关于数据分析的思考(三)

某个指标下降或者上涨n%，你该如何分析

1、确定指标口径
例如活跃，是日活还是月活？是有效活跃还是正常活跃？每个问题都有自己的背景，确定口径是首先要做的

2、确定指标准确性
确定口径后，要确定数据的准确性。
1）、直接排查该指标，思路一般采用二分法思路，例如展示层、ods层、中间汇总层、中间明细层，提高排查效率。
2）、通过间接的指标排查，例如看该指标相关的衍生指标（分子or分母的指标），可以间接判断数据准确性。这种方法，一般要求你必须对衍生指标的有一定敏感度，知道在什么区间内是个合理值。

3、分维度进行定位问题
定量：采用演绎法进行mece的拆解，多维度解释问题，看某个特定维度下变化量占总体变化量的比重定位问题。例如行业、客户分层等等。不同时期的看法是不一样的，例如节假日，一定要从客户需求本身出发，比如旅游类视频的发布量，就一定在周末、五一等节日。日常的增量，就必须要看激励活动的情况。
定性：确定某个维度后，定性的去解释该维度为什么变化。定性的方法，一般就是PEST进行分析。

以上都是完成了具体指标跌降原因解释，下面就要涉及到确定好坏、给出建议并综合评价的部分。
4、找基准，确定好坏
某个指标涨降，一定要寻找一个基准线，用来判断好坏。寻找基准线，无非是拉趋势，找同期，看周期。
例如，某个指标在近期一直降，那么就需要特别关注，提醒管理层问题。但是要是同期比，降得反而少，那预计就是周期性下降，但是业务整体较同期比较做的更好了。
找基准，一定要特别注意周期(年月日特殊事件点都得看)，才能评价好坏。
5、给方向，给建议，给方案
方向，定性的，业务层面大得方向都是比较容易谈得，从产业、从组织架构、从人群方面，都可以定性得说(当然，这部分还是很重要得，你对业务大方向得思考还是要有得才能讲出来，还需要继续在这个方向上深耕细作)。
建议，定性+少量定量，定性得确定方向，比如某个方向，在特定时间段内，做多少，就能抑制下降or保持上升，这种就需要你结合业务+数据模型解释。数据模型，也是基于上述3得出得。
方案，定性+准确定量，我得理解是这部分，数据模型足够准确，业务思考足够深刻才能获得得。
6、综合评价
5做好后，那么就需要基于业务的发展阶段和最终方案的落实情况，综合判定这方案的有效性。

如何看一个数据团队的定位+人员分工

定位：
一般公司的数据团队，都是用来辅助决策的。辅助决策，那么要看你服务的部门，本身的决策权是如何的。其次，再看你服务的部门，高层管理者对于数据决策的需求是怎么样的。然后，再看数据部门的老大，是如何定位整个部门(数据支持to数据报表to数据分析to数据策略)的。最终，也要看你个人，是如何看待自己的定位。
个人与组织，一定是相辅相成的。我们只能丰富自己的能量，提升自己，然后才能获得一个好的组织，发挥足够的作用。

分工：
不论数据团队大小，大块来看，一定是有两个方面，一是数仓，二是业务分析，再深入的分析，就是数据科学，这种一般也就大公司的大团队才有。
数仓，是基础建设，地基不夯实，往上走的天花板一定很低。但是你只做数仓，天花板会更低。
数仓，核心价值是结合业务，设计一套贴合业务的数仓结构，提升数据质量和效率，也是这个职业的高壁垒所在。成长方面，能做的就是提效，不能一味的只接需求，需要汇总需求并深入分析需求的背景，用更好的方法去解决这些问题，这是数仓能成长的方面（观点from木东居士，非常认可大佬）。另一个方向，那就相当于转行，做业务分析，这样既懂数仓技术，又懂数据分析，是个好的人才，如果再懂数据科学，那就更棒了。目前，自己的方向就是，往这个方向走，后续去做策略也好，还是要看机会，不论如何，先夯实自己的专业度才说。
业务分析，表哥，首先还是出各类报表，其次，能够接特定需求，进行基础的解释。最核心的，还是要研究分析框架模型，用来全方位的解释业务情况，判定好坏，给到建议。这个事情，可高可低。这种就是偏管理
数据科学，用算法搭建模型，解释业务情况，偏产品设计。例如ABtest，内容推荐等等。

一次性写完了自己最近的一些想法，下篇讲LTV，讲留存模型吧。都是基础的东西，我也不知道深入的东西都是些什么，保持学习。