这才是真正的数据分析项目,而不是爬表

大数据 数据分析
作为数据部门的领导,可能最想承接的就是计划类工作,虽然技术含量低,但这是一个直接服务大老板的机会。能多在大老板面前露脸,本身就是一个绝好的立功机会。

经常有同学抱怨:每天忙于取数,不知道有啥数据分析项目可以做。今天系统性介绍一下五大类数据分析项目。它们都是可以单独立项并且做出成绩的,一起来看一下。

第一类:监控类

图片

监控类的需求很多,但做成项目就有一定难度了,因为很多时候业务方就是丢一纸临时取数需求,甚至一个电话过来口述一个朦胧的需求。这时候一定要做数据的同学自己打起12分精神了解需求背景。

如果是:

1、新上线的业务

2、没有固定报表老业务

3、多次开展的测试/活动

都要和业务方坐下来详细聊聊,把业务流程,监控指标,关键KPI指标,定下来。至于输出形式可以看BI工具的完善程度和开发复杂度。能用看板的用看板,不能用看板的做自动化报表,总之把临时取数尽量干掉。

这样不但能形成良好的项目机制,也能避免业务方思考不全,隔三岔五地改取数形式,增加额外工作量。还能在有余力的时候关注下指标变化情况,为拓展其他项目铺路。

监控类的项目想出彩,就一定得整!花!活!比如老板号召今年要“数字化转型”,那先开发一个数字大屏摆在集团会议室里,把常规报表做个可视化看板。领导们一看:“嗯,不错,很数字化!” 这绩效就有着落了。

比如有重大活动,产品更新,第一时间先把监控报表整出来。发报表的时候做个海报,上书大标题“战报速递”,或者做移动报表,在微信群里群发一下,排面拉满,这绩效又有了。总之,做监控类项目,一定要“好钢用在刀刃上”,让领导们看得见,让领导们看得爽。

图片

第二类:评估类

图片

做评估本身并不复杂,定好评价标准,看实际数据表现是否达成标准即可。但是不同业务类型的评估,涉及的指标,评估方法可能不一致,因此要分开看。

常见的,比如:

1、对运营的:运营政策、促销活动评估

2、对产品的:产品功能、产品改版评估

3、对销售的:推广效果、渠道投放评估

评估类项目的核心在于:统一评估标准。

这里销售类的相对容易,因为销售收入/毛利/投放ROI是天然的判断标准。运营和产品的评估都经常出乱子。运营经常是想法太多,不设固定的评估标准,到底要不要设参照组,到底怎么算自然增长率, 每次活动都不一样。

这样搞不但没法积累分析经验,而且会给老板留下一个“你们不诚实,每次都是变着法说好”的坏印象。因此强烈建议在做运营评估的时候,先分好类,每一类内部能有相对规定的评估标准和评估指标,这样更有利于长期的工作开展。

图片

产品则经常是想法太少。让评估产品改版效果,你问他改版的目标是啥?想解决啥问题?想把指标提升到什么水平?他一口气回答三个“不清楚”,甚至有可能让做数据额“自己多想想”。还有的产品,做ABtest之前不考虑好如何控制影响因素,如何分层,做完了让数据分析师从测试数据集里再做分组对比……

图片

种种乱象,本质都是来自:业务部门缺少目标感,总想从数据里找对自己有利的部分报上去。因此,想要做好评估项目,是很需要数据分析师充分沟通,普及科学做法,逐步杜绝“看哪个数字高报哪个”的坏习惯的。当然,一些公司的产品/运营很强势,就是逼着你改到他满意,这时大家量力而行。

第三类:诊断类

图片

很多人眼中,诊断类才是真正的项目,但真到实操的时候,会发现:找一个有差异的指标,容易;真深挖问题原因,很难很难。因为大部分所谓:诊断分析,其实就是拿诸如性别、年龄、城市维度和指标做交叉,然后说:“发现A城市少了,所以A城市是问题原因。”然后被业务嫌弃:分析没深度!!!

图片

之所以出问题,是因为单纯的数据交叉,并不能直接回应业务的疑问。有些业务的疑问需要额外的采集数据,甚至需要测试几次才能知道答案。还有些情况下,面对问题业务可用的应对方案很有限,即使分析得天花乱坠,业务也没办法处理。

因此,想让诊断类项目出成绩,关键是和业务沟通好:

1、有没有分析假设?有的话,第一时间验证结果。

2、有没有应对方案?有的话,先验证是否管用?

3、有没有测试计划?有的话,看分几步测出答案。

图片

这样分析的时候,能直接回答业务的疑问,也能结合业务动作落地,是最容易表现出效果的。但是这么做,得业务方先破除一个迷信:“数据分析师能像算命师傅一样,只看几个数就得出结论”甚至有的数据新人自己也这么想,这就是自己给自己挖坑了。

第四类:预测类

图片

预测类项目是所有项目里最容易立项的,几乎每个部门领导都想你给他“精准预测一下XX”。预测类项目也是最容易翻车的。很多新人一看领导支持,觉得“可算接到大活了!”嗷一声就上了,然后被人嫌弃:“准确度不够,看不懂咋预的,你这有啥用啊!”搞得一地鸡毛。

这里有三个关键问题,在做项目时必须搞清楚:

1、业务拿到预测结果可以干啥

2、业务要不要参与到预测过程中

3、业务的资源投入,努力程度要不要作为预测变量

问题1要在项目开始前就和业务聊清楚,不但能清晰预测目标,而且保证结果有地方落地。

问题2则关系到预测方法选择。如果业务一定要参与预测过程讨论,那算法模型基本就废了,考虑把经营分析公式写出来,然后大家拍脑袋拍参数吧。

问题3则涉及“是业务先给投入假设”还是“数据先给结果”的问题。如果考虑业务投入力度,一定是业务先给假设,数据再出结果。当然也有可能是数据先给预测,业务根据预测考虑要不要追加投入。两种模式都行,但得事先说明,不然事后又是“你咋预测的不准!”“你预测完了我也不知道咋用”。

图片

所以真想让预测类项目出彩,难度非常大。往往是一些成熟的业务场景,比如外呼、风控容易做出成果。更多的目标不清、兴致起来就要预测的项目,常常会死在问题1上。因此做项目时一定要小心梳理。

第五类:治理类

图片

治理类工作是绝对的脏活累活,而是还是领导最看不到的那一部分。每个工作都喊着要搞“大数据”可你真把工作时间/人力资源都分过去了,大家又嫌弃你“支持业务不够”。更不用说产品催着上线埋点乱搞一通,运营自己写sql天天发明新指标口径,销售不按规范操作数据乱录……这都是老生常谈的问题。应对方法一大堆,落实不下去是常事。

所以大家经常选择“先污染后治理”或者“边污染边治理”,并且做这种项目,最好是“画大旗、蒙虎皮”,比如战略发展部牵头要各部门统一汇报口径,或者集团数据治理大项目,有个大旗扛在肩上,起码老板看得到。

第六类:计划类

图片

计划类工作往往和经营分析有关,在年头年尾,月度季度总结复盘的时候工作量比较大。这个活,很多同学不喜欢干,因为每次做预算、计划拆解,都会被各种领导抓住问这问那,改来改去。而且最后制定出的计划指标,可能也是领导们拍脑袋定的。做完以后,感觉自己的专业知识没啥增长,还很心累。

图片

但作为数据部门的领导,可能最想承接的就是计划类工作,虽然技术含量低,但这是一个直接服务大老板的机会。能多在大老板面前露脸,本身就是一个绝好的立功机会。

更有很多公司的数据部门领导,是靠着给大老板做计划上位的。所以不要错过这个机会,可以试着在做计划类项目的时候多和老板沟通,赢得老板信任。当然,有些公司老板行事太过严厉,你很难讨好他,那就另算。

另一方面,计划类工作在跳槽的时候也很好用。因为制定计划涉及整个公司经营分析指标体系,经营方向确认,通过计划类项目,能很好地建立全局认知,在面试官面前显得很有水平。

责任编辑:武晓燕 来源: 接地气的陈老师
相关推荐

2022-11-29 11:31:19

商品分析商品销售库存

2016-12-16 19:06:02

扩展数据库架构

2015-08-17 13:19:55

大数据

2020-03-05 16:47:51

Git内部储存

2012-05-17 11:04:18

匈牙利命名法

2020-05-28 10:45:31

Git分支合并

2015-04-03 10:11:57

Windows 10免费

2015-02-11 09:35:09

iPhone6

2015-08-11 15:52:52

大数据数据分析

2020-08-25 23:06:33

开发技能代码

2021-01-19 05:44:53

危机面试技术

2019-10-24 15:11:10

数据分析PythonFineBI

2018-11-08 10:06:43

物联网数据分析IOT

2022-03-10 15:55:44

元宇宙VRVR办公

2013-07-29 15:58:28

大数据数据分析

2017-10-16 15:33:35

微信APP小程序

2021-12-15 07:24:56

SocketTCPUDP

2013-11-28 14:34:30

微软WP

2020-08-04 07:21:02

区块链共享经济分布式
点赞
收藏

51CTO技术栈公众号