从分析师到CDO，他把数据分析上的“坑”都踩了一遍

最新推荐文章于 2024-10-16 09:31:22 发布

企搭搭

最新推荐文章于 2024-10-16 09:31:22 发布

阅读量281

点赞数

文章标签：数据分析数据挖掘 big data

本文链接：https://blog.csdn.net/qi_da_da/article/details/121995737

版权

前言

还记得电影《天下无贼》里有这样一句经典台词“21世纪什么最贵？人才！”如今这个时代，似乎这一结论可以更具象一些——数据人才。

作为数据分析人员，要在大量的数据中找到有意义、有价值的内容并不是易事。刘先生曾是某小公司数据分析师，经过职场上数年的磨练，如今成为某上市公司的CDO(首席数据官)。回忆起初入职场时的工作，他这样评价：每天工作量很大，每天提取数据、写分析报告，久而久之，我发现自己的工作更像单纯地处理数据，像一个没有灵魂的分析工具人。自己熬夜做出来的分析数据，会被老板一句话否决，认为没有意义。很长时间都不知道自己的价值在哪里，很迷茫……

后来，科技不断的发展，数据量更大、计算更复杂，传统的描述性统计和Excel让刘先生越来越力不从心。于是，刘先生不断打磨自己的业务能力，提升数据挖掘、统计、分析的能力，形成更为直接的可视化报告，终于在职场中小有成绩。

但是企业数字化的飞速拓展又给了他当头一棒，企业对数据分析师的要求越来越高，不再仅仅是数据统计、整理、可视化等偏执行层的能力，而是要求数据分析师在具备数据分析能力的同时还有拥有商业运作能力。刘先生再一次紧跟市场节奏，在丰富自身能力的同时，借助数字化工具的加持，完成了从商业数据挖掘到数据科学业务的转型。经过近十年的摸爬滚打，他总结了数字化时代下数据分析的几点经验心得，与大家共享。

紧贴实际业务需求

精准进行数字化客户运营

随着消费者的选择日趋多元化，个性化需求也在不断提升，企业急需通过客群运营来挖掘消费者需求，从而释放消费力。通过发现创新的数据使用方法，尤其是移动及社交技术中新的数据流，帮助企业更好地了解客户体验，预测客户行为，从而最终建立更加稳固的客户关系。

（1）构建对标互联网公司的运营体系，引入互联网的相关思维模式和客户运营模式作为客户运营的补充（如：黑客增长模型、LTV、RFM、漏斗模型、归因模型等）。

（2）打造数据分析应用平台，一是通过分析当前客户行为变化预测未来需求，实现统一的客户分析模型，打破现有简单的一个个模型叠加起来的应用模型，实现真正意义上的客户运营；二是对接相应的对外APP、平台，实现客户界面的一客一策，实现客户运营价值最大化。

（3）利用现有数据分析能力，构建数据分析体系，输出相应的数据分析专业课程，为运营商培养数据分析认证人才。

（4）从现有的数据分析平台的技术支撑，逐步拓展到客户运营合作运营，引入AI外呼、智能数字短信、H5埋点技术等新型技术，在不增加人工成本的基础上实现高效运营。

（5）利用现有的数据分析能力，专项分析预测客户需求，提前引入相应的内容或工具，实现差异化运营。

（6）研究思考构建数据交易平台，将运营商的数据输出进行变现，或积极引入第三方数据进行关联性数据产品开发实现联合运营。

“客户资产=单个客户的生命周期价值×客户基础”，通过漏斗分析、客户画像和路径分析等方法充分挖掘每个客户从萌芽、成长、成熟，到衰退和流失全生命周期中能为企业带来的价值。

提升数据思维能力

成为企业急需的数字化人才

数据思维能力核心有两个：一是数据敏感度，二是数据方法经验。如何建立起数据思维能力？

第一：学会建立数据链条

产品经理在梳理业务时会用业务流程图表明各个模块之间的关系，伴随着业务流程产生的数据，就是数据流，各个数据指标之间也存在先后和关联，这就是我们所说的数据链条。

举个通俗的例子，电商行业最重要的数据指标GMV，那GMV是如何产生的呢？大家可以构想下GMV产生的链条，以某电商APP为例：首先用户打开APP（DAU，APP打开率），进入APP后，用户可通过不同的入口触达到商品。目前此APP的主要流量是搜索，从搜索切入，用户在搜索框附近可点击或者输入，这里可以细分用户进入的途径，如:通过点击热搜词进入，点击历史搜索词进入，或输入新的搜索词进入。接下来，搜索引擎会给用户返回商品列表，用户会浏览或者点击，此时可以观察用户的浏览或者点击行为在序列上的分布，从而了解到搜索词的分发结构。假设用户点击了排名第四位的搜索结果进入商品详情页（用户点击率、用户流失率）；用户在商详页又可以进行各种操作，如：加关注，加入购物车，此时我们可以考察加购的比率；用户在加购之后可提交订单-付款-成交。

通过上面的例子我们可以看到，看似简单的动作却能拆解为不同链条，每个链条上由于用户的动作分支不同会伴随产生不同的数据链条。梳理业务逻辑，形成清晰的数据链条，是建立数据思维的重要一步。

第二步：学会定义数据指标

在一定程度上，“数据指标”能揭示出产品用户的行为和业务水平状况。不同的产品业务在不同阶段时期，需要关注的指标也不同。例如APP主要数据指标包含活跃用户指标、新增用户指标、留存指标、使用时长指标、用户构成指标、渠道指标（不包括SEO）、功能指标……再如线下实体店指标包含销售额、客单价，销售坪效，人效，进店率，试用率，成交率……

这么多指标中如何定位好的指标呢？好的指标一般具备四个特点：

（1）有比较性

如果能从时间、用户群体、产品、地域等不同角度进行比较，可以更好地观察业务的发展趋势，改善业务中需要改善的环节。

（2）一个比率

比率之所以是最佳的数据指标，有以下原因：比率的可操作性强，是行动的向导。比率是天生的比较性指标。比率还适用于比较各种因素的相关性。

（3）简单易懂

一个好的数据指标必须是简单易懂的。比如用户增长率，就是一个简单易懂的好指标。如果不能让人轻易地记住或理解某指标，那么公司就很难利用它来改变行为。

（4）会改变行为

好的数据指标会改变人的行为，这是最重要的标准。比如，电商的新媒体运营来说，关注阅读量和在看数同时，还需要关注转化率，有多少用户通过这个平台购买自己的产品。

拥有一定的数据基础，建立严格的数据链条，学会定义数据指标体系，是建立良好数据思维的三部曲。

第三步：高效并精准分析

数据分析师需要借助有利的智能化分析数据工具，快速整合海量基础数据，高效加工数据，清理无效数据，并从不同维度进行立体化分析，进而得出影响企业发展策略的建设性意见。