我们常说数据分析师是企业的医生。如果你真的去多几趟医院,就会发现还真TM像。因为数据分析师和医生是一样的苦逼:内行面对外行的苦逼。
就像病人常常抱怨医生的:
我就是打个喷嚏,为什么要做这么多检查!
我就是打个喷嚏,为什么要花这么多钱检查!
我就是打个喷嚏,怎么可能会是这么重的病!
我猜我就是感冒了,我抗一下,不用检查了吧!
我看网上说,喷嚏是感冒,为啥你和网上的不一样?
以上种种,都让数据分析师想起来被数据不足支配的恐惧。遇到问题的时候就嗷嗷叫着要这分析要那分析,还拿着朋友圈文章问为啥人家都人工智能呢我们不能。可需要设计数据采集流程、埋点、建数仓、做特征的时候就叽叽歪歪,什么用户体验,什么赶紧上线,什么人力不足。还在这抱怨:我就是要一个简单的数,为啥还要这么多开发???
然而这都不是最气人的。最气人的是你说了他还不听的,出了事还怪你。我爷爷住院的时候,隔壁床的大妈就让我记忆深刻。医生千叮咛万嘱咐不能吃油腻的东西(似乎是胃or胆出了问题)。结果某天半夜里痛的鬼哭狼嚎!医生半夜紧急来查房,问吃了什么。大妈好委屈的说:我就吃了一口油条。真的只有一小口,一小口它怎么可能疼成这样,是不是诊错了!肯定是诊错了。——可怜的医生被气的直接原地暴走!!
以上种种,归结为一条,就是:当内行服务外行的时候,要把握定义问题的主动权。让外行描述情况,让内行来定义问题。外行定义的问题可能是凭感觉、凭猜、凭心情说出口的。跟着外行走,真的就被带沟里了。
我们之前分享过数据分析可以解决的问题,参考:{数据分析到底对企业有什么用} 今天主要讲讲,遇到难解的问题怎么办。
数据分析无解的问题
用户买这一件产品花了50块,到底有几块归商品、几块归运营、几块归产品、几块归推广?——我们没有在用户脑子里埋点或者开接口,所以这种态度、情感、意识类归因问题去找市场调研组,让他们做访谈、派问卷去。虽然文本分析可以做一些洞察,但就问一个简单的问题:到底多少购货的顾客会留评论?文本分析就乖乖做舆情好了,掺和销售归因就是自己往火坑里跳。
再本质的看这个问题,这本来就是业务部门之间争权夺利的产物。每个部门都倾向于夸大自己的作用。如果你把一个公司所有业务上交的活动ROI报告打包看,会经常发现,单纯活动新增业绩都能超过整个公司总业绩。这些烂事压根就不要掺和进去,让他们自己打架好了。
可解,但需要转换角度
老板到底是想做客户数还是客单价?
老板要提升客单价,帮忙分析一下吧?
分析下,我的提客单价方案老板能通过吗?
这种问题有个标准答案:自己问老板去!明确目标-设计方案-请示审批,是业务部门该干的事。数据把这些都做了,还要运营干嘛、还要市场干嘛、还要产品干嘛,干脆把你们的工资一起领了算了。这些问题虽然都冠以“分析”的名字,可跟分析一点关系都没有。
不过这一类的问题,换个角度还是可解的。比如把“我提的方案老板能不能通过”转化为“我提的方案用户响应率预计是多少?响应后ROI是否在其他几个备选方案里最高?”这个问题就能用数据来进行测算。数据不能替代思考,但数据能衡量具体的思考结果靠不靠谱。
可解,但需要转化目标
最经典的就是:能否建一个精确预测模型,把销售情况预测准确到2%误差以内?(毛利只有5%,所以5%的误差,导致产品积压,也是业务方不能接受的!)这个问题坑死过无数建模的数据分析师&算法工程师。为啥?因为本质上看,销售是个博弈问题,不是一个客观情况。所谓自然增长率从来都没有存在过,只有当业务部门努力程度为XXX时的增长率。
当你给出一个预测结果时,如果数值特别乐观,业务部门会下意识的减少资源投入,会倾向于追加产品进货。在这一刻预测的前提已经被破坏了。而当数值特别悲观的时候,业务部门就会倾向于缩小行动量,预测的前提又被破坏了。所以单纯的指望数据拿着一堆因素去找结果完全不靠谱,原因本身天天在变。真正需要控制的是业务方的行动。
如果换个目标,比如把库存积压减少50%。这个问题就有的解。因为这是拿着结果找原因,在分解原因的时候我们会发现,导致库存积压的因素可能有:
初期预测超量
业务方进货太多
业务方投入不足
业务方没有及时散货
除了期初预测不能预的太多以外,还能通过监控报表及时监控销售进度,提醒业务方控制进货节奏,在销量不好的时候,及时提醒业务方收手、散货。前期模型+后期报表,共同达成目标。这样比赌一个超精准人工智能阿尔法大狗子模型要靠谱的多。
更深层的一个问题是:大家意识到准确度98%和减少积压50%之间的真实差距是什么?真实差距是,准确度98%是一个只有苦劳没有功劳的事。预测的到,那你是及格了。预测不到,库存的锅都是你做分析的!谁让你预测不到呢?可减少积压50%,是在业务方已经无能为力的基础上再做优化,直接体现出有数据就能省钱。这是个纯功劳。——这么说显得很市侩,但是陈老师就是这么市侩哈。数据分析既然是一个工作,做了就要立功劳。大家体会下。
可解,但需要系统解决
最典型的就是:我要一个数。
我要一个数从来都不是真实需求,真实需求是我在担心XX问题,所以联想到XX数据。这时候就得把真实问题勾引出来:
要这个数干什么
为什么在这个时间点要
单靠这一个数是不是能解决问题
如果不能解决问题,还需要什么数
以后还有没类似的需求场景
特别是在突发情况下,业务部门喜欢紧急要个数。越是紧急,越要抽时间把问题场景聊清楚。紧急取个数不耽误事,反反复复的紧急取数才耽误事。
比如投放了一个活动结果效果不理想,业务方会想着紧急拿个响应率的数来看看,这时候只要多花10分钟聊一下:到底还能用什么手段?把能采用的手段,比如增加投放、增加奖励力度、针对重点客群活动、更换广告位置等一并聊完。然后打包输出相关数据,就能一劳永逸解决问题。并且下次活动行成规范,这些策划数据提前准备好,这样也能从紧急需求里孵化一个新数据监控产品出来。
不然的话,就等着上午出一个响应率的数,下午出一个分客群的数,晚上出一个不同广告渠道投放转化的数,一整天都在忙这一个破事,其他工作就只能加班干了。
可解,但需要分步解决
看惯了朋友圈里XX公司“大”数据体系分享,业务部门和数据分析师都喜欢脑子一热上个“大”数据XX体系,理想很美好,可现实是:企业不是高校或者科研院,企业要挣钱要见效益,摊子太大,拖得太久,期望值就越高,落地就越来越慢,最后死相就越难看。而从具体的场景出发,则可以很快找到对业务有用的点,先见到成效,后续推进就更顺利。
比如“建立销售监控体系”这件事,很多公司都在做。如果开始摊子铺的太大,试图解析清楚每一个块钱是怎么来的,就会把自己弄死。数据分析师和医生的一个重大区别是:医生诊病还有一些客观、稳定、病理学的标准可以追寻,数据分析师没有。企业经营情况每天都在变,很难讲清楚到底多少就是“合理”数字。一开始摊子铺太大,搞到最后估计连一个“正常值”都定不出来来。
如果把“建立销售监控体系”拆成两大部分:异常警报,正常值跟踪。再在异常值警报里逐步完善场景,比如订单优惠券、店补优惠、用户个人优惠、产品品类优惠等每一个场景都有异常监测。就能立竿见影见到效果,把套利交易数量控下去。之后再逐步丰富其他厂家。既能快速见效,又能逐步达成销售体系监控的任务。
以上只是种种常见的问题,不认真区分,结果就是做数据的自己天天加班,业务方还嫌你跑数慢、没本事。还是那句话:所有的地位都是自己挣来的。想做出成绩,就得认真理清问题,一步步做。分析本身需要数据和经验的积累,一口真吃不出个胖子。
同学们也发现了,上边所有的定义问题过程,都是建立在对业务的目标、操作流程很熟悉的基础上的,这就要求数据分析师必须有梳理流程的能力。梳理流程不但能让我们清晰业务的目标,更能让我们建立适合业务的数据采集/数据监控体系。下一篇我们来分享这个问题。
这是陈老师《数据分析师成长手册》系列连载——数据分析师八大工作能力部分(如下图)关注陈老师公众号,持续追剧哦
《数据分析师八大能力》有系统化课程+1对1辅导推出,有兴趣的同学可点击阅读原文进行了解