登录
首页精彩阅读你费那么大劲做的数据分析,有用吗?
你费那么大劲做的数据分析,有用吗?
2016-07-24
收藏

你费那么大劲做的数据分析,有用吗?

很久之前,你我都曾经做过物理题。记得那时老师经常唠叨,“先认真审题,理解题意,然后再想方法,最后再落笔去做”;“审题啊!审题啊!说过几遍怎么就是不听,寻思鹰呢?”

理解当年老师的良苦用心,历经磨难,你我也都顺利结束了学业,不必再审题、不必再做题、不必再考试。然而,人生不如意十之八九,你我又再次走上了数据分析的道路。

转换为现在的视角。我们做数据分析的目的,是为了解决问题,换个词,是为了有用啊。那么你做的分析,有用吗,怎样做的分析才有用呢?

直接将分析结果利用,转换为价值的,是业务。或许按照这样的路线来做分析,更有用。

1、先审题(理解业务,做为方向)

2、思考方法(分析思路,设计分析方案)

3、下笔(选择分析技术,开始分析)。    

可见,套路是和我们当年做题一样的吧,可是,当年的物理题也做过了不少,多苦多累我们都熬过去了,为什么到了数据分析这里,还是很多问题呢?私以为,做题是一个人的事,而现在做分析,变成了一个组织的事,衔接出了问题。

做数据分析可能出现的失败场景:

l   分析结果就是错的

l   分析结果是对的,然而并没有什么卵用,结果产生不了价值

l   根据分析结果,可以给出建议方向,但是很空洞,无法落地

l   分析结果对、建议方向也对、也有落地的方案,但是业务就是不执行        

第一种场景比较少见、而后面的几种场景却是做数据分析的经常会碰到。举个栗子。

场景a:

公司在6月18号跟着京东一起搞了个618大促,结束后业务找到老王,说:“老王啊,我们活动做完了,给我做个分析,让我看看活动效果怎么样?”    

老王接到任务开始收集数据、处理数据、做模型、画报表。最终出来结论:“我们本次活动期间,环比上周末uv增长了150%,综合转化率提高了27%,订单量增长了110%,销售额增长了85%。其中江苏省订单占比最高,达到了27%。。。。”              

业务:“你要说明什么,是想告诉我活动真好,明年还搞618大促吗?”        

此时,老王只能期待他一脸懵逼的表情来萌翻业务了。

场景b:业务:“老王,感觉公司的综合转化率有点低,你给我做个分析,看看是什么问题”向来以行动力强,技术水平高的老王,结合大量的访问数据、用户数据、订单数据,采用聚类分析算法、主成分分析、相关行分析等挖掘手段。成功的发现,年龄段在40岁以上的男性群体,综合转化率超高,平均达到47%,所以建议业务,制定拉新策略,提高这一用户群体的访问量。整体的转化率就可以上来了。        

业务:“但是这群人,平时很少上网啊”。        

老王再次懵逼。

场景c:

老王:“我做了一个用户流失预警模型,发现有a类行为特征用户在注册后30天左右流失概率最大,有b类行为特征的用户在40天左右流失概率最大,有c类行为特征的用户在50天左右流失概率最大,那么我们只需要做一个精准的关怀,针对不同行为特征的用户,在不同的时间点,推送广告、或者发放优惠券,就能够有效的降低流失率”。        

业务:“老王,你说的很对,但是我们公司小,实现这样的精准投放成本太高了,我们现在每天忙成狗,核心的内容体验还没做好,你的建议后面再考虑吧,辛苦了。。。”

老王他已经很努力了,但是分析结果确不尽如人意。    

我们常常见到数据分析师抱怨:我的工作不够重视,他们要数据的时候就让我提取一下,最多做个简单的加工;业务做决策都不看数据,全凭经验来;业务开会,讨论方案从来不叫上我,不参考我们的意见。    

同时,也能听到业务方的抱怨:数据部门提供的结果,都不是我想要的;数据部门太天真,提供的方案太多漏洞;数据部门的人都不懂业务,拿着点数据就能来指导我们吗;        

我想,这里就是业务与分析之间的衔接出了问题。业务不相信数据,当一个分析结果与他的设想不同时,首先就是怀疑数据,他所做的分析,仅仅是为了验证自己的观点。      

见过数据分析做的比较好的公司,一个是bi经理是产品经理出身,懂业务、懂产品、懂运营,所以他带队做的分析项目自然贴合业务需求。还有一个是公司将数据化运营提升到了很高的高度,培养公司业务具有数据意识,了解数据分析的思路,认同数据分析的价值,知道如何利用分析结果。        

可以是数据分析师向业务多走一步,也可以是业务人员向数据多走一步,使得两方面有一定的重叠,做好这个衔接,数据分析可能就会更有用。嗯,你们迈出的这一小步,就是你们公司的一大步。    

一方面,培养全公司业务的数据意识,是需要时间并且有难度的。另一方面,作为一个数据分析师,也应该更多的了解业务,这样才能把“业务的需求”转化为数据需求,再进一步把分析结果转化为有意义、可落地、可产生价值的方案。同时也能反过来完善自己的知识体系,提升自身的业务理解能力和数据分析能力。        

问题来了,怎样去了解业务呢,只能说,世上无捷径,除非你改行。能想到的方法,就是交流交流再交流,当业务需要分析一个活动效果的时候,多问一句,你关心哪些指标?哪些参数会影响一个活动的成效?当业务要分析转化率的时候,多问一句,影响转化率的因素有哪些,有哪些方法可以提高转化率。都是一个公司的,没事请业务吃顿饭,没有什么是一顿饭解决不了的,如果有,那就两顿,吃着吃着,不仅你懂了业务,业务也懂你了。    

交流,听起来很简单,做起来是最难的,尤其大部分数据分析师都是数学、统计学、计算机等这种理工科出身。会有人期待一个更简单的方法。例如:数据部门只做技术,分析全都交给业务部门如何,我们买bi工具,让业务实现自主分析。你说用bi来节省工作量降低时间成本我信,你给bi这么艰巨的任务,且不说bi工具的分析能力有限,无法实现深度分析和挖掘,业务部门的数据意识上去了吗?没有统筹,各个业务部门的分析结果相互冲突怎么办呢?业务部门的分析结果不客观,对于公司来说,是最好的吗?        

所以,对于一整个数据分析体系而言,工具和技术只是辅助,业务和思路才是核心和重点。谈到技术,再进入到第二个衔接点。        

互联网公司一直处于技术的前沿,技术可能都不是问题(如果跟一个互联网公司说你技术不行,就希望他们公司程序员加班太多打人的力气都变小了吧),更多的可能是对技术的选择。私以为互联网行业的数据分析需求可以大体上分为三类:

1、业务常规需求,主要是辅助业务日常工作用

2、指标监控与数据呈现类,为管理和决策提供支持,也为后面的针对性的挖掘分析提供入口

3、有主题有针对性的挖掘分析,为运营、产品的改善提供数据依据,具有一定的驱动价值对于第1类和第2类需求,有用开源报表的、有用商用报表的、有用bi的、有写echart的也有用excel的。对于第三类需求,有用sas的、spss、python的、r的甚至有用c++的。

要说哪一类技术或工具才是最好的呢,我相信没有,如何选择,更多的是要结合业务场景,有时是多种工具同时使用,才是最佳的。如何才能做好这一点,我想就是要有清晰的分析思路,和熟练的分析技能(对各种工具的了解)。也就是打通第二个衔接点。    

对于很多分析师来说,这一点要比第一个衔接点容易的多。但是我再多说一点的是,分析手段的选择,不仅要考虑分析实现的可行性,也要考虑分析成本,主要的就是时间成本。R语言现在大量应用于互联网公司,我想也是因为它提供大量的统计函数和算法,降低了数据分析成本的原因,当然,少不了它开源的巨大优势。    

同样,对于第1类和第2类需求,选择实现方案,也要考虑成本。相比较来说,这两类需求的实现难度更低,相信对于任何公司来说,也都是并非核心技术。有坚持用excel的,也有坚持码代码的。当然,具体怎样选择也要结合业务场景,但是综合起来看,如果有方法一天就实现,就尽量不要花两天时间去开发。比如有些场景你如果机智舍去excel,用finereport,甚至相比于开源report或者echart来说,还是节约一定时间成本的,省下的程序员,还能打扫打扫卫生啊。        

以上是我对互联网行业中数据分析业务的一些浅薄的看法,如有不当的地方,欢迎批评指正和交流。


数据分析咨询请扫描二维码

客服在线
立即咨询