得“你看,昨天超标5%,今天超标1%,不行不行,肯定有问题!”还是回来吐槽。结果过两天,业绩不达标了,他又觉得“你看前几天都超标,真好!”这种反复横跳,让人目标名存实亡,还咋积累经验。

无理取闹三:忽略周期规律。

这种人最喜欢盯着一个数字大呼小叫,今天涨了1%啦,明天跌了0.5%啦,上蹿下跳逼着你深入分析。如下图,业务本身就是有周期变化的呀,如果整体走势没啥大问题,纠结一天能得出啥结果来……

无理取闹四:故意回避变化。

这种人和上一种是反着的。上一种人神经过敏,这一种人神经大条。如下图2,非要拖到数据跌得不行了,才意识到问题。说穿了,就是不想直面问题,能耗就耗着。

图片

以上种种,本质上是业务部门自身缺少数据思维,拍脑袋决策拍习惯了导致的。不过有一个更深入的问题,还在后边。

三、深层本质

问:如果导航只收集一辆车的行车数据,能不能显示出整条路哪里堵,哪里不赌?当然不行!它得把所有车的数据汇总起来,才容易看出问题。这就是做数据的时候“长袖善舞,多钱善贾”的效应。

做业务监控同理。如果只收集了总销售收入结果,那就只能提供结果监控。如果有对组成销售收入各个渠道,各个客群做数据收集,就能看到是哪个部分出问题;如果对销售转化过程有数据记录,就可以看到哪些节点出了问题。越详细的记录,监控的时候发现问题就更具体。

同理,影响结果的原因非常多:用户需求、业务行动、外部环境等等。并且,这些原因不见得能直接用某个指标+维度量化,需要打业务标签,做长期记录观察,才能总结出规律。

比如做个促销,大家都知道业绩会涨。但到底涨多少,和以下因素都有关系:

  • 促销力度
  • 促销形式
  • 目标数量
  • 用户响应
  • 执行过程

要把过去做过的活动,打上业务标签,一一对比,才能看出差异(如下图)。

图片

这种活,只靠一次分析,一天的监控肯定搞不掂。需要长期积累。如果缺少积累,大家只是口头上笼统讨论“为啥上活动了,业绩还不涨?”那肯定讨论不出来个东西。

很多时候,业务会说:数据有很多,就是没用起来。注意!业务部门经常把数据的条数多,当成“数据很多”。而数据分析口中的“数据很多”指的是过程指标+分类维度很多(如下图)。

图片

这里的区别是巨大的,过程指标+分类维度,才是深入解读的数据的关键。

  • 有过程指标,才能看到问题发生节点
  • 有分类维度,才能做个体对比找差距
  • 有业务标签,才能快速抓住重点问题

光有一个结果指标,数据的可分析程度是很稀薄的,也就看看周期规律,没了。

当然,还有些场景,是数据分析师自掘坟墓,引火烧身。

四、自掘坟墓招diss

最大的自掘坟墓行为,当然是:闭门造车,不懂业务。

  • 有的上网到处问“GMV波动的标准是啥呀”
  • 有的拿着1%波动差异和各种维度交叉试图看大小的
  • 还有的一门心思研究指标是不是符合正态分布,2倍标准差在哪的

结果这么选出来的“异常值”,不是自然波动,就是业务在上活动。除了引来一句“我早知道了”以外,别无他用。

图片

五、小结

业务上的数据异常,指的是实际业绩数据,超过业务的期望值。

  • 在期望值内的,哪怕数字上波动很大,也不见得引发焦虑。
  • 超过期望值的,哪怕数字小,哪怕是上涨,也会引发疑问。
  • 没有期望值的,标准反复横跳的,丫当然会天天焦虑。

因此,想让监控做得好,需要一个系统工程:

  • 量化业务目标
  • 按时间/部门拆分目标
  • 了解目标指标的周期规律
  • 了解业务部门到底干了啥?
  • 收集过往业务行动效果

结合业务行动+趋势变化,解读数据。

这样才能充分评估形式,做出准确的判断。当然并不是每个公司都有这么好的氛围,甚至经济下行压力之下,有些公司的业务就是喜欢把锅乱甩,所以作为数据分析师,我们做好本分工作,我们自己不要犯四种无理取闹错误,多积累经验即可。换工作的时候,也能充分证明自己的实力。请大家放宽心,学到的本事,始终是自己的。

责任编辑:武晓燕 来源: 接地气的陈老师
相关推荐

2022-09-05 11:28:07

数据分析活动分析

2021-06-05 18:00:18

数据分析运营

2023-03-26 19:18:27

2016-09-07 14:41:43

数据分析数据分析方法论

2022-07-06 11:30:57

数据分析预测模型

2017-12-20 09:52:50

2016-09-30 01:04:45

数据分析数据

2021-03-22 08:29:59

Elasticsear搜索系统

2017-12-04 14:30:57

大数据谷歌数据分析

2020-03-24 17:49:27

大数据IT技术

2021-09-07 15:41:35

Bug诱因代码

2016-08-19 01:59:22

APPAPM用户

2015-03-04 11:01:36

大数据数据分析分析

2017-11-29 18:16:15

高并发ERP态牛

2015-01-07 14:04:25

2015-07-29 16:19:54

大数据时代分析

2023-09-21 16:17:48

数据驱动运营

2015-06-24 11:42:36

MongoDBNoSQL

2013-08-21 09:48:45

2020-05-11 09:00:57

Redis监控Zabbix
点赞
收藏

51CTO技术栈公众号