4

【原创】关于“数据分析流程”的一些基本思考与见解

 1 year ago
source link: https://www.niaogebiji.com/article-481209-1.html
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
neoserver,ios ssh client

数据 + 分析，数据是基础，分析是主导。数据并不意味着价值，分析和决策才能创造价值！

而数据分析：思维方式大于实践方法

  • 思维方式：业务目标及调研+思维逻辑+创新想法+可行建议

  • 实践方法：数据汇总统计+工具使用+可视化

所以，只有对数据进行全方位的分析，两者相辅相成才能实现“数据分析”的决策、预测(降本增效)等价值最大化。

70316660635523800399f4.76404197.png

01、数据分析三步走

在做数据分析，其实就是明确问题-分析原因-落地建议的过程。

明确问题 

数据分析一定是从业务出发，最终再回到业务落地的过程中，而明确问题阶段，对应的就是“从业务出发”：在业务场景下，定义业务现存的问题，或者明确业务期望此次分析能达到的目标；只有明确好目标，才能给分析过程带来明确的方向。

但对业务问题的定义又不能局限在业务层面，之所以我们是数据分析，就需要借助数据的力量，把业务问题转成数据分析需求，这样才能应用我们前面习得的武器库里的分析方法解决问题。也就是说，在明确问题阶段，我们需要做的是：① 从业务层面明确问题/需求，② 再转成具体的数据分析需求。

这里有一个问题拆解的逻辑，业务方给数据分析师的问题更多是笼统定性的，容易让人无从下手；那怎么办呢？解决方案就是上述的② ：从数据层面定义（或者说拆解）业务问题，把大问题拆解成可解决的小问题，然后在分析原因阶段一个一个解决。

分析原因 

在明确问题阶段，需要得此次数据分析项目要达成的分析目标，以及从大问题拆解而来的小问题。

除了解决这些问题外，在分析原因阶段，有一个重要的任务：追溯数据变动的原因。只有“知其所以然”才能把扩大成功经验、汲取失败教训。

落地建议 

在分析原因过程中得到一系列的数据结论，这些数据结论最后还需要通过结合业务场景的定性分析形成业务结论。在业务结论的基础上，我们才能给出落地的业务建议。

什么叫“落地”？即业务方可以操作且愿意执行的。

“可以操作”说明所给的建议的颗粒度足够细。例如，“要提高客单价”这种就是不可操作，业务方不知道要怎么做才能提高客单价，而“通过促销活动提高XX产品系列销售占比至40%”这种就是可操作，业务方马上就可以围绕着该产品系列出方案。

“愿意执行”说明所给的建议是符合业务方利益的。什么意思？实际工作中，每个部门都有不同的工作，假设我们给用户运营部门提了产品优化的建议，那用户运营的同事也无法马上对产品做什么事，因为这超出了它们的权限；所以，要给用户运营部门提用户活动相关的建议才是正解。

02、落地实践

现在，来落地拆解一下数据分析基本流程，如下：

104183778863552381919fc9.44437556.png

明确问题

·数据理解

数据理解，即明确数据分析的目的以及问题。因为，我们做任何事情都要有明确目的，数据分析更是如此，需要把问题以及目标定义清楚。在做分析之前，我们可以要明确几个问题：

♦理解分析的需求目标。我们为什么要做数据分析？分析什么？想要达到什么样的效果。

♦理解受众用户和业务。想通过分析达到一个什么样目的？是提升相关业务指标还是发现问题？只有明确目的才能制定合理的数据分析思路。

♦明确需求数据来源。即数据如何产生的，分析怎样的场景，比如app用户从下载到成为会员的用户路径，从而制作漏斗模型，优化付费成为会员环境，提高付费量，这就是场景。要根据场景去定义问题，梳理数据分析思路，选择数据分析的方法。

♦明确分析业务问题优先级。通过对问题进行重要性及紧急性排序，针对行的分析较为重要的问题

·数据收集

数据是一切分析的基础，一般情况下，每个公司都有自己的一些服务器和数据库或者运营后台。而数据收集的程度和准确性往往就决定了数据分析结果的可靠性和有效性。

·数据清洗

收集好以后，我们需要对数据去做一些清洗。因为很多数据有问题，不准确的数据分析出的结果毫无价值意义。比如 数据残缺（空数据）、数据错误、数据重复、数据异常等问题，我们都需要对这些数据进行清洗。

分析原因

·数据分析

在数据进行简单的清洗后，我们就需要去做一些数据分析了。即 通过一系列的数据分析方法从数据得到可以回答需求的答案，根据分析需求以及目的，围绕是多少、是什么、为什么、会怎样、又如何来展开，通过进行描述性分析、诊断、用户分类/分层、预测等分析方法，对数据进行分析。

数据分析方法有很多，网上有很多分析方法，可根据自己的业务场景，选择合适的分析方法！

·数据展现

其实也就是数据可视化，把数据结果通过不同的表和图形，可视化展现出来。可视化是数据分析结果呈现的重要步骤，可视化是以图表方式呈现数据分析结果，这样的结果会更清晰、直观，容易被理解。对于入门级别的常见的数据可视化工具可以是excel。

落地建议

·数据报告

经过上述一些列的步骤，得出了哪些结论？可以采取哪些优化措施？这些都需要以数据报告的形式进行呈现。

·结果验证

数据分析结果的应用是数据产生价值的直接体现，而这个过程需要具有数据沟通能力。业务推动能力和项目工作能力。如果得到了结果却不知道做什么，那么这个数据分析可能就是失败的。此时我们就需要检查数据分析方法是不是有问题；其次，数据是否进行过加工处理？再其次，数据收集的是否可靠？这就需要具体问题，具体分析了。

03、小结

在实际的业务分析中，一般在得到了验证结果后，还要回顾分析的目的，去与业务或者运营人员沟通，反馈结论，比如哪里有异常、原因、下一步动作等事宜，这也就使数据分析形成了“闭环”。然后相关业务人员再次提出疑问去确立新的分析目标，通过如此反复的迭代优化及分析，可提高营销活动有效性，提高投资回报率等数据指标……“闭环”其实就是“扬长避短”，让数据引导动作到更有价值的地方，实现资源配置最大化，也就是所谓的数据驱动业务。


report

Recommend

About Joyk


Aggregate valuable and interesting links.
Joyk means Joy of geeK