不要乱做数据需求。。。

数据管道

共 5833字,需浏览 12分钟

 ·

2022-02-22 07:53

大家好,我是宝器!

在《数据分析Sop!》一文中讲了数据分析0-1的完整流程,本文将针对性的讲讲数据分析中的前期阶段-需求处理阶段(这篇文章中有一张sop图,大家可以参考下),认认真真准备了6000字的干货。

需求处理阶段我分成了三块:发现问题、需求确认、需求处理。不要小看前期阶段,前期阶段的准备工作直接决定了后续工作的方向以及分析内容。




01


发现问题

1.以数据分析思维探索问题

先引入下王大爷的故事。
我去王大爷摊位买烤串,唠嗑中王大爷说现在现在赚的不行了。我甚是同情王大爷,安慰王大爷说赚点钱买买菜,够日常花销就行,人嘛就要过的开心点。

王大爷:买菜肯定...
我:不够?
王大爷:花不完,就是想置换一套内环内的房子了,现在五套不够住。
我......

那问题来了,王大爷口中的“赚的不行了”是通过什么得到的结论?

  • 与过去比?过去日赚1W,现在日赚8000,这么比确实少了;

  • 与目标比?目标希望赚个千万,买套内环内大房子,这么比确实赚的不行;

  • 与行业平均水平比?烤串行业平均日赚5000,王大爷已经是烤串中的佼佼者了;

  • 与其他烤串大爷比?这个“其他”的对比群体怎么划分?选择和王大爷摊位所在商圈类似的烤串摊主?还是选择与王大爷串串产品类似的摊主?还是相同年龄段相同性别的摊主?还是平均客单价同一水平的摊主?以上王大爷收入金额纯属虚构)


怎么判别王大爷的烤串是赚的多的还是少了?
这个其实就是根据王大爷抛出的问题延伸出来的新的问题。实际工作中,「问题」可以是领导或者业务方直接抛出,也可以是自己主动发现。但不管哪方发起,思考问题均离不开数据分析思维的支撑。

2. 找到有效问题
数据分析的过程其实就是发现问题并解决问题的过程。一个好的问题,时间与人力的付出才不会竹篮打水一场空,分析工作才有价值。发现有效问题,显得尤为重要。

有效问题的5个特点:

①是否有价值
此“价值”是建立在公司利益之上的。有价值的问题并不是说角度新颖、前所未有,而是触及到了公司的重要层面。该“问题”是否与公司、部门的OKR相关,是否有跟着公司的整体方向走。比如某个产品已经流量见顶了,公司整体策略由之前的拉新获客变更为提升活跃留存、维护老客,那么即使产品的用户体量趋势即使逐渐趋于平稳,孛离公司整体策略,也不需要再在这上面过于下功夫研究探索。

②是否涉及核心指标
首先需要熟悉公司有哪些指标,尤其是核心指标具体是哪些。其次,需要继续了解这个问题是否涉及核心指标,且涉及了哪些核心指标。

③是否影响面广
是否关系到公司的整体策略?这个问题如果不解决的话,会产生多大的影响?如果解决了的话,会有多大的利好?

④是否可规避
受宏观影响还是微观影响?无法避免还是本可避免?

若这个问题受宏观政策的影响,比如疫情原因导致的线下门店销售下滑,再比如国家出台政策规定篇p2p年化利率最高36%,这是宏观因素,不可避免;宏观因素下,公司业绩指标变化较大,原因众所周知,且无法规避。此时单纯研究这个问题则意义不大。

若这个问题未受宏观影响,比如,某个产品的最近复购率下降,宏观上并未有任何政策影响,就莫名其妙的复购下降了,此时需要深入探索是不是产品本身存在了问题,还是竞品导致,或是其他。这个问题可以说是本可规避但未规避。

⑤是否有时效
时效性的理解就是,如果这个问题现在不解决,对业务后续发展会产生一定的影响。比如,研究前年10月销售下跌的原因则没必要,要保证数据与时俱进,避免数据过于陈旧;再比如,当前时间节点若是处于市场竞争激烈的态势,则需实时把握产品的数据变化,及时发现问题并解决,当前的问题延期到未来作用性衰减。

⑥是否波动大
波动“大”没有绝对的标准,但有相对的标准。比如,整个行业的波动是1%,你的产品波动5%;再比如,波动一直处于1%上线,但突然有一天波动了5%。只看波动5%可能觉得也就5%而已,影响不大,但相对来看,5%已超出了正常范围。

3. 通过什么方式发现问题
  • 与历史对比:是否符合历史惯例趋势,比如数据一直平稳波动还是突增or突降?

  • 与同期对比:如周同期、月同期,年同期。比如2020年双11期间销售额较去年同期是涨了还是跌了?

  • 与总体对比:比如某个sku盈利情况与所在品类盈利情况的对比,该sku对总体的的贡献率如何?

  • 与竞品对比:与有相同应用场景、相同用户群体、存在竞争关系的产品进行对比,寻找差异点。

  • 与目标对比:与公司目标、部门目标相匹配的可衡量指标进行对比,是否有跟着公司战略方向走?

  • 与经验对比:以经验第一时间迅速洞察问题比如双11某门店营收不升反降经验不需要数据支持,但需要敏感的数据思维以及数据分析经验支撑。

  • 与预测对比: 与预测数据的差距是否在正常范围内?


4. 问题归类与拆解
工作中面对的问题大大小小会很多,即使是同一个问题也可能会被不同人的发起。每获取一个问题就记录下来,加以归类再去选择性的攻克。
常见的问题归类方式有:
  • 按照四象限法则进行归类

    紧急不重要、紧急且重要、不紧急不重要、不紧急重要

  • 按照问题类型进行归类

    交易相关、流量相关、用户体验相关、数据安全相关、财务数据相关......

  • 按照优先级进行归类

    P0(重要紧急,当前亟待解决)、P1(非紧急,可适当延后腾出时间优先解决P0)、P2(非紧急,可后续再做)......


有时候我们遇到的问题很棘手,大且复杂。一片迷茫,思维混乱。如何着手去解决?这时候,我们需要将复杂的问题“拆而解之”,而非将焦点浮在问题表面,把大问题围绕核心点拆解成可以行动的小问题,找到切入点。打个比方,某个线上产品营收下降了10%,将10%拆解到各个子产品线、各个地区维度等,拆解出下降由哪方面带来,再针对性的逐个分析。

5. 站在业务角度想问题
做分析,很容易陷入一个圈:为了分析而分析。

看到一个问题,会想可以用xx模型、xx技巧、xx模板来分析了。使用了一圈的技能,复杂的过程,密密麻麻的公式等,感动了自己,迷茫了需求方。不是说不能使用,而是要回归业务本质,先从业务角度出发,思考这个问题的价值。分析方法向业务靠拢,而非业务需求向分析方法靠拢。

了解清楚了问题的业务价值,以后最起码可以站在一个更高的公司策略层面的角度,谈论这个问题的核心意义。

我最初做分析的时候,就陷入了这种圈子。辞职的时候,跟领导说不想做这种只跟业务方打交道的分析,也没涉及任何模型,想去做涉及模型的分析。现在想来,好愚昧的想法。做分析需求不一定需要复杂的模型,反过来,做模型一定需要深入了解业务知识,哪怕数据科学家这种对分析模型深入熟练的角色,也有着深入的业务了解程度。不管怎么说,深入了解业务,不亏。

发现问题之后,有了初步的方向,下一步就是需求确认。


02


需求确认与梳理

1.确认需求背景
了解清楚需求背景,才能明白这个需求的意义,是为了解决什么问题而出发的,不至于迷茫的做分析。需求背景就是需求产生的原因以及想要达成的目标。
  • 需求产生的原因: 当前现状是怎样的?为什么会提此需求?遇到了什么问题?

  • 需求要达到的目标: 此需求期望在什么时间通过什么样的方式达到什么样的目标?(when、how、what)


2.确认指标口径
需要确认清楚这个需求涉及什么指标,哪些是核心指标哪些不是核心指标。每个指标的口径是什么,最近有没有更改口径。比如客单价,即使大家都知道客单价=GMV/用户数,但是不能想当然以为需求方肯定知道,需求方也以为你肯定也知道,双方未核对口径直接开工干活。这样会存在两波客单价口径不一致的风险。分子什么维度、分母什么维度,都需要对清楚。

说白了就是,我以为你知道,你以为我知道,但是,咱们还是要对一下口径。

因为分析角色是干活的一方,需求方是发布需求的一方,所以面对需求,自身需要想的更多些,有些点需求方可能没想到,此时分析师需要具备更多的主动性。引导沟通、多方核对。毕竟,不沟通清楚需求直接干,容易背锅且被投诉,也竹篮打水一场空,浪费了时间。

所以前期不要怕沟通。最好是沉淀成文档,点对点沟通。

3.确认数据维度
数据维度可以理解为研究数据的角度,比如地区、城市、用户名等。
需要向需求方了解清楚:
  • 需要什么维度的数据?

  • 此维度按照什么方式聚合? 

  • 去重还是非去重?

  • 直接聚合还是累积聚合?

  • ......


4.确认底层表逻辑
需求方提需求,一般只会讨论需求详情,但是需求怎么做,数据从哪里获取,他们不需要关心。比如,需要看某个商品的七日复购率,数据库表中有七日复购率指标么?若有指标口径是否和需求方的口径一致?若无,需要从哪些数据库表进行关联得到所需数据?自己关联计算的逻辑需要数仓落表还是直接应用?

5.确认资源配置
资源配置包括人力资源与排期资源。比如需要大致评估下需要什么团队安排几位人手做需求,以及安排的人员是否有排期。所以分析师在这里还扮演了一个协调的角色,协调好需求方、数仓、分析师等人员的配合。需求紧急,排期紧张,还需要去协调是否将此需求优先级前调,其他需求暂且延后。

6.确认需求完成时间
需求方大多数只给了一个最终的时间,比如这个需求2月10日需要完成。那么每个环节的详细时间计划,需要分析师去领头协调了。比如:

清晰的排期计划:
  • 便于需求方及时随时查看进度

  • 便于自己有个需求跟进的时间参考


7.确认数据安全性
分析师可以接触到很多底层数据,所以需要有数据安全意识。有的公司划分比较严格,某个模块的需求专门安排某个分析来一一对接。但有的公司没这么严格,所以需要判别下需求方是否可以查看该数据。

  • 需求方是否可查看该数据

即使是同一个公司的人,各自的数据权限也并不一样,一般不允许非必要性情况下获取本职工作以外的数据。比如,两个部门做着类似的产品,有着类似的用户群体,也背负着各自绩效,数据不能相通。但对方都是希望可以获取另一方数据来做对比,这种情况有的公司不被允许。分析师自然也要判别这种情况,该给给,不该给则果断拒绝这个需求。

  • 明细数据是否涉及数据安全

另一方面,需求方有时候需要明细数据,即数据粒度较细的非聚合数据,比如ods层、dwd层的数据,还需要判别下是否能够提供明细数据。有的公司明细数据会受到公司安全部门的监管。毕竟,明细在手,各种角度的分析都能搞。



03


面对不合理需求

工作中会面对各种各样的需求,确认需求是否合理也是一项重要的步骤。合理的需求建立在利益最大化的基础上的,就是以合理的资源做着合乎公司整体规划的需求。

但若是遇到了不合理的需求呢?

分析师虽然作为服务方,服务于需求方,但不需要将“满足一切需求”作为行事标准,这样解决的只是“量”的问题,并不会解决“质”的问题。其实工作中不必一味的迎合用户,当然也不是说直接掷地有声的拒绝,而是扮演好需求的引导角色与管理角色

1. 引导角色
以前曾经接过一个大领导的需求,涉及一张图表,需要看不同商品在不同地区的趋势表现,比如看办公用品在北京、上海、杭州、苏州、南京等城市的销售额对比,还需要看学习用品在北京、上海、杭州、苏州、南京等城市的销售额对比,等等。我其实做的是筛选器上筛选不同商品来看城市对比即可,但是这位大领导已经习惯了以前的做法,就是相同的图表一直平铺排列下去,需要一直上下滚动来看。我的直属领导说,筛选的方式自然是很便捷的,只是还没习惯,也不必非要按照他以前的方法来做,你可以先尝试着去引导他,讲解下这种方式有什么便捷性。

这是个小例子。

还有个例子是,有需求方需要的是明细数据,数据量上百万,以表格形式展示出来供他们下载即可。用户是这么需求的。但是作为分析,需要进一步考虑,为什么需求方要把BI当作一个下载数据的平台,而不是直接看数据的平台?在需求沟通的阶段,其实就要了解清楚需求方下载下来的目的?是BI看着不方便?还是用着不习惯?

如果说需求方下载下来之后需要进一步在excel上做数透、函数等处理,是不是可以引导需求方直接在BI上实现即可。因为明细数据的量一般不会小,经常跑明细任务给平台自身也带来了很大的压力,需求方的数据处理时间也增加不少。

所以,其实有时候也没必要非要被需求方牵着鼻子走。如果是个双赢的局面,不如加以合理的引导。

2. 协调角色
如果正在按部就班的处理着需求,突然插进来一个需求怎么办?工作中都会有这种情况。需求方会说“我这个需求很简单,你先处理下吧” “我这个需求很紧急,大佬们都在盯着呢,麻烦你优先处理” “我这个需求10分钟之内就要出结果” “别人都能立即搞定,为什么你要明天才可以?”等。

  • 自己协调

如果手中需求的优先级已经跟各需求方确认好,穿插需求先考虑到会不会打乱其他需求。如果好几个需求都喊着紧急,先紧急做影响面广的。其他的直接表明态度需要适当延后即可,但是最好可以给到一个具体的延后排期给需求方,沟通确认延期后的时间需求方可以认可,而不是直接一句“没时间”就完事了哈。

  • 适当求助

优先级如果自己不能做主,或者自己协调的时间需求方不认可,也可以适当求助上级领导,共同商讨下手中需求的优先级。毕竟领导经验更多考虑的因素会多些。


04


沉淀需求文档

其实需求要梳理的内容基本上都在需求确认环节都确认清楚了。需求确认和需求梳理并没有严格的前后关系,可以同步进行。

只需要将口头沟通、会议沟通等全部沉淀成需求文档,一般来说包括以下内容:
  • 需求背景

  • 需求描述

  • 指标口径及数据维度

  • 人员配置及执行计划


需求文档沉淀完毕之后,还需与需求方再过一下。若需求后续有更改,也需要将需求更改时间标明上去,便于回溯。

以前我接需求特别不爱沉淀文档,觉得浪费时间,就直接开干。过了一段时间后,会出现:
①需求方说当初讨论的明明不是这样的;
②有使用方问指标口径为什么这么定呢;
③其他人问这个需求为了解决什么问题
④ ......

我不能保证我能凭空将以前的需求讨论细节完好的讲出来,甚至忘记。所以,沉淀很重要。如果需求确实紧急,也可以先开干,后续再抽空将需求整理出来。

做好需求梳理的沉淀,还有一个好处是,会让你想的更多更细,比起直接开干更可能及时的发现些问题。

以上。
·················END·················

推荐阅读

  1. 我在字节做了哪些事

  2. 写给所有数据人。

  3. 从留存率业务案例谈0-1的数据指标体系

  4. 数据分析师的一周

  5. 超级菜鸟如何入门数据分析?


欢迎长按扫码关注「数据管道」

浏览 41
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