一个套路,拆解常见数据分析需求

数据管道

共 3057字,需浏览 7分钟

 ·

2020-08-22 21:18

点击上方数据管道”,选择“置顶星标”公众号

干货福利,第一时间送达


现实与Kaggle的区别



现实环境的数据分析工作和Kaggle题目之间,最大的区别在于kaggle上的问题往往非常清晰。预测类问题,你只需要把预测做的足够准确就能拿高分。


但在实际的业务环境中,你做了一个很牛逼的预测模型,换回来的只是业务方一句这个有什么用?


有时候业务方提出的问题也很不靠谱。提需求的时候说是要分析一个问题的原因,结果实际上问题根本就不存在,只是对方的感觉。


所以如果你在Kaggle上可以混的风生水起,那么只能说你对于确定性问题的解题方法掌握比较好。

但到了实际业务环境下,识别问题成了一个更重要的能力。

 

业务人员提的数据分析需求往往很杂,各种千奇百怪的是不是、有多少、为什么、能不能、会不会,怎么办等问题层出不穷。到底哪些问题可以归为一类,这类问题又该如何分析,这是每个数据分析师都想知道的。

 

我根据自己的经验和理解,整理了一套定义问题的方法,分享给大家。


一个业务分析需求的必备要素有哪些?




一个业务分析需求,必备的要素有哪些?

上一篇提到了一个思考框架,业务流、管理流与数据流。

这里简单复习一下,一般常见的分析流程:


是什么:

用数据流反应管理流,解决是什么的问题。留存率是多少,算高算低?如果留存率低的话是哪类用户低?

我一般把常见的细分分析得出的结论,都归纳成是什么

为什么购买转化率低?因为落地页的转化率低

类似这样的回答,其实只是对转化率做了细分,本质上还是是什么。真正的为什么为什么落地页的转化率低,用户到底在想什么,需求是什么?


为什么:

用数据流反应业务流,解决为什么的问题。

什么原因造成一部分用户的留存率低?是因为需求无法满足?还是非目标用户群体?

如果是落地页转化问题,那么现在落地页上的问题是什么?哪些元素降低了转化率?

这类问题的答案要落实到具体的用户需求上。

有时候数据可以反应用户的实际使用情况,比如用户在落地页上停留较长,也愿意查看活动规则,但是转化率很低。那么这种情况大概率是用户被卖点吸引,但是看不懂规则,或者实际活动与他的理解不一致。

很多情况下,数据没法直接反应用户遇到的问题,必须通过用户调研实现。

 

怎么办:

在管理流中找对策解决业务流的问题,解决怎么办的问题。如果是需求无法满足这部分用户,那么我们可以怎么解决这个问题?增加功能还是优化现有功能的体验?

有时候,这一步并不一定是数据分析师来做的,甚至不是从数据上推导的。上一步的为什么如果已经找到非常具体的原因,比如“A类用户流失主要是由于会员到期,那业务方围绕着如何促进续费就能改善这一状况。


目的:

除了分析的常见流程,还有一个分析的前提——这次分析的目的是什么。

这个目的往往是改善某一个具体的指标。

我虽然经常吐槽业务人员没有数据驱动业务的思维,但是在KPI问题上,业务人员对数据思维往往非常好。如果做的事情没办法用数据衡量,对业务人员来说价值不大。


所以:一般来说,一个数据分析需求一共要经过四个阶段:


目的:确定分析的目的,优化什么指标。

是什么:确认现在的指标情况是什么,问题集中在哪个部分?

为什么:现状为什么是这样,用户的需求是什么?

怎么办:制定什么样的对策来优化指标。



常规的数据分析问题类型




最常规的问题类型,是业务方知道前面N个环节,需要分析后面的环节。

 

比如最常规的,只知道目的,后续都需要分析。

用户运营找到数据分析师,想要做一个专题分析,主题是如何提升用户的活跃率。

这个问题的目的很明确——“提升用户活跃率。但是后面的部分就没那么清楚了,数据分析师可以按照之前提到的四个步骤一步一步地向后推进。


首先要做的是是什么,把现有的用户活跃率的数据提取出来,看一下目前的数据表现如何。如果数据表现确实不太理想,那么再看看到底是整体都低,还是有部分群体特别低。


之后是为什么的阶段。如果有部分群体活跃率特别低,那么这部分用户为什么活跃率低?他们的需求是什么?


最后,针对新用户的问题,制定对应的业务动作。如果发现这部分群体只使用一些基础功能,那么如何引导他们使用高级的功能?


这样一个完整的分析基本就完成了。


其中的具体分析细节本篇暂时不讨论,放到下一篇再讲,这篇主要讲一下整个分析思路的框架。

 

这类问题是知道前面N个环节,分析过程都是类似的,向后分析即可。


验证猜想型需求




其他的数据分析问题,可以用一个表来归纳。

大体分为两类,一类是有目标的,一类是没目标的。

 

有目标的,一般是验证猜想

比如,知道目的为什么

业务方想提升新功能的使用率,提出一个猜想。

新上的功能对于新用户来说理解成本比较高,想做一些优化。


但这只是一个猜想,甚至连问题本身是否存在都不确定。

这类问题需要把缺失的是什么补上,

1.是什么:用数据证明新用户现有的使用率怎么样,如果新用户使用率已经较高,那么这个猜想的基础就不存在了。

如果新用户使用率确实比较低,那么再验证新功能是不是理解成本太高。

2.怎么办:验证了猜想,再思考怎么办。

 

还有知道目的怎么办的。

业务方想要提升用户数量,然后看到拼多多的微信裂变拉新搞的很成功,我们拉新是不是也可以微信裂变提升新用户数呢?

需要做的步骤:

1.“是什么:看一下目前的新用户数。也许现在的新用户数已经还不错了,那是不是还有必要花人力去优化拉新环节?

2.“为什么:如果现在的用户数上不去,为什么整体用户数上不去?如果因为新用户的留存和转化很差,新用户没几个能留下来,那么工作的重点应该是提升留存,而不是拉新。

3.得出结论:不应该采用裂变拉新,原因是我们的业务场景和拼多多不同,我们现在无法承接新用户的转化,需要优化产品体验后再做会更好。

 

无目标的需求



没目标的,这类就比较坑了。
只知道为什么
这种问题往往是有一些客户的反馈,比如用户反馈一个常用的功能经常找不到入口在哪。
这个反馈比数据分析的结论要准确多了,数据分析最多知道一类人的使用特点是什么,基本不可能知道用户到底在想什么。
产品经理拿到这种反馈,需求背景写起来都理直气壮了,这可是客户的的真实需求。
 
分析这种问题,首先得确定目标。如果优化这个功能的入口,到底要优化哪个指标?
是做用户留存率,还是功能转化率?
 
如果是为了优化用户留存率,那现在留存率是多少,这个反馈的用户的留存情况怎么样?
会不会这个用户是一个重度用户,留存情况非常好。而常用这类功能的用户都是重度用户,优不优化这群用户都会留下来。
那这种反馈优先级肯定比较低。
 
而如果目标是提高功能转化率,那么看一下目前这个功能的点击率,看一下是普遍问题还是这个用户的个别问题。之后再按顺序继续分析即可。
 
还有一类没目标的需求更坑。
业务方看到竞品在搞降价促销活动,于是提示我们是不是也可以搞一个降价促销?
这类需求根本没考虑清楚搞一个这样的活动目的是什么。是提升销量吗?
也许竞品搞这个活动的目的是清库存,降低库存成本。而你根本没有库存压力,直接照抄最后库存也没清掉,销售额提升也不明显。

如何分析就不赘述了。

总结




日常的分析需求一般不会超过上述这个分析框架,拿到分析需求的时候思考一下这个需求目前拥有的要素,然后从左到右推导,可以快速组织分析思路。

浏览 29
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报