數(shù)據(jù)分析師如何正確地提意見？
數(shù)據(jù)分析不只是數(shù)據(jù)的羅列，而是數(shù)據(jù)和分析的結(jié)合。
數(shù)據(jù)層面包括數(shù)據(jù)獲取、整合、可視化等操作；分析層面則是結(jié)合業(yè)務(wù)目的和數(shù)據(jù)表現(xiàn)給出相應(yīng)的數(shù)據(jù)結(jié)論。只要掌握數(shù)據(jù)工具就能獲取、整合數(shù)據(jù)，而分析問題并給出有效結(jié)論和建議就有一定的難度。根據(jù)分析結(jié)果給出合理的意見和建議是數(shù)據(jù)思維培養(yǎng)過程中重要的環(huán)節(jié)之一。
本文會立足于如何根據(jù)數(shù)據(jù)表現(xiàn)提出合理建議，通過幾個(gè)示例說明數(shù)據(jù)分析師在給出建議時(shí)常常出現(xiàn)的誤區(qū)。
并不是每個(gè)數(shù)據(jù)分析師從剛?cè)?/span>行開始就能夠通過數(shù)據(jù)分析為業(yè)務(wù)方提出合理解決方案，從入門到進(jìn)階，數(shù)據(jù)分析師一般會經(jīng)歷從給數(shù)據(jù)到給結(jié)論再到給觀點(diǎn)的轉(zhuǎn)變。那么這三個(gè)階段各有什么異同呢？
此處筆者通過一個(gè)示例進(jìn)行說明。
最近某公司新上了一個(gè)項(xiàng)目，業(yè)務(wù)方找到數(shù)據(jù)分析師，說想要拉取一些數(shù)據(jù)看一下當(dāng)前用戶黏性。對用戶黏性，數(shù)據(jù)分析師可以通過新老用戶的分布、用戶留存率等指標(biāo)進(jìn)行說明。如下圖所示，對于相同的數(shù)據(jù)，不同的數(shù)據(jù)分析師會給出不一樣的結(jié)果，由淺到深可以分為給數(shù)據(jù)、給結(jié)論、給觀點(diǎn)三個(gè)不同階段。
1．給數(shù)據(jù)
“給數(shù)據(jù)”是數(shù)據(jù)分析最初級的階段，是通過數(shù)據(jù)陳述客觀事實(shí)的過程。對于上述用戶黏性的例子來說，數(shù)據(jù)分析師小 A 給出“新業(yè)務(wù)近一周新用戶數(shù)累計(jì) 300 萬個(gè)，新用戶次日留存率為 65%，七日留存率為 17%”的結(jié)果。這樣的結(jié)果就是一個(gè)對客觀數(shù)據(jù)的陳述，是一個(gè)“給數(shù)據(jù)”的過程。理論上這樣的結(jié)果沒有任何錯(cuò)誤，但對業(yè)務(wù)方?jīng)]有太多幫助。
2．給結(jié)論
“給結(jié)論”是對數(shù)據(jù)結(jié)果的加工和深入分析并給出結(jié)論性的表述。數(shù)據(jù)分析師小 C 給出的結(jié)果就是結(jié)論性的表述，“新業(yè)務(wù)近一周用戶總量達(dá)到 10000 萬個(gè)，新用戶數(shù)累計(jì) 300萬個(gè)，次日留存率為 65%，七日留存率為 17%，新業(yè)務(wù)的數(shù)據(jù)表現(xiàn)優(yōu)于同類業(yè)務(wù)及行業(yè)標(biāo)準(zhǔn)。”數(shù)據(jù)分析師小 C 給出的結(jié)果不僅有對數(shù)據(jù)事實(shí)的陳述，還有結(jié)論性的表述，是一個(gè)較為典型的“給結(jié)論”的例子。
3．給觀點(diǎn)
“給觀點(diǎn)”是在“給結(jié)論”的基礎(chǔ)上對數(shù)據(jù)進(jìn)行深挖，基于對業(yè)務(wù)的了解給出一些切實(shí)可行的建議。數(shù)據(jù)分析師小 D 給出的觀點(diǎn)是“新業(yè)務(wù)數(shù)據(jù)表現(xiàn)優(yōu)于同類業(yè)務(wù)及行業(yè)標(biāo)準(zhǔn)，特別是渠道 F 用戶黏性高且付費(fèi)率高，建議增加 F 渠道的廣告投入”。數(shù)據(jù)分析師小D 不僅給出了新業(yè)務(wù)的基礎(chǔ)數(shù)據(jù)，也給出了結(jié)論性表述。更重要的是，他通過對用戶來源渠道及付費(fèi)情況進(jìn)行拆解，發(fā)現(xiàn)渠道 F 的用戶不僅黏性高而且付費(fèi)率也不錯(cuò)，于是建議業(yè)務(wù)方增加渠道 F 的廣告投入。
當(dāng)然，剛?cè)胄械臄?shù)據(jù)分析師要做到“給觀點(diǎn)”是比較難的，這不僅需要熟練的分析技巧、縝密的數(shù)據(jù)思維，還需要對業(yè)務(wù)有極深的了解。但是這并不妨礙剛?cè)胄械臄?shù)據(jù)分析師從“給結(jié)論”做起，隨著對業(yè)務(wù)的不斷熟悉逐漸從“給結(jié)論”到“給觀點(diǎn)”轉(zhuǎn)變。
如下圖所示，從數(shù)據(jù)到結(jié)論，數(shù)據(jù)分析師會經(jīng)歷發(fā)現(xiàn)問題、分析問題、解決問題三個(gè)不同的階段，在每個(gè)階段提出切實(shí)可行的建議都起著關(guān)鍵作用，應(yīng)避免提出以下幾種類型的建議。
1．不明確分析目的，只做簡單的數(shù)據(jù)堆砌
部分初級數(shù)據(jù)分析師掌握了數(shù)據(jù)分析工具和相關(guān)的基礎(chǔ)技能，但是缺乏實(shí)操經(jīng)驗(yàn)和相關(guān)業(yè)務(wù)知識。通常到了提建議環(huán)節(jié)，可能連業(yè)務(wù)方具體的問題還沒搞明白，就只能拿出統(tǒng)計(jì)學(xué)方法論做簡單的數(shù)據(jù)堆砌。
例如，數(shù)據(jù)分析師小 A 給出“新業(yè)務(wù)近一周新用戶數(shù)累計(jì) 300 萬個(gè)，新用戶次日留存率為 65%，七日留存率為 17%”的結(jié)果。
給出這樣的數(shù)據(jù)之后，就沒有后續(xù)的意見和建議了。這種情況大部分是沒有明確需求，即還沒有搞清楚業(yè)務(wù)方想要的到底是什么，業(yè)務(wù)方現(xiàn)在面臨的問題到底是什么，當(dāng)然沒辦法繼續(xù)進(jìn)行下一步的分析，更別說給業(yè)務(wù)方一定的建議了。因此，樹立目標(biāo)意識是分析的第一步，要樹立目標(biāo)意識、挖掘潛在的分析點(diǎn)。
需求不明確這種困境一般是由業(yè)務(wù)方和數(shù)據(jù)分析師共同造成的，可能業(yè)務(wù)方在提需求的時(shí)候也沒說清楚自己真正想要的數(shù)據(jù)，或者業(yè)務(wù)方是個(gè)“小白”，根本不知道需要看哪些數(shù)據(jù)或指標(biāo)；對于數(shù)據(jù)分析師來說，面對這些不太清晰的需求，也沒有問清楚存在的痛點(diǎn)及分析的目標(biāo)，其實(shí)對于這種情況，數(shù)據(jù)分析師可以基于自己的知識和業(yè)務(wù)理解提出可行的分析方案。
明確分析目的，進(jìn)而分析業(yè)務(wù)問題，是建立在數(shù)據(jù)分析師對業(yè)務(wù)有一定了解的基礎(chǔ)上的。一般情況下，企業(yè)的指標(biāo)體系就是業(yè)務(wù)的抽象形態(tài)，而大多數(shù)問題是可以通過拆解數(shù)據(jù)指標(biāo)初步定位的。所以對于剛?cè)胄械臄?shù)據(jù)分析師，即使對于業(yè)務(wù)不是很了解，仍然可以通過指標(biāo)體系了解業(yè)務(wù)形態(tài)，并在實(shí)際工作中不斷積累經(jīng)驗(yàn)。
2．說的都對，卻沒什么用
說的都對，但確實(shí)沒什么用，是大部分初級數(shù)據(jù)分析師提建議時(shí)會犯的錯(cuò)誤之一。以具體的例子來說，業(yè)務(wù)方看到最近用戶的次日流失率高達(dá) 70%，會很著急，過來找數(shù)據(jù)分析師尋求幫助。而數(shù)據(jù)分析師卻說：“流失率這么高，那你們降低用戶流失率啊。”這樣的建議是對的，但是對于業(yè)務(wù)方是沒有任何幫助的，業(yè)務(wù)方也知道需要降低用戶流失率，但到底怎么降低，數(shù)據(jù)分析師并沒有從數(shù)據(jù)層面給出一定的建議。
這類問題，大多數(shù)是問題分析不夠深入，拆解得不夠細(xì)致造成的。面對用戶流失嚴(yán)重這個(gè)問題，業(yè)務(wù)方找到數(shù)據(jù)分析師肯定是想要找到什么樣的用戶流失了，這些用戶為什么流失，在哪個(gè)環(huán)節(jié)流失以采取一些針對性的措施。
數(shù)據(jù)分析師經(jīng)過較為細(xì)致的拆解，可以從渠道、流失步驟等提出以下較為具體的建議：
渠道 A 的用戶流失較為嚴(yán)重，而渠道 B 的用戶黏性較好，可以考慮減少渠道 A的資源投放，增加渠道 B 的資源投放。
流失用戶中的 80%在某節(jié)點(diǎn)流失，可以考慮排查是否該節(jié)點(diǎn)存在技術(shù)問題或者不符合用戶偏好和使用習(xí)慣。
這樣提建議，業(yè)務(wù)方才有著力點(diǎn)，才能從產(chǎn)品側(cè)對業(yè)務(wù)進(jìn)行一定的改進(jìn)，也才是有意義的建議。
3．提出的建議無法落地
除了上述兩種情況，提出的意見無法落地也是較為常見的問題。面對用戶流失這個(gè)問題，數(shù)據(jù)分析師經(jīng)過市場分析和競品分析之后，發(fā)現(xiàn)由于相關(guān)競品以低價(jià)奪走了部分市場份額，用戶隨之流失，因此數(shù)據(jù)分析師建議降低商品售價(jià)并與競品保持一致。
這個(gè)建議的確可以減少用戶流失，挽回部分用戶，但是公司經(jīng)營涉及成本問題，可能降低售價(jià)，利潤就微乎其微了。業(yè)務(wù)方以 KPI 為導(dǎo)向，所以并不會采納這類意見。
數(shù)據(jù)分析師這個(gè)崗位并不直接參與到業(yè)務(wù)決策中，就算數(shù)據(jù)分析師提出合理、切實(shí)可行的意見或建議，業(yè)務(wù)方也不一定采納。所以這類問題考驗(yàn)的已經(jīng)不是數(shù)據(jù)分析師基礎(chǔ)的數(shù)據(jù)分析能力，更多的是其軟技能、溝通能力及影響力。數(shù)據(jù)分析師在提出意見和建議時(shí)可以考慮用圖表代替文字說明問題，用業(yè)務(wù)方聽得懂的話代替專業(yè)術(shù)語陳述建議。另外，如果你的建議能夠幫助業(yè)務(wù)方提升 KPI，那么業(yè)務(wù)方多少會對你的建議感興趣。當(dāng)然，從不同的業(yè)務(wù)出發(fā)，從不同的分析角度著手，都能提出各種不同的建議。
所以，本節(jié)只是拋磚引玉，至于如何在不同業(yè)務(wù)形態(tài)中提出合理、可行的建議，就需要數(shù)據(jù)分析師在實(shí)踐中積累了。
市面上大部分?jǐn)?shù)據(jù)分析相關(guān)的書籍都是從工具的介紹開始的，但很多時(shí)候數(shù)據(jù)分析主要依靠數(shù)據(jù)思維。
特別是面對復(fù)雜業(yè)務(wù)場景時(shí)，對于業(yè)務(wù)的熟悉程度及數(shù)據(jù)思維顯得尤為重要。
因?yàn)閿?shù)據(jù)思維決定了分析問題的角度及合理性，只要數(shù)據(jù)分析師能夠針對特定問題提出分析方案，無論用什么工具都可以得到結(jié)果，因此數(shù)據(jù)思維是數(shù)據(jù)分析師成長進(jìn)階路上的必修課。
而市面上關(guān)于數(shù)據(jù)思維的書籍較少且部分書籍講授的知識點(diǎn)較淺，能夠?qū)?shù)據(jù)思維、編程語言、統(tǒng)計(jì)學(xué)思想及案例分析等融為一體的書籍少之又少，強(qiáng)烈給大家推薦這本以數(shù)據(jù)分析全流程為主線的數(shù)據(jù)思維的書——《數(shù)據(jù)分析之道——用數(shù)據(jù)思維指導(dǎo)業(yè)務(wù)實(shí)戰(zhàn)》。
下面附上全書的目錄，本書圍繞數(shù)據(jù)思維展開，一共11章內(nèi)容。
?
目錄
第1章?什么是數(shù)據(jù)思維
1.1 從數(shù)據(jù)治理流程淺談數(shù)據(jù)思維
1.2 數(shù)據(jù)思維到底是什么
1.3 數(shù)據(jù)思維最直觀的解釋
?
第2章?為什么數(shù)據(jù)分析思維如此重要
2.1 數(shù)據(jù)思維是數(shù)據(jù)分析師必備的技能
2.2 數(shù)據(jù)思維是數(shù)據(jù)分析師成長晉升的必備技能
2.3 數(shù)據(jù)思維能讓數(shù)據(jù)分析師建立影響力
?
第3章?數(shù)據(jù)思維如何養(yǎng)成
3.1 熟悉常用的數(shù)據(jù)分析方法
3.2 樹立目標(biāo)意識，尋找潛在分析點(diǎn)
3.3? 不預(yù)設(shè)立場，通過客觀的標(biāo)準(zhǔn)代替主觀的判斷
3.4 基于數(shù)據(jù)分析結(jié)果為業(yè)務(wù)方提出切實(shí)可行的解決方案
?
第4章?數(shù)據(jù)埋點(diǎn)
4.1 從隱私保護(hù)淺談數(shù)據(jù)生命周期，初識數(shù)據(jù)埋點(diǎn)
4.2 數(shù)據(jù)埋點(diǎn)的分類及主流上報(bào)技術(shù)
4.3 數(shù)據(jù)埋點(diǎn)方案設(shè)計(jì)
?
第5章?數(shù)據(jù)標(biāo)簽體系
5.1 數(shù)據(jù)標(biāo)簽體系與用戶畫像
5.2 如何構(gòu)建數(shù)據(jù)標(biāo)簽體系
5.3 數(shù)據(jù)標(biāo)簽體系的應(yīng)用場景
?
第6章?數(shù)據(jù)指標(biāo)體系
6.1 從中國人口數(shù)據(jù)談指標(biāo)體系構(gòu)建
6.2 四個(gè)模型教會你指標(biāo)體系構(gòu)建的方法
6.3 如何搭建一套通用的指標(biāo)體系并快速實(shí)現(xiàn)落地
6.4 定位異動(dòng)因素
?
第7章?對比思維
7.1 利用對比分析得出和結(jié)論
7.2? A/B 試驗(yàn)設(shè)計(jì)及容易忽略的誤區(qū)
7.3 A/B試驗(yàn)背后涉及的統(tǒng)計(jì)學(xué)原理
7.4 Python實(shí)戰(zhàn)：A/B試驗(yàn)在智能廣告中的應(yīng)用
?
第8章?分群思維
8.1 從用戶生命周期淺談分群思維
8.2 用數(shù)據(jù)分箱進(jìn)行結(jié)構(gòu)化分析
8.3 同期群分析解讀用戶生命周期，剖析真實(shí)用戶行為和價(jià)值
8.4 Python實(shí)戰(zhàn)：基于RFM模型以及K-Means實(shí)現(xiàn)用戶分群
?
第9章?相關(guān)性與因果性
9.1 相關(guān)性分析簡介
9.2 因果推斷方法論
9.3 Python實(shí)戰(zhàn)：利用Dowhy框架實(shí)現(xiàn)因果推斷
?
第10章?用戶流失分析
10.1 用戶流失分析方法論概括
10.2 案例分析：5W2H分析游戲用戶流失原因
10.3 5個(gè)理論模型構(gòu)建外部因素分析框架
10.4 如何設(shè)計(jì)問卷驗(yàn)證用戶流失原因
10.5 Python實(shí)戰(zhàn)：生存分析預(yù)測用戶流失周期
?
第11章?用戶轉(zhuǎn)化與付費(fèi)分析
11.1 用戶轉(zhuǎn)化與付費(fèi)分析概述
11.2 貝葉斯公式在用戶轉(zhuǎn)化中的應(yīng)用
11.3 案例：漏斗模型分析某電商換貨業(yè)務(wù)，提升用戶轉(zhuǎn)化率
11.4 營銷增益模型實(shí)現(xiàn)用戶分群，輔助運(yùn)營識別營銷敏感人群
11.5 Python實(shí)戰(zhàn)：利用營銷增益模型識別營銷敏感人群
?
?
如果喜歡本文 歡迎?在看丨留言丨分享至朋友圈?三連 ?熱文推薦??
▼點(diǎn)擊閱讀原文，了解本書詳情~