热搜:
编辑导语:数据分析报告太平淡,没有实际价值,也没有建设性意见,怎么办?本文作者介绍了四个方法,分别是标杆分析法、业务诊断法、机会识别法、概念测试法,助力大家的数据分析报告更上一层楼,一起来看看吧。

为什么“数据分析报告太平淡,只是陈述事实,没有建设性意见”是很多企业的抱怨。

“数据分析建议要可行,有建设性,能产生效果”也是很多企业的要求。

问题是:咋做到呀!

通常来讲,有四种方法,可以从数据中推导出高质量、可落地、可见效的分析结论。但是,并没有一种方法是包治百病的仙丹。每种方法都有特定的使用场景和难点,今天和同学们系统的分享一下,以供参考。

一、标杆分析法

标杆分析法的思路很直接:找一个做的好的标杆,直接复(chao)刻(xi)标杆的做法。既然别人这么做能成功,那理论上我们这么做也能成功。标杆分析法的步骤:

  • 明确要分析的业务线及分析目标(收益最大化?增长速度最快?用户体验最好?)
  • 在该业务线中,围绕目标,寻找可作为标杆的对象(目标不同,标杆自然不同)
  • 剔除异常情况,归纳。比如运气/行业红利/特殊资源(确保标杆可复制性)
  • 总结标杆特征,导出分析建议(学习1、2、3、4做法,即可成功)
  • 进行测试,检验标杆效果(最后行不行,还得试一试)

比如,做销售分析,在推导分析结论的时候,就不是简单地说:“销售业绩低了,建议搞高”。而从销售队伍中树立标杆,总结特征,复制行为(如下图)。

四个方法,拯救你平淡的数据分析报告

标杆分析法适用性很广,但是有三个明显缺点

  • 缺点1:异常难剔除。所谓“失败的大致相同,成功的各有特色”,一般标杆都或多或少有不可复制因素,很难让人100%信服。
  • 缺点2:特征总结难。相当多特征是难以量化的,特别是人主观努力与个人素质。
  • 缺点3:时代局限性。有些方法在过去管用,现在不见得管用。
四个方法,拯救你平淡的数据分析报告

特别是在复制外部标杆的时候,常常因为数据采集不全,导致找一个“外表内美,内部拉胯”的同行案例做标杆,此时就更容易翻车。

二、业务诊断法

业务诊断法的思路也很直接:找到目前业务哪里做得不好,哪里不好就改哪里,改完就好了。注意:所以叫业务诊断,是因为最后输出的结论,应该是指向一个具体的业务行动,而不是简单的扔一个“XX指标低了,要搞高”出来(如下图)。

四个方法,拯救你平淡的数据分析报告

做业务诊断法的步骤:

  1. 建立监控指标(一般做漏斗分析,或拆解分析)
  2. 树立判断标准(现有判断好坏的标准,才能下结论)
  3. 发现当前短板(转化漏斗最弱一项,拆解中最弱一项)
  4. 追溯业务问题(这里的弱,是因为运营/产品/价格/……导致的)
  5. 给出诊断建议(基于业务条件,评估改善可行性,给出建议)

这里最难的就是第四步。想做好第四步分析,需要对业务流程做详细拆解,并对具体做法打标签,才能做深入分析(如下图)。

四个方法,拯救你平淡的数据分析报告

注意:第五步给建议的时候,也可能不是哪里弱补哪里,而是“以强补弱”(如下图)。

四个方法,拯救你平淡的数据分析报告

这样基于业务现状+历史数据,对建议进行简单的可行性评估后再给出,会让建议更有说服力。业务诊断法的缺点是很明显的:第四步容易被卡住,成为业务方互怼的导火索。特别是问题发生在转化漏斗的末端,大家都有责任的时候,更容易引发争吵(如下图)。

四个方法,拯救你平淡的数据分析报告

此时,需要花特别多的精力,把这帮人的各种说法论证清楚,不然分分钟会被人当成对战的棋子,怼得死去活来。

三、机会识别法

机会识别法和标杆分析类似,但是不是拿整体作为参照对象,而是从细节里找思路。最典型的,比如发展了一群客户,质量有高有低,这时候有两个典型的做法:

  1. 从现有用户里,挑出高质量群体,单独看该群体画像,思考如何做大该群体。
  2. 从用户画像角度,挑出理论上高质量群体,再看目前获取数量,思考如何做大。
四个方法,拯救你平淡的数据分析报告

这样就是所谓的:机会点识别。

所以叫机会点,是因为:到底是否能做大,做大了到底好不好?在眼下是不清楚的。很有可能顾此失彼,为了服务一个群体,得罪其他用户很有可能因小失大,多赚了一个群体钱,流失其他用户很有可能镜花水月,单一群体数量太少,无法撑起大盘总之,得实验,实际测试几次,才只能看出数据变化。

这也是机会识别和标杆分析最大区别,标杆分析看得是实际上已经成功的样本,机会识别的,真的就只是一个机会。

机会识别法的弱点也是很明显的:严重依赖业务配合。

如果业务方懒得给出配套方案,那就永远无法测试这个机会点到底能不能成。更糟糕的是,在没测试前,到底是不是机会,是无从定论的。于是,业务方会简单按照:是否这个机会与老板观点一致,进行判断。总之,老板说这个好,这个就好。老板没说过,那就不好……这更让客观的机会识别无法进行了。

四、概念测试法

以上三种方法,都是基于已发生的数据做推导的。也可以完全没有数据,凭着业务方灵光一闪:“我有一个好点子!”然后直接拿来测试。这是完全OK的。常用的ABtest方法也是满足这一需求。

但注意,很多业务上测试,实验的是一整个流程的SOP,并非一个孤立的页面。因此在设计实验的时候,一定要对测试的流程做好拆解,在可能影响实验的节点上,打好业务标签,这样才能在事后分析的时候有据可循,做迭代的时候也有方向。不然只看最终的结果,还是看不出所以然来(具体拆解方法,参考业务诊断法的做法)。

概念测试法的缺点也是很明显的:概念是人提的,数据不会撒谎,人会!

比如:为了维护自己面子,即使新版本改善不明显,也非得说丫明显。比如:为了让自己见效,搞“瘸子里边挑将军”,把B方案做的明显烂,或者换汤不换药,搞个和A方案差不多的B来比,反正最后都是自己的主意胜出。至于上线后对业绩改善不明显?好办,直接把锅甩给数据分析,说ABtest说的不准即可。

五、深层思考:让数据见效真难

这个问题的本质,不是“数据有没有用”而是“真的每个公司都能成为天下第一吗?”显然,很多公司在业务上是先天有短板的,老板缺乏远见,业务缺少能力,运作不够规范……

反应在数据上,是:

  • 缺少内部标杆,躺在黄历上吃老本
  • 缺少业务标签,干业务全靠拍脑袋
  • 缺少测试动作,只在纸面坐而论道
  • 缺少合理的AB方案,拼命证明自己是对的
  • 缺少科学态度,在缺少以上四样的东西的基础上,指望数据分析师,凭借着现有数据库里残缺不全的交易记录,分析出惊为天人的救命仙丹

数据救不了这种公司,换谁来都不好使……而做数据的同学,一定要努力多掌握几种方法,多做一些尝试,这样才能识别出:到底是我的思路不到位,还是公司环境真的太差。毕竟学到的本事是自己的,这家公司不好,还能换下一家。

#专栏作家#

接地气的陈老师,微信公众号:接地气学堂,人人都是产品经理专栏作家。资深咨询顾问,在互联网,金融,快消,零售,耐用,美容等15个行业有丰富数据相关经验。