《强尼的数据分析漫谈》 第二篇 主要工作内容和个人见解

主要工作内容和个人见解

*本篇主要是作为在业务团队中的数据分析师的一些分析思路分享
行业背景：通信行业业务拓展部门 *
目前我在业务场景中遇到的两种情况：一类是现有业务线，这类场景稳定，涉及到的数据和指标大多已经固定；另一类是新业务线or新的营销场景，面对的是较为陌生的数据，甚至数据的提取都需要探索。接下来就上述两类情况分享一些想法：

一、基于固定场景的数据分析

分为三类：1）固定的数据指标体系（运营&kpi），2）专题项目分析，3）用户级精细化经营

固定的数据指标体系（可考虑产品化）

主要考虑的方向是将固定的数据指标体系系统报表化（产品化），减少重复性工作，便于日报、周报、月报等日常报表的制作，利于跨部门协作。PS:这类工作内容是不断迭代维护的，需要跨部门沟通，一方面对业务的流程和数据指标熟悉，另一方面能够负责数据产品的设计。
主要内容：1）设计思路最好是自上而下，由主及次，分清输出的目标受众；2）从确定的业务线中梳理出核心线条，一般采用漏斗模型反映全流程的转化；3）此外就是针对不同的渠道来源的质量监控，例如不同渠道的用户活跃度、ARPU、 风险监控等等。

专题项目分析

一方面：固化的报表都是从大量的数据分析中沉淀出来的，即在许多的专题项目分析中提炼的重要分析路径；另一方面，辅助指导决策，反馈一段时间的经营情况等等。
1、数据的获取：什么样的数据是需要的，这是要解决的第一步，即取什么数据，取多少。
2、数据体检：数据质量检查
3、数据分析的逻辑非常重要，结构化的思维方式有助于清晰的分析。
例如，对于营销类的数据一般分为两大部分：一类是维度（比如：投放市场、一级渠道、二级渠道、是否出账等等），另一类是具体数值；建议可以采用决策树方式分层分析，逐级定位关键点，其次不同维度之间关联分析，得到交叉信息。常用的工具及方法：Excel的数据透视表，python的pandas以及聚类等，tableau的交叉可视化分析等 。

用户级精细化经营

用户级精细化经营的基础是标签体系。以下是个人对标签体系的一些想法：
1、标签分类：总体分两大类， 横向维度刻画+纵向深度特征刻画，即横向确定刻画对象，纵向确定对象下的标签深度、标签类型等。
1）横向刻画：以应用场景确定对象，刻画不同维度对象的画像，例如用户级、客户级、销售品级、区域级等
2）纵向刻画：
a.分层刻画：
基础属性：由内部信息、业务平台等数据源之间获取数据，一般通过信息整理即可生成的标签；扩展属性：由内部信息、业务平台等数据源之间获取数据，一般通过信息加工或基础属性规则判定生成的标签；画像标签：根据一定时间段的数据，对其行为、喜好、需求等的刻画标签，可分为业务标签和模型标签，重点体现了用户或客户过去与当下的特征；应用标签：根据用户或客户属性数据和行为数据，对其未来行为、喜好、需求等的刻画标签，要求时效性高；
b.标签分级：每层标签属性内进行分级设置，进行合理归类，建议可设计三级标签结构：主属性、二级属性、标签名
2、应用场景：应用场景多样，一方面可以用于多业务场景的经营分析，价值评价，另一方面可以用于精细化运营，例如精准营销，异常用户预测，用户挽留，用户分层经营等等。

二、针对新场景的数据探索

三板斧：抓出核心业务线条+建立指标体系+迭代形成系统数据体系
对于营销或者用户增长类业务场景，全生命周期的漏斗是比较固定的（例如可参考AARRR模型），那么其实新场景的变化点在于是否开辟新的营销或者用户增长模式，对于创新点的指标建立&用户画像刻画是需要逐步迭代建立的。
数据探索的思路：
1、数据获取：1）新页面or触点需要进行数据埋点获取新数据，2）新场景在业务平台产生的新数据需要与底层同事提需求存储，3）数据抽样
2、数据审查：查看数据的基本情况，例如：数据类型、缺失值、异常值、重复情况、数据分布等等
3、数据体检：评估数据质量，如果有数据质量管理平台则需要评估后续是否需要给出新数据字段的质量检测标准
4、数据分析：1）指标的探索：建议在一个明确维度下找到反映核心业务的指标（可能需要特征的组合来获得），并进行专题分析等工作；2）阈值探索：很多运营指标需要确定阈值来进行预警，一种方式经验法，此外还可以利用统计法，例如：数据的分布比较满足正太分布，那么我们可以取一段时间的均值和标准差，对于与均值差的绝对值大于x个标准差的进行预警；3）用户分群探索：可以采用聚类的方式。