写给数据分析小白:一种通用的数据思维

版权声明:本文为博主原创文章,遵循 CC 4.0 by-sa 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/yuanziok/article/details/98941650

来源:中国统计网

“Why-What-How”在讲解概念和执行上是个不错的思维模型,本文依例按此框架来拆分数据分析。很多小白可能还没有数据分析的思路,这里权且从个人的角度进行梳理,以资参考。为了帮助大家更好地理解本文,先贴出一张思维导图:

写给数据分析小白:一种通用的数据思维

 

一、WHY:为什么要做数据分析

个人的理解, 数据分析是为了能以量化的方式来分析业务问题并得出结论,其中有两个重点词语:量化和业务。

量化是为了统一认知,并且确保路径可回溯,可复制。除「量化」之外,另外一个重点词语是「业务」。只有解决业务问题分析才能创造价值,价值包括个人价值和公司价值。

那么,如何站在业务方的角度思考问题呢,总结起来就是八个字「忧其所虑,给其所欲」:

  • 沟通充分
  • 结论简明
  • 提供信息量及可落地建议
  • 寻求反馈

在沟通上,确定业务方想要分析什么,提出更合理专业的衡量和分析方式,同时做好节点同步,切忌一条路走到黑。举例来讲,业务方说要看页面停留时长,但他实际想要的,可能是想衡量用户质量,那么留存率、目标转化率才是更合适的指标。

在阐述分析结果上,要记得结论先行,逐层讲解,再提供论据。因为业务方或管理层时间都是有限的,洋洋洒洒一大篇邮件,未看先晕,谁都没心思看你到底分析了啥。

在提供信息量及可落地建议上,先要明白什么叫信息量:提供了对方不知道的信息。太阳明天从东方升起不算信息量,从西方升起才是。

二、WHAT:什么是数据分析

数据分析的本质是抓住变与不变。“变”是数据分析的基础,如果一个业务每天订单是 10000 单,或者每天都是以 10% 的速度稳步增长,那就没有分析的必要了。而若想抓住变,得先形成“不变”的意识。

因此,我建议新手要形成习惯,每天上班第一时间查看数据:实时&日周月报;记录关键数据(榜单&报告)

在“不变”的基础上,便能逐渐培养出指标敏感性,即意识指标偏离的能力。这主要是通过各种日环比,周月同比的监控以及日常的好奇心来保持。我们从一个 Questmobile 榜单上,来简单看下「指标偏离」是怎么应用到日常的分析上的:

写给数据分析小白:一种通用的数据思维

 

这里先跟大家分享下怎么看这种榜单:

  • 看整体排行:看哪些 APP 排在前方是出乎你意料之外的
  • 分行业看排行:看行业里排行及其变动
  • 看增长率:哪些 APP 增长比较快
  • 看使用时长等其他指标

数据分析的定义,还有国外一本商务分析的书籍的定义作为注脚:

写给数据分析小白:一种通用的数据思维

 

 

三、HOW:怎么进行数据分析

任何数据分析都是“细分,对比,溯源”这三种行为的不断交叉。最常见的细分对比维度是时间,我们通过时间进行周月同比,发现数据异常后,再进行维度或流程上的细分,一步步拆解找到问题所在。

1、细分

在细分方式上,主要有以下三种方式

  • 横切:根据某个维度对指标进行切分及交叉分析
  • 纵切:以时间变化为轴,切分指标上下游
  • 内切:根据某个模型从目标内部进行划分

写给数据分析小白:一种通用的数据思维

横切

横切上,我们对维度和指标做做了分类和交叉,当某一类的指标出现问题时,我们便知道该从什么维度进行分析。在进行横切分析时,经常需要多个维度交叉着使用。

写给数据分析小白:一种通用的数据思维

纵切

纵切上,有目的有路径,则用漏斗分析。无目的有路径,则用轨迹分析。无目的无路径,则用日志分析。

写给数据分析小白:一种通用的数据思维

内切

内切上,主要是根据现有市面上常见的分析模型,RFM,Cohort 和 Segment等方式进行分析。RFM 即最近购买时间,频率及金额三个指标综合来判定用户忠诚度及粘性。

2、对比

对比主要分为以下几种:

  • 横切对比:根据细分中的横切维度进行对比,如城市和品类
  • 纵切对比:与细分中的纵切维护进行对比,如漏斗不同阶段的转化率
  • 目标对比:常见于目标管理,如完成率等
  • 时间对比:日环比,周月同比;7天滑动平均值对比,7天内极值对比

3、溯源

经过反复的细分对比后,基本可以确认问题所在了。这时候就需要和业务方确认是否因为某些业务动作导致的数据异常,包括新版本上线,或者活动策略优化等等。

如果仍然没有头绪,那么只能从最细颗粒度查起了,如用户日志分析、用户访谈、外在环境了解,如外部活动,政策经济条件变化等等

4 、衍生模型

在「细分对比」的基础上,可以衍生出来很多模型。这些模型的意义是能够帮你快速判断一个事情的关键要素,并做到不重不漏。这里列举几个以供参考:

  • Why-How-What
  • 5W1H
  • 5Why
  • 4P模型(产品,价格,渠道,宣传)
  • SWOT 模型(优势,劣势,机会,威胁)
  • PEST 模型(政治,经济,社会,科技)
  • 波士顿矩阵

 

四、How:数据分析如何落地

以上讲的都偏「道术技」中的「术」部分,下面则通过汇总以上内容,和实际工作进行结合,落地成「技」部分。

1、数据分析流程和场景

根据不同的流程和场景,会有些不同的注意点和「术」的结合

写给数据分析小白:一种通用的数据思维

 

 

写给数据分析小白:一种通用的数据思维

 

2、数据分析常见谬误

控制变量谬误:在做 A/B 测试时没有控制好变量,导致测试结果不能反映实验结果。或者在进行数据对比时,两个指标没有可比性。

样本谬误:在做抽样分析时,选取的样本不够随机或不够有代表性。举例来讲,互联网圈的人会发现身边的人几乎不用「今日头条」,为什么这 APP 还能有这么大浏览量?

定义谬误:在看某些报告或者公开数据时,经常会有人鱼目混珠。「网站访问量过亿」,是指的访问用户数还是访问页面数?

比率谬误:比率型或比例型的指标出现的谬误以至于可以单独拎出来将。一个是每次谈论此类型指标时,都需要明确分子和分母是什么。

因果相关谬误:会误把相关当因果,忽略中介变量。比如,有人发现雪糕的销量和河溪溺死的儿童数量呈明显相关,就下令削减雪糕销量。其实可能只是因为这两者都是发生在天气炎热的夏天。

辛普森悖论:简单来说,就是在两个相差较多的分组数据相加时,在分组比较中都占优势的一方,会在总评中反而是失势的一方。

写给数据分析小白:一种通用的数据思维

 

总结

数据准确性是第一位的,站在业务方的角度思考问题:忧其所虑,予其所欲,定义「变」与「不变」,细分,对比,溯源。

展开阅读全文

没有更多推荐了,返回首页