登录
首页精彩阅读干货 | 如何避免输出没用的数据分析结果(CDA干货分享)
干货 | 如何避免输出没用的数据分析结果(CDA干货分享)
2022-01-19
收藏
干货 | 如何避免输出没用的数据分析结果

CDA数据分析师 出品

作者:宋天龙

编辑:Mika

大家好,我是触脉咨询的合伙人宋天龙。今天给大家分享的主题是关于如何避免输出没用的数据分析结果。

我们先通过例子来简单看一下,在日常的数据分析工作中,所需要步骤和过程的分析结果的基本情况。

这个分析结果有用吗?

层次一

先来看第一个,是比较初级的数据分析师经常会输出的结果。

干货 | 如何避免输出没用的数据分析结果

跟2020年相比,非媒体新用户的占比稍有提升,但留存率有下降。

这个结论其实是基于数据得到的。非媒体指的是非通过费用的方式投放得到的,也就是一些正常的合作渠道。通过比较可以发现,2021年的值有所提升。留存率方面,指的是21年的9.3%比20年的13.5%有所下降。

这个结论相当于在现有图表的基础上,用文字把结论念了一遍。这是初级分析师比较容易输出的结果。但是可以发现,他只是把数据结果用文字的形式重复了一遍而已,其实是没有结论的。

层次二

下面看第二个层次的。在上面结论基础上,有的分析师会有一些带有结论的定义输出。

干货 | 如何避免输出没用的数据分析结果

基于上面留存率和新用户占比的变化,可能给出结论,“这是正常现象”。“正常现象”本身就是对于前面所有数据描述的概括,这是一个结论。

后面又分析了从用户成分上,2021年的渠道为什么会导致新用户占比的提升。可能投放就以拉新为主,因此新用户占比提升是正常现象。同样的,新用户的比例提升就会导致留存率的下降,拉低了整个网站的留存率情况。

这里把在刚才第一句的基础上增加结论句——这是正常现象。然后下面增加了分析过程。分析过程里涵盖了:新用户的占比为什么提升,老用户的整体留存率为什么下降,并有分析的过程。这比刚才整个的结论显然要好很多了。但是仍然不够。

层次三

下面再看第三个。在刚才的基础上,又有了进一步的结论。

干货 | 如何避免输出没用的数据分析结果

结论是,但是新用户的比例提升26%,留存率下降31%。按照过去6年的新用户成分与留存率的关系计算,留存率下降的比例过高。

新用户的比例提升26%,这里是基于28.9%,减去23.4%的值,再比上23.4%得到的。同样的也可以计算出新用户留存率下降31%的结果。

通过这个结论,基本上已经发现了一个问题。刚才得出“这是正常现象”的结论,只是对于新用户的提升跟整个留存率下降的解释。

但是一增一减的过程中,按照过去整个长期数据规律的测算,这其实是不符合规律的。这是在之前的分析里没有提到的点。这个是一个问题,新用户的比例上升,对于整个的留存率下降来讲是不成比例。在这里发现了问题,但是仅有这个结果仍然是不够的。

层次四

再往下看。下面又增加了一个分析的部分,发现其中B渠道的新用户的数量比较大的,同时其新用户的占比可能比较高。但是留存率比较差,可能会严重的低于整个2011年新用户的留存率。

干货 | 如何避免输出没用的数据分析结果

整个新用户的比例跟整个留存率下降是不成比例的。这是什么导致的?在这里面发现了问题的根源性渠道,就是B渠道导致的。B渠道新用户的量比较大,同时占比较高,留存效果较差。这里同时考虑了量的因素和各个比例的因素,两个因素同时作用下导致了问题出现。

这里已经发现B渠道是有问题的,但只有这样仍然不够。我们继续往下看。

层次五

再经过分析发现,B渠道的投放策略有问题。这是由渠道营销和运营的这些人决定的战略行为。

干货 | 如何避免输出没用的数据分析结果

通过站内行为分析一下B渠道投放的用户,当中用户的转化预期和转化路径等方面是否符合期望,这是一个特别重要的分析部分。

在留存过程中是不是存在某些漏斗环节比较严重,也就是说假如留存的周期较长,当中需要分几个步骤共同去实现,是否有某个步骤问题较大,就会导致整个留存过程中出现短板。

最后我们就会得到落脚点,建议针对上面这些问题我们该怎么做。最后这一步才是真正的分析问题,解决问题,提出建议的过程。

综合一下看看刚才五个层次的过程。依次经过了先描述了数据事实,去年跟今天的对比,之后形成结论,这是个正常现象,然后做了基本的分析。

同时在结论基础上发现了问题,通过问题继续往下去探究其成因。以及最重要的就是有落地,发现问题之后,建议通过几个方面去做改善和提高。这个过程才是有用的分析结果输出。

大部分的分析师其实是比较初级的,只是把数据摆出来。稍微进一步的分析师会把数据结论进行简单总结,做简单分析,这是大部分的初中级分析师现在做的基本程度。再往下的中高级分析师,会发现一些潜在的问题,找到成因,最重要的就是最后会输出一些落地的建议,而这个落地的建议才是评估它是否有用的标准。

因此数据分析师的输出,无论是PPT、Excel、邮件等形式的数据分析报告。这是不够的,只是存在于业务员脑子里。要能真正有能够落地的建议才是有用的。

错误的KPI驱动:一开始就错了

下面来讲一讲,会导致数据分析结果没有用的一些主要影响因素。

干货 | 如何避免输出没用的数据分析结果

第一个因素是错误的KPI驱动一开始就错了。第一步如果错了,后面每个步骤都会出错。

常见的错误KPI

  • Display广告过度追求转化率
  • 拉新以“新用户占比”为KPI指标
  • 追求利润阶段,选择销售额作为KPI指标
  • 库存商品的销售KPI为利润率

右边截图是海底捞在2021年11月底发布的公告。里面提到了一点,在之前运营过程中,由于经营不善导致了很多店面亏损,所以决定要收缩店面做精细化的运营。里面反思的一条是,过度相信连住利益的KPI指标以及企业文化建设不足。大家可以看到, KPI定义的不准确会导致整个运营过程中步步都有问题。

如果方向错了,执行再对也是错的。因此方向是最重要的开始。

使用相关性指标来改善KPI:单纯的相关可能导致偏离预期

干货 | 如何避免输出没用的数据分析结果

现在在大数据时代,可能很多人会强调相关性而非因果关系。这种思想会对的实际工作造成严重的数据应用误导。

如果天很热,会导致冰棒和汽水的销量比较高,这是一个常识。同时天很热的话也会带动比基尼销量的增加,因为夏天很多人会去游泳,去海边去度假,因此比基尼的销量也会提升。

天很热会导致冰棒和汽水销量增加,这是由客观的外部环境决定的。天很热也会导致比基尼销量增加。这个过程中单纯分开看这两个因果关系都没有问题,但如果基于这三个一起去做分析的话,就会这样的结论。

冰棒、汽水的销量和比基尼的销量会成高度的正相关关系。如果基于相关性的指标去做KPI改善的话,从而得出结论,提高冰棒、汽水的销量,就能提升比基尼的销量。这就是错误的。

常见的错误相关性应用有:

  • 利用增加访问深度来提升订单转化率
  • 利用增加网站停留时间来提升订单转化率
  • 利用增加老用户占比来提升销售额

使用相关因素来代替因果因素,没有抓住核心因素

通常企业在做完营销活动后,会进行复盘。如果这次活动比较好的话,到底是为什么会导致这次运营结果比较好呢?

很多分析师如果没有经验的话可能会这么分析。比如把所有能拿到的维度都统一的细分对比分析一遍。

干货 | 如何避免输出没用的数据分析结果

因此会输出图中左侧的结论。

把所有现在拿到的数据维度,从各个角度上做统计分析和对比。这么做没有错,但是没有本质上解答问题。

如果是有经验的分析师会怎么做呢?他会着重分析运营相关的因素,从而找到里边的经验。

这里以用户运营为例, CRM推送里老用户的销售额贡献占了79%。接着重点去分析用户运营里做了什么或者做对了什么。

  • 人群选的对

通过预测模型得出,人群比较精准,因此选对人是一个重要的因素。

  • 商品选的对

通过推送时,商品跟用户购买商品的匹配度会比较高,因此商品选的对,也是一个特别重要的因素。

  • 推送时机、推送渠道、标题策略……

从而通过这样的分析,告诉用户运营部门,当中做了什么样的事情,做对了什么,哪些地方可能没做对,因此之后需要把对的继续保持,错的要做修改和优化去提升。这是能够直接从因果关系的层面去分析到底这个活动结果为什么好。

没有画龙点睛之笔,没有业务的落脚点。

干货 | 如何避免输出没用的数据分析结果

这里面没有业务落脚点就包含两个场景,第一个就是没有落地建议,你只给了他的这种结论分析过程,甚至好多这种模型算法解释,但是分析完之后就没有结果落地建议。第二类就是没法落地的建议,给出一些比较难落地的建议。

因此,我们建议分析师一定要去了解业务,业务方的整个运营流程是怎么样的,以及评估之后,业务方到底有哪些事情可以做,以及它的范围内可以做。这些都是你在落地里面需要去考虑的因素,而并不是说基于数据去单纯的做分析和建议,你需要把业务的背景知识和业务的权力范围,以及业务的需求点放到你的建议里面去。

单因素的因果逻辑,因为差所以要改善

干货 | 如何避免输出没用的数据分析结果

举个例子,这是网站的真实客户的情况。从用户到站,最终要让用户完成抽奖的过程,但是抽奖前给设置了几个中间环节,比如到站之后,需要关注,留下电话号码,最后再来抽奖。如果说按这个流程的话,其实只需要一步行了,用户达成之后直接进行抽奖,不要中间这个过程,一定会发现抽奖率是非常高的,它就会高于现在四个步骤。

抽浆转化率会有一定的流失,但是我们获得了大量的关注,留下电话号码的用户的粉丝和销售线索。这个时候其实它是一个平衡的状态,我拿流失的抽奖转化率的用户,换来的是粉丝和销售线索的增加。

大多数业务场景下,我们不能只居于一个因素去做考量,因为那是太幼稚的一个想法了。

讲自己不懂的故事,我们不会比运营方“更懂”业务

干货 | 如何避免输出没用的数据分析结果

分析师的重点或者核心竞争力,不是在于多么懂业务,而是懂得如何通过数据去驱动业务,实现更好的数据化运营,这个是数据分析师的价值所在。

在输出结果的时,避免给班门弄斧,除非有数据的支撑。数据分析师不应该讲如何运营,而是讲如何通过数据更好的实现运营。

超出报告服务对象的执行范畴:无意义的越俎代庖

干货 | 如何避免输出没用的数据分析结果

为谁写报告,就应该以报告对象的服务为核心。

举个例子,以社交媒体部门为例,要给他写一个报告,这个时候给的建议点比较合理的会包括哪些?

合理的建议点:

  • 如何发掘KOL和KOC
  • 如何提前发掘热点话题
  • 如何监控并找到负面评价
  • 如何找到并利用裂变路径

这些都是合理的建议。

下面再看一些哪些是超出范畴的建议,比如:

  • 如何改善网站内部流程
  • 如何优化SEO
  • 如何改进搜索功能
  • 如何设置商品策略

所以事实上是你给谁服务就要给他去做专门的数据的报告。所以这里面其实我建议大家就是要把权、责、利统一起来,这是有效落地的基础出发点。

以上就是我今天的分享内容了,希望对大家能够有所帮助。

数据分析咨询请扫描二维码

客服在线
立即咨询