1. 什么是数据分析思维
数据分析的本质,是把思维建立在牢固的事实基础上,通过有逻辑的分析,推理出接近真相的答案。数据分析代表了理性、严谨、缜密的思考过程。和数据分析相反的概念,就是通过感受或者经验来做决策。但是我们很难将分析建立在虚无缥缈的感受上,很容易出错。
比如说我们定义 BI 的活跃用户的标准,如果有足够的业务经验的话,可以感性拍一个定义,但是这个拍出来的标准对拍的人要求太高了,拍的人不同拍出来的标准也不同。如果用数据分析思维的话,就可以通过分位数法、拐点理论等分析用户编辑次数的分析情况,有逻辑的定义活跃标准。
我们常说的相关分析、回归分析、 SWOT 、 PEST 、都是一些分析的思路和方法。在实践过程中,不是一个方法一路应用到底的,而是组合起来,从搞清楚发生了什么问题开始,到跟踪问题解决结束的。
下面通过实际的案例—— BI 打卡营活动,对上图中每一步进行讲解,较清晰的了解数据分析思维。
2. 日常积累
收集信息,理解业务背景:
这一步很重要,所有的数据分析都是建立在业务基础之上的,没有业务背景,数据分析就没有意义。并且看似相似的业务,背后的逻辑都有可能是不同的,比如 FR 和 BI ,都是做数据看板,二者的业务逻辑深挖相差是非常大的。
理解业务背景,就是要理解业务在干什么,为什么要干这些事。真正明白业务的需求,而不是业务让我干这件事。
应用:为了解决业务用户不会用 BI 的问题,将 BI 的新用户(从未使用过 FineBI )以企业为单位,拉到一个微信群中。提前设置好每天的学习任务,新用户完成学习任务后在群里打卡。
3. 分析前期准备
3.1 把具体问题转化为需求
数据分析需求:
是什么(评估):梳理评估标准、单维度定量评估、多维度定量评估、分类评估
为什么(原因):有假设(验证)、无假设(探索)
会怎样(预测):基于发展趋势、基于驱动原因
应用:
业务的需求:打卡营活动的效果怎么样,存在哪些问题,可以怎么改进?——评估类、原因类的需求
数据分析需求:通过打卡营活动,结合产品和社区内的数据
a. 如何衡量打卡营活动的效果----定义一个评估标准;
b. 打卡营每个环节的转化情况----评估效果;
c. 转化率低的环节应该如何改进----原因分析。
3.2 定义问题,总结方法
方法总结:
清晰描述问题(不能听需求者说要一个什么样的东西,而是要了解为什么要这个东西)
划分问题的边界
区分问题类型(是什么、为什么、怎么样)
明确输出产物
a. 是什么:明确输出数据、数据报表,明确判断标准、判断依据是什么;
b. 为什么:列出原因123,判断哪个原因影响最大;
c. 会怎么样:列出预计123。
应用:这一步和上一步的思考逻辑差不多,差别点为需要结合业务背景及定义的最终产出物。此处每个类型的产品物都有涉及,包括:
定义一个评估标准;
评估低/高的原因;
如果改的话,预计会怎样。
4. 分析过程
4.1 梳理流程,认清现状
梳理流程的方法总结:
目标要分清,要明确,要聚焦;
拆分过程中达到目标的步骤越细越好;
每一个步骤能干什么框出一个范围;
最后确认数据记录了哪些没记录哪些(没记录的有没有可能多记录一些)。
应用: BI 打卡营活动流程梳理如图所示。
4.2 明确评判指标
指标可分为两种类型:结果类指标、行为类指标
结果类指标:指向最终结果,相对容易量化,多见于结果类问题(针对结果发问)。
行为类指标:指向达成结果的1、2、3 步骤,相对难量化,但越接近结果则越具体,多见于过程类问题(针对过程发问)。
一般分析过程类的问题,会将行为类指标与结果类问题(指标)进行捆绑,进而综合评估。
应用:
衡量指标定为:
行为类指标:报名人数、每天学习任务完成率、每天任务完成率、任务按时完成率、产品内编辑仪表板的用户率、平均每天编辑仪表板次数.......
结果类指标:用户完成打卡任务比例、用户产品活跃率、用户1个月后的产品活跃率、用户2个月后的产品活跃率。
4.3 寻找问题产生的原因
寻找原因有两种方法:演绎法与归纳法
演绎法的适用场景:过程清晰的时候,能相对清晰地了解问题发生的逻辑。
归纳法的适用场景:当过程是个黑箱的时候,无法知道具体问题的发生逻辑。
应用:
BI打卡营活动的过程非常清晰,且数据也比较清晰,采用演绎法:
梳理业务逻辑
提出分析假设
验证分析假设
提炼总结
可以提出以下假设:
参加打卡营的用户,产品使用能力比未参加打卡营的用户高
用户光看文档,不能提高产品使用能力
用户通过实操任务,可以提高产品使用能力
第一天的学习任务太重了,很多用户都不能准时完成
第一天的学习任务完成后,可以不用看后面的学习任务,也能得到相同的能力
案例类的学习文档,更能引起用户的学习积极性
......
基于数据分析的结果,验证假设内容,得出结论。
4.4 评估方案提出分析建议
如何提解决方案,并评估方案的可行性:
解决方案:问题定义清楚后,从方法库中选择合适的建议(过往的经验,对手的经验)
方案是否可行:不违反业务逻辑;符合时间、成本等条件限制;能达成预期目标
利用业务假设,预测问题未来情况:
业务假设法的基础:假设发展趋势不变
提炼业务假设:
a. 可变量:一般是业务部门直接努力可以提升的指标
b. 假设常量:一般设在一定范围内稳定的转化率指标
c. 找关键变量:找到驱动业务的核心因素,才能设公式
d. 设定假设常量与可变量
e. 设定假设常量范围:通过经验总结
应用:通过上一步得出结论,每一个环节的转化率很低。就可以假设该环节的转化率,通过业务部门的直接努力可以达到多少;假设发展趋势不变的前提下,最终的转化率将提升多少。
5. 分析后总结
阶段性汇报、总结汇报:
数据分析报告格式:
1. 标题页:
1.1 解释基本观点
1.2 概括主要内容
1.3 交待分析主题
1.4 提出问题
2. 目录
3. 前言
3.1 分析背景
3.2 分析目的
3.3 分析思路
4. 正文
5. 结论与建议
6. 附录
总结下来,第一,有两个流程都在关注:一是业务真正的需求是什么;二是为什么要这个需求。第二,分析过程最重要的是有业务假设,有了假设才能找到原因、给出方案。这两点需要在后续的工作和能力培养中重视起来。