本文系统地讲解了数据分析的标准流程,包括两种基本流程和六种具体情况,以及数据分析的结果应该如何应用到实际中。如果你感觉自己做了数据分析,得到的结果却不尽人意,就来阅读本文吧。 总之,想做得深入,一定要业务题假设才行,不然数据自己把指标拆来拆去,很有可能只输出诸如:“因为人数少了,所以没达标,建议把人数搞高!”一类肤浅结论。 复杂度三级:优化表现。典型的问题,比如“我要怎么做,才能让业绩冲第一”。此时,需要把前边两个复杂度的问题全部做完,才能有结论。 所以,优化表现类流程会特别长。很多数据分析师不知道怎么提业务提升建议,其实就是因为缺少了前边这几步铺垫,啥情况都不了解,肯定没法直接提建议。 复杂度四级:预测走势。在上一节已经举过预测例子,实际上,凡是预测类的问题都很复杂。起码得先了解现状,知道问题点,知道业务有没有计划做改进动作,收集一大堆信息以后才能做合理预测。 此时:
总之,业务上提问越复杂,需要分析的环节越长,前期铺垫越多,不然很难输出有价值的结论。 03 从数据出发的流程还有一种情况,就是业务端没主动提需求,但是数据分析师需要主动从数据里读出业务含义,发现业务问题。此时的基本流程是:数据→问题→答案。 但是!这个流程经常走不下去。因为很多很多数据分析师只看得到数据,对业务情况不了解。因此不知道该怎么解读这个数。比如:
因此本篇用了很长篇幅介绍业务视角如何展开分析,就是为了提醒那些每天对着报表发呆的同学,多和业务沟通,多加深对业务背景/业务状况的了解。好在,有很多公司业务和数据沟通还是很紧密的,因此,可以优化下“数据→问题→答案”的基本流程。
以上,所有流程总结如下图,方便大家取用: 专栏作家 接地气的陈老师,微信公众号:接地气的陈老师,人人都是产品经理专栏作家。资深咨询顾问,在互联网,金融,快消,零售,耐用,美容等15个行业有丰富数据相关经验。 本文原创发布于人人都是产品经理。未经许可,禁止转载。 题图来自Unsplash,基于CC0协议。 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。 |