投稿
  1. 小新网首页
  2. 百科知识

五种数据分析方法拆解（数据分析的标准该如何去定义）

路逸轿运- • • 百科知识

在数据分析中，我们的数据分析有无意义取决于所定标准，若标准不一，评判的结果也就不一致。那么，数据分析的标准该如何去定，破解数据分析核心难题。作者总结了五个方法，希望对你有所帮助。

五种数据分析方法拆解（破解数据分析的核心难题）

数据分析的一个基本常识：数据本身没有意义，数据+标准才有含义。然而恰恰是标准二字，弄死了无数数据分析师。常见的问题，诸如：

没标准：业务说“我的活动提升了业绩， 计划提升多少我也不知道，你分析分析？”然后不管数据提什么，业务说“太少了吧，你没考虑周全”。标准不确定：业务要提升“顾客健康度”“渠道质量”，然后不管数据分析师用什么指标，业务都说“你这几个指标就能代表健康了？那另外一个指标就不健康？”标准反复横跳：指标下跌了0.1%，业务紧张得要死，非要深入分析；指标下跌30%，业务说“这是正常的，你分析个屁！”。

找标准，是数据分析核心难题。标准不确定，数据反映出的是不是问题？是多大的问题？是谁的问题？都不能确定，那还咋深入分析呀。那到底标准怎么定？今天系统讲一下。

 

一、为什么定标准那么难

从本质上看，标准难定，主要是来自业务本身考核难度不同：

有的业务是搬砖式的，做一件东西就是一件东西，这种最容易定标准，计件工资即可。有的业务是BUFF式的，提高了做东西效率。这种标准就不容易定，因为很难剥离出“没有buff是多少”，无数的争论都是从这里来的。有的业务是锦上添花的，就像菜市场小贩吆喝“我家番茄又大又红咯”。这种不做不会死，做了看似更好，但很又很难考证效果。

更糟糕的是：有的数据分析师，不清楚以上区别，以为可以一锅炖。

更更糟糕的是：有的业务，很清楚以上区别，所以在自己做得不好的时候，故意浑水摸鱼，企图模糊标准，为自己文过饰非。

当一个不懂区分的数据分析师，遭遇一个企图蒙混过关的业务，就是标准的盲人骑瞎马了。这才会出现开头的种种吐槽。更搞笑的是，这时候懵懂懂的数据分析师还没发现问题，还会在网上到处问：“哪里有中国互联网数据分析统一标准定义？”

所以破局的思路，就是不能指望业务部门良心发现，而是数据分析师自己练就火眼金睛。辨明是非，分类型看标准如何定。

 

二、第一类：赚钱的搬砖

比如互联网行业的推广、投放，传统企业的销售、门店。这种是可以考核到人的，每个人为公司贡献多少收入、贡献多少新用户一目了然。这类工作事关公司收入和业务增长，因此一般都有硬考核指标，且一般都是老板强硬压下来的。

这种情况下，记得三不扯原则n不扯“自然增长率”。该做多少做多少，不服气去跟老板吵：

不扯“合理不合理”。老板定了多少就是多少，不服气去跟老板吵*2不扯“其他深远效果”。老板没有定的不理会，不服气去跟老板吵*3

数据分析师要做的，就是把老板的目标，按业务线/按时间拆解出来。把年度目标，分解到每一个时间段，然后跟踪完成即可（如下图）。

五种数据分析方法拆解（破解数据分析的核心难题）

 

三、第二类：供应的搬砖

比如商品备货、供应。这一类工作要根据销售情况做准备，但又不能完全照搬销售指标，因为销售指标有可能无法达成/超期达成。而一旦目标无法达成，备货太多，就会积压，导致损失。超期达成，备货不足，会失去一些销售机会。因此定目标，经常是双重考核：供应充足率/库存损失率。

五种数据分析方法拆解（破解数据分析的核心难题）

 

四、第三类：普众式buff

普众式BUFF，即常见的各种大促销、新人礼包、满500减100、买三件送一件、消费10000成为白金卡会员等，一般是运营、营销、增长部门搞的。这种活动参与规则与参与人群是公开透明的，用户达标即可领奖。

普众式BUFF都有明确的目标，比如商品运营，不同阶段目标/手法不一样（如下图）。

五种数据分析方法拆解（破解数据分析的核心难题）

比如用户运营，不同阶段目标/手法也不一样（如下图）。

五种数据分析方法拆解（破解数据分析的核心难题）

注意！加BUFF的部门，最喜欢扯“自然增长”，扯“深远影响”，扯“额外增收”。因为这些BUFF是叠加在其他人工作之上的，所以搞活动的部门，生怕不能体现自己的功劳，恨不得把自然增长率搞成负的，把所有增长归功于自己。也因此搞出很多争吵。

解决争吵的办法，是把“深层次效果分析”与“目标考核”区分开。先达成自身的目标，再复盘达成目标以后的效果。连目标都没达到，整体业绩还在下滑，商品还在滞销，用户发展不来，有啥“其他深远影响”好扯的，都是自欺欺人。

 

五、第四类：精准式buff

精准式buff，最常见的形式就是精准营销。通过电话、短信、APP内推送等形式，给不同用户不同营销方案，且其他用户不知情，无法参与。

注意：精准营销是可以通过封闭信息的方式，设活动组与参照组，相对准确的衡量自然增长率的。因此精准式BUFF可以直接把目标设为：较自然增长，额外提升转化/消费效果XXX。

怕就怕，做的活动是精准式活动，但是没有做分组，没有设参照组，也没有事前ABtest。啥准备都没有，事后跑来问：如何精确衡量？肯定回答不了。

五种数据分析方法拆解（破解数据分析的核心难题）

 

六、第五类：锦上添花

所有内部数据记录不到的任务，都是锦上添花类任务。常见的比如品牌、传播、服务，对应的指标是用户知名度、用户满意度、用户忠诚度。

这些数据来源要么靠市场调查、要么靠外平台的数据记录，比如公众号文章阅读量、视频播放量等等。

这种标准的最大问题，来自于：数据易操控。市场调查问卷质量太差，样本太少；外平台的数据可以靠人工刷量轻松做出来。所以树这一类标准，有个最简单的办法：让负责部门自己事前提个数，然后看他们能不能达成。

至于这种锦上添花能不能带来销售、用户，等实际效果。作为数据分析只认链接。有转化链接，有内部数据记录，就转化为普众buff式工作，考核转化效率。没有链接，没有转化路径，没有内部数据，一概不认，断了他们浑水摸鱼的念想。

 

七、小结

从本质上看，标准问题牵扯绩效考核，因此业务方才有浑水摸鱼的动力。这是个披着数据问题的办公室政治问题。因此，想破题，一定不能把解题思路引到“有一个完美的数学算法”上面。任何数学算法都解决不了人心贪婪的问题。

所以数据能做的，就是落实可考核的部分，帮助大家回归初心，减少胡搅蛮缠，从而更好实现整体目标。毕竟蛋糕做不大，怎么分还是饿。

 

本文来自作者:路逸轿运-，不代表小新网立场！

转载请注明：https://www.xiaoxinys.cn/353163.html

赞 (0)
路逸轿运-路逸轿运-注册用户
0
上一篇 2022-12-30 14:10:00
下一篇 2022-12-30 14:15:00

相关推荐

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。