大厂都要求的“数据分析闭环”,该如何实现?

大数据 数据分析
完整的数据闭环,应该是:用数据监控业务 → 发现业务中的问题 → 分析问题原因 → 选择解决方案 → 继续监控业务走势,这样一条完整的链路。如果能实现闭环,肯定是做到了真正的数据驱动,既能体现数据分析的价值,又能促成业务科学办事,避免拍脑袋决策,是最好的状态了。

经常有同学问:“总听说要实现数据分析闭环,看到数据分析结果”,可到底该咋实现?为什么自己平时工作中,经常是发了数据给业务就石沉大海,这样咋胜任大厂的要求?今天系统讲解一下。

什么是数据闭环

完整的数据闭环,应该是:用数据监控业务 → 发现业务中的问题 → 分析问题原因 → 选择解决方案 → 继续监控业务走势,这样一条完整的链路。如果能实现闭环,肯定是做到了真正的数据驱动,既能体现数据分析的价值,又能促成业务科学办事,避免拍脑袋决策,是最好的状态了。

可现实工作中,很多企业不存在这样的链路。常见的问题有以下四种(如下图):

图片图片

那该怎么优化,实现数据闭环呢?如果企业数字化程度极低,缺少数据采集,连数据都没有,那真的就没办法了。因此,除了问题1受数据采集制约外,其他问题2、3、4都有对应的解决方案,我们一个个详细介绍。

要点一:提出业务假设

首先要清楚一点:指标跌了,不见得是问题。指标没有按照预期地下跌,才是真正的问题。因此不要念经一样地叨叨:同比环比涨了跌了。

而是先做好基础数据分析:

1、 业务的淡季/旺季变更是什么节奏?

2、新业务本身成长周期有多久?

3、最近业务是否有做主动调整?

图片图片

这样才能剔除正常波动,真正发现问题。其实很多时候,送出去的报告被业务部门批:“我早知道了”,就是因为缺少做上述工作,天天念经“同比环比”导致的,这种报告你看你也烦。

指标下跌只是问题的表象,人们真正想听的是:

1、这是内部的问题还是外部问题?

2、内部问题,是策略定得不好,还是执行没到位?

3、外部问题,来自竞争对手还是大环境不好,大家都不行?

这些统称为“业务假设”。只有当数据结合了业务假设,才能真正驱动业务去行动,去解决问题。要不然光说:客户少了,客单价降了,转化率跌了,到底业务假设是啥?太多原因可能影响到这个结果,业务是没法做判断和行动的。

因此,在发现问题这一步,一定要把业务假设提出来,常见的提法有2种

方法1:从数据上看,发现问题在XX地方更集中,因此假设……

方发2:业务自己有预判,先记录业务描述,再转化成数据问题

两种方法如下图所示,不管哪种,都能推动下一步工作。

要点二:建立分析逻辑

有可能同一个问题,有一堆业务假设待验证,这时候建立分析逻辑,确定先回答哪个,后回答哪个很重要。不然各种因素交织在一起,即没法确定主要原因,也没法推动落地。

现实工作中,经常因为数据采集有限,无法穷尽各种可能。因此排除法是个好办法,通过排除干扰项,能更快聚焦核心问题。这里推荐经典的排除法三原则:

原则一:外部原因优先排除。

因为太多人喜欢拿“大环境不好”当甩锅理由了,不先堵死这个口子,就总有借口摆烂。其实如果真遇到大环境问题,一定是所有业务线均有影响。只要能找到足够多的标杆(如下图),既能堵住借口,又能为业务找到出路。

图片图片

原则二:执行问题优先排除。

执行不到位,即使策略很好也不能见效,因此但凡怀疑执行有问题,就得先检查过程。该发的宣传发了没?该做培训做了没?该备的货到位没有?该上线功能稳定在跑不?该拜访的客户去了没?执行到位了,不见效,这时候可以检讨:策略上有没有优化空间,还有哪些地方可以改改。

原则三:有后备方案的优先考虑。

注意!企业不是科研院校,搞清原因远没有能挽回KPI指标重要。因此如果业务上还有后备方案,能用的就用。比如看到业绩不行,还有后备费用,那就优先测算投资是否能拉起来。比如看到传播不行,还有后备素材,那就优先分析哪些素材投出去可能见效。总之以解决问题为导向,而不是老学究般皓首穷经的问“分析清楚没有”。

这样经过筛选排序,针对具体业务问题,可以形成一套清晰的解决思路,甚至有可能针对不同城市,不同团队,不同用户,形成细化分析与解决方案,从而推动问题解决(如下图):

图片图片

要点三:评估可行方案

很多同学一听到“可行的建议”就会发憷,不知道咋提,不知道要细到啥程度。其实,在短期内,业务能做的优化动作是非常少的,哪有那么多天花乱坠的想法。而且没有经过数据的想法,有很大概率是馊主意,改造越糟糕。

所以,想提出高质量、可落地的建议,最好的办法就是围绕业务问题,把过往评估的结果整理起来。比如要建议上一个促销活动,那么过去各类型促销效果,投产比数据就可以拿出来用,先看相同投入下哪个好,挑个大类。比如要建议优化宣传素材,那么过去宣传素材带货效果怎么样,先列清单,提供给业务选。

图片图片

这样做,业务用起来也很爽。业务一有想法,立马能看到历史上类似动作的结果,自然自己心里也有判断。

唯一不能应对的场面,就是业务有个全新的想法。这时候没有历史数据做参考,可以做测试。数据分析师帮业务列清楚:本次测试目标、测试关键影响因素,本次测试要剔除的干扰因素(非常重要!不然结果不好解释),预估测试多久见效。这样也能提供有效落地的建议。

现实中的补救措施

当然,现实工作中,总会遇到公司领导不重视,业务不积极,数据太少等等问题。该怎么补救呢?你不能太指望遇到100%完美型的公司才干活,因此建议大家抱着:行有不得,反求诸己的精神,先把我们自己能干的工作干好。

包括但不限于:

1、不要当学究了,多了解业务

2、从业务角度思考问题,主动提业务假设

3、遇到问题纠缠不清,主动列分析逻辑树

4、不停步于“习惯是什么”,多问:“习惯背后的原因是啥”

5、做好评估记录,围绕业务把评估结果组织起来,留作弹药库

责任编辑:武晓燕 来源: 接地气的陈老师
相关推荐

2024-09-02 12:23:27

2024-07-26 08:30:03

数据分析数据业务

2022-11-28 11:43:24

数据分析不及格数据验证

2017-04-11 09:08:02

数据分析Python

2024-09-30 08:47:07

数据分析降本增效覆盖用户

2023-05-15 12:56:32

运营数据分析

2024-03-27 12:31:54

数据分析降本增效促销活动

2023-02-26 00:00:03

数据分析数据模型

2018-07-19 19:50:48

大数据数据分析师网站分析

2022-09-16 11:33:40

数据分析MVP

2023-07-29 22:27:44

2016-12-09 09:37:25

数据分析报告

2022-12-26 00:00:03

2016-10-24 23:18:55

数据分析漏斗留存率

2021-08-09 10:15:34

数据库数据分析师

2021-08-17 09:30:05

大数据数据分析客户体验

2023-10-11 11:34:54

数据分析运营

2022-02-16 10:37:41

数据分析思维数据分析

2022-11-01 11:30:51

数据分析模型数据

2021-10-12 15:25:08

大数据数据分析
点赞
收藏

51CTO技术栈公众号