以接到的一份分析需求为例,简单写下自己平时分析的一个思考的逻辑,并不一定是最正确科学的,在以后会被自己推翻,但是是现在最习惯的一种流。
一、需求交流
为了避免需求不清晰导致大量的重复工作、无效工作,在一开始应交涉清楚,尤其是许多时候需求方自己一开始也未想好的时候,应该主动引导,包括以下几个方面的内容
-
业务背景是怎么样?是双十一,618的大促效果,还是季节性波动的影响,还是异常点的分析
-
分析目的是什么?是复盘看运营效果,还是寻找问题所在,或是驱动业务
-
分析产出物给谁看?是运营需求方,还是高层,还是单单老板
-
呈现方式是什么?是ppt还是pdf或是notebook即可
二、获取数据简单分析
根据需求,获取需求时间节点/时间段的相关数据,做一些简单的分布图,观察数据分布,开始罗列可能的问题点/方向, 作为分析的重点 。比如GMV进行下滑,问题是在渠道、用户群体还是品类产品
三、结合猜测列出分析框架
通过归纳法或演绎法对猜测进行证明/证伪
记得我刚开始做数据分析的时候,通常都是用归纳法,但是由于业务不够熟悉,经常会有所遗漏,或陷入无穷的数据指标中,因此后来通常使用演绎法,除非是非常熟悉的业务
<br
演绎法即一步步拆解指标,如电商的核心GMV,可以拆解为
GMV=流量转化率客单价
也可以进一步拆分为
GMV = Omega(渠道数量浏览量渠道点击率加购率下单支付转化率*客单价)
即对所有的来源进行求和,检查是哪一个环节影响了GMV。值得注意的是,通常此时计算的GMV是包括刷单与退货的,有时候会造成极大的影响,因此除非是专项分析,否则最好提前剔除。
除去内部因素,外部因素也可能要纳入考虑范围内,通常可以套用PEST框架等。
四、报告结构罗列
简单的说就是ppt的结构,通常我会用总分总的形式,在开篇与结尾罗列观点,中间若干论证,以保证逻辑的完整性,使整个分析报告结构清晰
五、数据处理
往往是最耗费时间的一部,包括收集与想法有关但是之前未收集到的数据,整理数据结构,清洗数据。最繁琐的清洗数据要将不同来源的数据格式化、统一化,对异常值、缺失值进行相应的处理。
六、写报告
如果前期工作做的足够,那么这一步会相对较快。反之若在写报告的时候发现遗漏,则又要重新进行框架调整,数据处理,耗费时间。
七、跟进优化
比如自己写的报告对方不满意,要进行进一步的修改,或是对方因为某个点而产生了新的需求,都需要对需求进行跟踪优化。