数据分析能力分级模型,你在哪一级?

大数据 数据分析
很多做数据的新人都有这个困惑,今天陈老师给大家解这个局。这里问题的核心在于:如果不能按自己的建议做项目,是不是就不能提升数据分析能力了?回答当然是:否!数据分析的能力晋级分为四个层级,所谓“按我的意见做”根本就不在这个晋级体系里。

每天都在跑数,烦

跑完了数,业务爱看不看,更烦

好不容易提个建议,业务方当耳边风,烦烦烦

很多做数据的新人都有这个困惑,今天陈老师给大家解这个局。这里问题的核心在于:如果不能按自己的建议做项目,是不是就不能提升数据分析能力了?回答当然是:否!数据分析的能力晋级分为四个层级,所谓“按我的意见做”根本就不在这个晋级体系里。

那数据分析能力晋级体系到底有啥?结合一个具体例子,细细看:

第一层:跑个数

比如一个互联网业务,新用户获取数量,消费比例,消费金额数据如下:

图片

                       

这个肯定是数据分析师整理出来的。这也是第一层数据分析能力。跑正确的数,是基础中的基础,如果连数都跑不出来,可以直接转行做利用数据的业务部门,比如用户运营、增长黑客、渠道推广啥的。

问题是:跑完了数以后呢?

第二层:提建议

如果只是被动地等着业务提需求→跑个数→再提→再跑,不但做得很辛苦,而且没啥价值产出。大家都不喜欢这个状态。因此至少应该把自己跑的数看一遍。在解读数据的基础上,找深入分析的机会点,提一些业务上建议,找一找数据变现的机会。

比如有一名数据分析师看到这个数据,提出建议如下:

图片

这个就叫:从数据到建议。先不管这个建议靠不靠谱,起码不再仅仅是就数论数了,有了对业务有价值的思考。

然而,这种建议很可能不会被业务接受。负责新用户获取的增长部门表示:“你这分析我早知道了,行业内有很多9块9引流的方案在做呀,我要做个不一样的,做个单价200元的新人大礼包!现在就是没人做所以才没人买,我做了就有人买!”

这时候,最菜鸡的一批数据分析师已经叹口气退出了,然后仰天长叹:“我怀才不遇!如果到一家数据驱动型公司,一定全公司的人都乖乖听我的话,做他个9块9的引流……”

而有点经验的新手数据分析师,会奋起反击,列出业务部门想法的错误之处:

错误点1:如果新用户真有消费力,目前也有200元的产品,累计购买率才7%。

错误点2:目前新用户仅识别手机号,如果给新用户太多优惠,很容易被薅羊毛。

错误点3:老用户中,有大量用户能买200以上,他们会冒充新人来薅这个大礼包。

注意:做到这一步,才算做到了“提建议”。提建议不止是对着数字拍脑袋,而是有论点,有论据,最好有正反向论据的支持(如下图)。

图片

然鹅,增长部门完全无视了数据的建议,就自己上200元的大礼包了。此时,新手数据分析师也退出了,然后仰天长叹:“我怀才不遇!如果到一家数据驱动型公司,……”

那么数据分析的老鸟们,此时在干啥?

第三层:做梳理

真正老练的数据分析师,根本不会牵扯到这种争论里。真正老练的数据分析师,根本不会死抓着自己的一种观点和别人吵架,而是根据MECE的方法,把可能的情况梳理清楚(如下图)。

图片

当任何一方提出业务建议时,第一时间做的,不是去吵好不好,而是先引导大家,建立判断情况好不好的标准。

比如:针对业务提的方案:

  • 最佳情况:新用户业绩提升,老用户业绩不变
  • 中间情况:新用户业绩提升,老用户业绩下降,且提升部分远远大于下降部分
  • 最差情况:新用户业绩提升,老用户业绩下降,且提升部分小于等于下降部分(如下图)

图片

这三种情况,分别对应三种假设:

  • 假设1:新用户真的更喜欢高价值产品礼包
  • 假设2:新用户有部分人喜欢,另外有一批老用户也喜欢
  • 假设3:新用户完全不喜欢这个礼包,都是老用户在薅羊毛

这三种假设对应的下一步分析动作也是不同的:

  • 假设1后续:可以持续推进新用户礼包
  • 假设2后续:深入分析新用户群体,区分出喜欢大礼包/低价产品的用户特征,对比两类用户长期价值,为后续策略做铺垫
  • 假设3后续:放弃新用户礼包,尝试低价产品

综上,以下四个步骤,才是数据老鸟的工作重点:

1、设定监控指标

2、设定评价标准

3、提出分析假设

4、制定分析计划

这样做让运营和高层领导都很舒服,可以很清晰地看到方案的来龙去脉,并且用数据说话,而不是靠官衔、嗓门、资历来判定对错,也不会牵扯上各种无意义的口水战。数据才是判官,数据分析师只是宣读判决文件的书记员。

当然,很有可能领导们会说:“那站在数据分析角度,你认为会是哪种情况?”这时候数据分析师可以表达自己观点了。

自己的观点选哪一个都行,理直气壮地说:“从数据角度看,这个方案很傻逼,成功率极低”也是OK的。因为数据分析师的观点,只是一种观点而已,最终检验观点对错,还是得数据说话。这才是数据分析师的真正价值。

注意!如果数据分析的判断真的很准的话,那么不但能分析出来哪条方法是可行的,也能分析出来哪种方法不可行。数据分析的判断,不受“别人不听我的意见”的限制。

恰恰相反,如果业务一意孤行,且数据分析提前预判了业务的失败,那在老板心中对数据的信任反而更上一层楼。这种和业务的“对赌”,其实考察的是更高层的一种分析能力:数据判断力。

第四层:下判断

数据判断力是数据分析的终极阶段。就是基于数据能对业务走势做出准确的判断,并且能用数据修正自己的判断逻辑,让对业务走势的判断越来越精准(如下图):

图片

如果真的能做到这一点,就是各种史书古籍中所谓的“算无遗策”的最佳状态了。如果数据分析师真达到这个状态,其实和一个合格的业务部门领导,在分析能力上已经没有差异了。如果能再强化一下对流程的管理能力,再补一下对下属的组织能力,就可以真正成为一个事业部级管理的大佬了。

遗憾的是,以上四个层级里:

  • 大部分新手在第一层,只能当工具人。
  • 少部分人晋升到第二层,但止于第二层,然后感慨自己“怀才不遇”。
  • 只有极少部分人能做到第三层,这些人不是大企业的数据部门总监,就是专业顾问。

至于第四层,反而很少有数据出身的人能做到。倒是业务部门的领导兼任数据部门管理以后,强化了数据分析能力,更容易做到这一点。

这和专职的数据分析师在基础数据处理、数据质量上花了太多精力有关。精力投在技术层面多了,就没有余力顾及搞组织、建流程、挣资源这些事了。

不过这都是神仙打架的事。对刚入门的新手同学而言,终极目标就是做到第三层。不要让自己的思路止于:我有一个好点子。想办法梳理清楚各种可能性,建立检验标准与监控机制,利用数据结果不断修自己的判断,这样才能真正体现数据分析的价值,提升自己的数据分析能力。以上,与大家共勉。

责任编辑:武晓燕 来源: 接地气的陈老师
相关推荐

2021-06-28 17:30:53

数据分级模型

2021-12-01 11:32:51

数据驱动决策

2018-03-19 10:00:26

IT工程师等级

2015-05-26 10:02:14

数据分析成熟度模型

2016-10-26 19:33:45

数据分析大数据

2019-11-06 11:16:00

程序员HTMLPython

2021-03-12 10:28:41

ITSS私有云

2022-05-09 18:46:28

EOQ模型数据分析

2012-09-25 11:06:56

IBM收购Butterfly

2022-02-21 17:35:50

漏斗模型流程数据

2019-07-31 14:16:35

大数据人工智能算法

2021-11-29 18:33:38

数据分析模型

2022-04-06 17:48:44

数据分析梳理数据业务

2009-09-21 17:09:38

Hibernate C

2012-09-25 09:19:12

ButterflyIBM

2017-09-28 16:31:02

大数据数据分析漏斗模型

2022-02-07 19:48:02

模型同期群LTV模型

2018-03-02 11:46:35

数据分析中小型企业

2017-07-24 09:18:55

大数据数据分析行为事件分析

2016-10-28 12:48:23

R语言Python数据分析
点赞
收藏

51CTO技术栈公众号