手把手,我写了一份数据分析需求沟通模板

大数据 数据分析
如果取数的指标/分类维度,在数据字典里没有标准定义,则还需要说清楚计算公式。比如市场部有三个活动同时在举行,想看看用户在多个活动间与情况。

​作为数据分析师最怕什么?莫过于下午5:55分,自己正准备收拾包包走人,一个电话飞进来:“歪!帮忙跑个数,我们总监要,今天无论多晚都得给!”听完这通话,心情直接跌入谷底。

如果有比这还可怕的,就是晚上11:00,你累死累活跑出来数了,对方一句:“哦,好像不是这个数,你换另一个跑法试试,还是今天无论多晚都得给哦……”

如何避免这种问题呢?

数据分析的需求沟通

这个问题显然是出在需求沟通上。没有沟通清楚需求就动手,自然会来来回回返工。不但自己做得辛苦,业务部门也不满意。所以沟通需求很重要。而数据分析是有标准的需求模板的。

如果是取一张数据表,标准的需求,至少由以下三部分组成(如下图):

1、取数指标

2、取数时间段

3、分类维度

图片

                            

如果取数的指标/分类维度,在数据字典里没有标准定义,则还需要说清楚计算公式。比如市场部有三个活动同时在举行,想看看用户在多个活动间与情况。

此时需要新建一个分类维度:活动参与情况,包括:

  • 三个活动全部参与
  • 三个活动参与任意2个
  • 三个活动参与任意1个
  • 三个活动全部未参与

如果是一个分析型需求,则要说清楚:

1、当前的业务背景是什么

2、目前是否已经清晰的问题?

3、是否已有假设/预案

整个逻辑如下展开:

图片

BUT!

上边这么复杂的需求格式,靠业务自己说,根本讲不清楚。

2022年的职场现状是,十个业务里:

3个认为数据就是你数据分析的事,我凭什么要讲清楚!

3个表示这需求是老板给的我也不清楚你自己问他老人家去……

3个可以讲出:“我要分析这个问题”,但具体到字段,啥是字段???

只有1个能讲清楚,因为他以前干过数据……

所以需求沟通这个事,不能太指望业务自己,自动自觉把这些问题都讲清楚,而是需要数据分析师们掌握沟通技巧,学会主动挖掘。毕竟挖掘不清楚,还是自己倒霉。

挖掘需求的技巧

想要在稀里糊涂的情况下梳理清楚需求,需要五个步骤:

第一步:听到需求后,把“收到”改成“等一下!”第二步:明确正在聊的事,是具体哪个业务场景

第三步:明确正在聊的事,有哪些数据记录

第四步:基于数据记录,给几个示例,让业务感受下

第五步:基于数据示例出数,完美交差

总之,就是用一个例子,把虚幻的分析需求具体化,从而明确输出内容,减少后期返工。话不多说,直接上个案例同学们实操一下。

实操案例学习

背景:某电商公司,客服找到数据分析师,说分析一下客户联系客服的留言,看看有啥价值,比如退单原因、客户满意度啥的。

问:该咋分析?

第一步:管好嘴。

把已经到嘴边的“好的,我去分析分析”咽回去,说出:“等一下”。

第二步:找业务场景。

“分析一下客户留言”是一句空话,没有任何具体问题,因此放过去。后边有两个具体场景:

场景1:客户退单

场景2:客户满意度

因此可以从这两个场景切入,具体聊聊啥情况

第三步:确认数据记录。

1、客服口中的“客户退单”,具体定义是啥?是以客户沟通中表达“想退单”为准,还是以客户人工标记:“想退单”为准,还是以客户建立的退货工单为准?

 2、“客户退单”的信息,关联了哪些内容,比如退单对应的订单号、产品、退货原因。

3、如果有退货原因字段,是客户自己填的,还是客服标注的,客服标注的常规操作是什么?

注意:以上问的三个问题,要么是客服自己的理解,要么是客服自己的操作习惯,与数据一毛钱关系都没有,这种问他们自己的认识、习惯的问法,是很容易得到回答的。得到答案以后,再根据实际情况,转化为数据问题。 

第四步:做分析示例。

根据客服描述的具体场景,做一个示例出来。

比如客服说:“是客户跟我们聊的时候,表示想退单,结果经过我们努力成功保住了订单。”这就是一个具体的客服操作场景,而对应的数据情况也是很清晰的:

1、客服聊天记录里,抓有“退单”“退货”“不要了”等关键字的用户

2、根据用户聊天中提及商品/订单号、关联商品名称、商品金额

3、根据该用户后续订单是否取消,确认客服是否保住成功

因此,可以做分析示例如下:

图片

并且,在这个场景里,客服表达的诉求也是很明确的:要向其他部门证明我的价值!我为公司赚钱了。所以这个分析的核心,其实就是算出来上图中挽留金额。这个才是人家真正在乎的,别的都是点缀。

比如客服说:“每次上大促销,Q&A指引都不清不楚,搞得一堆退货工单,烦死了”。这也是一个具体场景,对应的数据情况:

1、以客服实际建立的退货工单,客服标注退货理由为准

2、重点关注退货工单里“促销”有关问题。

3、清理其他促销同时段的,可能关联的标注,比如“促销产品质量差”是否被客服标记为了:“产品问题”而非“促销问题”。

因此,可以做分析示例如下:

图片

并且,在这个场景里,客服表达的诉求也是很明确的:要倒逼运营做好促销Q&A。因此这里不需要深入的分析,而是需要把情况说清楚:到底有多少退货和促销有关。

这里的第三步很重要,因为工单是人工标注的,所以很可能有标漏、标错、标注不合理等问题。而在这个场景里,客服怼人的意愿是非常强烈的。因此很有可能会刨根问底的,想把所有情况都弄清楚。

因此“清理其他情况”这句话最好由数据分析师主动说,这样帮助客服打消疑虑,后续数据也好过关。不然很有可能出了数,被扣个:“分析不细致,不深入”的帽子,最后还是返工。

当然,也可能有其他场景,总之按照同样的方法,从场景→数据→示例,一个个耐心点做,梳理完毕就好。

很多时候,业务在聊场景的同时,会把他想达到的目标一并说出来。这就是做需求挖掘的终极目标了。当知道业务想干啥,就能顺水推舟,让他们满意。不过有些业务很保守(不信任数据)所以不会主动讲出意图,因此这一点不强求。

第五步:基于数据示例出数。

其实前四步做好了,这里根本不会遇到什么阻碍。因为铺垫都已经做好,业务很清楚自己能看到的是什么数据,很清楚数据里已经包含了哪些情况,排除了哪些可能,因此短时间内很难再想出什么更改需求的内容。一般看到数据以后都是:“好的,很清晰”一句话,差不多就安神了。

这么梳理,远远强过一声“好的”然后哼哧哼哧跑数,回头再被人怼回来修改。我个人使用体验是非常好的,当年还没做领导的时候,靠这套方法不但下班按时,而且和很多业务同事交了朋友,体验极好,推荐同学们都试试哦。

然而有的同学会说:老师,我们公司的部门关系特别僵硬,部门之间深沟高垒,没法沟通咋办?答:这时候需要另一套方法:点菜单法。​

责任编辑:武晓燕 来源: 接地气的陈老师
相关推荐

2023-06-09 11:33:42

数据分析报告

2022-09-21 11:29:05

数据分析业务复盘

2017-05-18 12:45:35

数据分析数据理解数据

2015-10-26 09:24:30

微信公众号数据分析

2018-08-15 13:49:06

数据分析学习Python

2020-04-14 10:20:12

MySQL数据库死锁

2021-09-18 14:26:49

Linux Linux 启动流程Linux 系统

2017-01-05 18:39:35

数据分析大数据时代分析报告

2021-09-30 18:27:38

数据仓库ETL

2021-09-03 08:58:00

数据分析可视化

2022-05-18 08:51:44

调用模板后端并行

2015-08-21 13:44:17

数据分析

2011-05-03 15:59:00

黑盒打印机

2011-01-10 14:41:26

2021-07-14 09:00:00

JavaFX开发应用

2021-09-22 08:51:34

Android

2022-11-06 14:46:28

脚本windows文件

2020-11-27 07:38:43

MongoDB

2020-06-17 08:35:12

数据分析Python代码

2011-04-21 10:32:44

MySQL双机同步
点赞
收藏

51CTO技术栈公众号