这才是数据分析项目失败的主要原因

大数据 数据分析
今天我们先不谈“为啥每天瞎忙没项目做”的问题,就谈“为啥已经开工的项目会失败”。因为认真梳理下会发现,至少四分之三的数据分析项目失败,和这个事有关。

这么多年,你在工作中做了几个成功的数据分析项目呢?问题一出,又引发一阵阵哀嚎:

“没项目做呀!”

“每天瞎忙啊!”

“业务方:我早知道了,你做的有啥用,你分析得不准确“

一键三连啊。

O(╥﹏╥)o

今天我们先不谈“为啥每天瞎忙没项目做”的问题,就谈“为啥已经开工的项目会失败”。因为认真梳理下会发现,至少四分之三的数据分析项目失败,和这个事有关。

 1、问题场景1

需求1:

“我们要建立大数据用户画像”。这个需求很常见,业务部门动不动就“来个用户画像分析”。那么问题便来了,真的做这个需求,有多大概率扑街?

非常大

因为不知道做了到底干啥呀。业务方可能很随意地说:做了用户画像,就知道用户特征了。问题是:这个需求报表不能满足吗!如果真是不知道,直接把用户特征各个维度跑一遍数,列个excel表就好了呀,为哈要费事上一个用户画像项目呢?!

这种需求叫:无目标需求。漫无目标,大概率做完了被人扔一句:“我早知道了!”因为对方确实可以通过日常报表、用户调查、自己体验获得一些数据。这种项目接过来过,哼哧哼哧打标签、整数据、做看板,最后铁定失败。

 2 、问题场景2

需求2:

受到场景1启发,有同学会问:做用户画像干什么?

业务方答:做来看哪些用户喜欢A产品

那么,真的做这个需求,有多大概率扑街?

非常大

问题在什么叫“喜欢”???

如果是“过往X个月内购买次数大于X次,购买金额大于X元”叫喜欢,那直接拖一张报表就能满足需求呀,为啥需要起一个项目。

如果是“未来有大概率会购买A产品”,那实际需要的就不是什么用户画像,而是针对A产品的预测。那起个毛线的用户画像项目,直接做预测呀。

这种需求叫:需求不清晰。驴头不对马嘴,这种项目接过来做,分分钟落一个:“你做的没啥用”的评价。找不准真实的痛点,项目必定失败。

 3、问题场景3

需求3:

受到场景2启发,同学知道了业务方想预测销售

现在,业务方提出:希望能精准预测销量

那么,真的做这个需求,有多大概率扑街?

非常大

问题在:预测的到底是啥玩意不清楚。

如果预测的是新上市款,压根没数据呀,预测个毛线。这时候,最关键的问题就是:要不要做测试。如果已经有选定产品,需要测试效果,这就是测试问题。直接设计ABtest,拿去测一测效果,收集一波数据再做预测。

如果没有做预测,这时候实际上是:分类问题。基于竞争对手的选择,自身商品管理的判断,过往同价位/同客群/同品类销量走势,对待新品进行评估。由于完全是凭空预测,因此输出的结果必定不能很准。这时候最好的做法是先对产品定性,它的潜力是:爆款、流量款、利润款、补充款、普通款、还是吊车尾。有了定性判断,再看配多少资源,多少人力给它。再看能不能基于资源投入预测。

图片

  

这种需求叫:需求不具体。看似有目标,但是少了背景条件,甚至一字之差,离题万里。这种项目接过来做,分分钟落一个:“你做的没啥用”的评价。找不准真实的痛点,项目必定失败。很有可能哼哧哼哧塞了一堆现有产品数据,结果发现根本没考虑业务动作,也不能推广到新品,最后落一句:分析不精准啊!

 4、问题场景4

需求4:

受到场景3启发,同学问了业务方,得知:

想预测销售,是指导销售团队工作。

那么,真的做这个需求,有多大概率扑街?

非常大

问题在:知道预测结果,人家又能干啥。

如果预测业绩很好,so what!销售还是该干啥干啥呀,说不定还会搞搞阵,藏点单啥的。

如果预测业绩不好,so what!这东西根本不需要预测呀,拖一张报表就能看到做得好不好呀,看到业绩不达标,还需要预测吗,麻溜地开发客户去呀。

图片

 

所以这个预测值,对于销售部门来说没啥实际用处。这个需求可能只是出于好奇,可能就是随口一说。总之,这叫:需求不够刚性。这不是业务部门的核心问题点,因此项目上了也是白上,最后很容易被批为:分析有啥用。

 5、问题场景5

需求5:

受到场景4启发,同学问了业务方,得知:

想预测销售,是指导库存管理。因为供应链不能控制销售,只能被动看订单供货,所以能预测出来销售值就很重要。如果销售预测准了,备货自然能按照销售来备,库存损失也能减少多好!这次是刚需了吧。

那么,真的做这个需求,有多大概率扑街?

非常大

问题在:影响库存损耗的不止一个因素,只考虑销售太过偏颇。

这叫:需求不准确。本质上,供应链损耗受到采购计划、销售能力、生产排期三方面影响,和销售有关,也有可能和领导私心(收了供应商钱,野心过大的扩张计划)有关。因此只抓一个因素,很有可能不能解决问题库存损耗的问题。绕路走,是数据分析头号大忌。

既然预测是为了减少损耗,就直接把目标设为减少损耗。注意:即使再优化,也不可能做到马上进马上出,因为总有一些市场意外,总有一些商品滞销,所以最后控制目标也不是直接压到0,而是控到一个可接受水平,或者控制促使整体损耗下降。这样才是可能成功的目标,梳理到此,可以继续往下做了(如下图)。

图片

 6、小结

四分之三的数据分析需求,在开始的时候就注定失败的。因为需求存在各种各样的问题:

  • 不清晰
  • 不具体
  • 啥都想搞
  • 不知道做了啥用
  • 做了也没啥用

只是听说市面上流行“数字化转型”“人工智能大数据精准用户画像”就急匆匆往上怼。最后自然必败无疑。

有趣的是,识别伪需求的最好方法,就是拖一张报表。通过业务部门对报表的利用情况,可以反向观察:

  • 哪些部门真的数据,哪些就是说说而已
  • 哪些数据真的能有用处,哪些看了就看了没屁用
  • 看了数据能做哪些动作,哪些又是看了也无能为力

这样,即使业务部门没有能力讲清楚需求,数据分析师也能够对项目目标、工作重点、输出内容有自己的判断。所以做数据分析的同学们,不要被网络上爽文洗脑了,报表才是数据分析工作的立命之所。一个会玩报表的数据分析师,才有机会做出高大上的模型。切记切记。

责任编辑:武晓燕 来源: 接地气的陈老师
相关推荐

2018-07-26 05:44:45

物联网项目物联网IOT

2019-06-21 08:00:16

工业4.0工业物联网IIoT

2022-11-14 11:55:39

数据分析项目

2019-07-25 10:37:13

存储数据备份磁盘

2021-07-22 10:53:12

数字化转型企业技术服务

2010-04-22 10:22:31

Oracle开放Top

2009-07-07 11:26:21

2017-11-15 08:54:00

2022-07-15 15:56:51

云计算工具云中断

2010-03-10 16:25:03

云计算

2011-06-30 09:25:22

软件项目

2014-03-18 10:17:30

2015-08-11 15:52:52

大数据数据分析

2017-12-20 15:25:51

数据分析大数据企业

2014-10-08 09:36:51

BYOPC

2018-11-20 13:52:54

2011-01-25 09:24:00

2011-05-07 18:39:48

笔记本故障

2020-08-11 17:12:40

戴尔

2022-01-07 15:36:25

加密货币比特币数字资产
点赞
收藏

51CTO技术栈公众号