在一个场景中如何体现数据分析的价值?本文作者指出了应根据业务需求来进行数据分析,而非简单地应用固定的分析方法,以及通过积累经验和为业务服务来提升数据分析的价值。
经常有同学在工作中抱怨,感觉“做的分析没有啥业务价值,报表丢出去了也没回应”。到底怎么做才能让数据分析体现价值,今天结合一个具体场景,详细讲解一下。
一、问题场景
某同学入职一个公司会员中心,雄心勃勃地想建立“数据驱动业务”机制,为此,规划了一堆:
- 建立全链路数据指标体系,反应运营情况
- 建设3000个会员标签,丰富会员画像
- 建立RFM模型,对会员分层
- 建立预测模型,针对会员购买行为进行预测
- 建议推荐模型,针对会员购买商品进行推荐
规划交上去,却被领导一顿批斗:“你这做的有啥业务价值?!”该同学非常不理解,不是一提及用户分析,就是用户画像、RFM、分层、推荐,难道还有啥神秘力量我不知道?为啥这些东西会被喷“没价值”呢????
二、从“什么算价值”说起
这个问题,得从“什么算数据分析的价值”说起。如果我们是乙方公司,是数据产品、咨询公司,那么我们可以提前做一堆工具,比如BI、数据模型、CDP等等,然后卖给甲方。这个算是数据分析价值的直接体现了。
但换个场景,我们现在是甲方公司的,数据是直接服务业务的。此时数据分析的价值,就是由“到底帮助了业务多少”来定义的。如果:
- 我们给的数据,业务已经看得到了
- 我们做的预测,业务根本不需要
- 我们做的分类,业务压根看不懂
- 我们做的画像,业务找不到地方用
那就是没价值呀。这个和“大家做的都是这些分析”一点关系没有,只要我们公司的业务用不上,丫就是不会被认可。
因此,想要提升数据分析的价值感,就不能“拿着锤子找钉子”,先轮出一堆“用户画像、RFM、关联推荐、行为预测”的大锤,然后看哪里能锤一下,而是看:“到底我们的业务需要什么”。
注意!业务需要什么,也不是直接问问了事,因为很有可能:他们需要你算命。
三、拆解业务问题
如果你直接去问业务:“你想要什么”,很有可能你会听到:
- 我想100%精确预测下个月商品销量
- 我想100%准确知道用户流失原因
- 我想100%准确预测活动参与人数
- 我想100%准确判断用户想要什么
最后还有可能跟你客气一句:“100%做不到,98%也行,咱不纠结”。
如果真拿这个需求来做,那铁定做不出来。为啥?因为商品销量、用户流失、用户需求,这些都是经过业务手段影响后的综合性结果。比如用户本来不想买,结果业务派了券,用户想买了。此时得先知道:业务会不会派券,会派多大额度的券,才能预测结果。
这意味着即使可以建模预测,也得先知道:“业务手段是什么”。这显然和业务需求不符,这帮人还等着我们100%精准预测出来,然后看着预测结果做行动呢。所以不要直接生吞业务需求,而是拆解业务需求,找到可以做的发力点。
比如“100%准确知道用户流失原因”,多问一句:知道以后又能如何?
- 有些用户贡献很低,他流失了,真的值得挽回吗?
- 有些用户对我司产品没需求了,我们真的会改进产品吗?
- 有些用户需求和我司存量用户相冲,我们真的要讨好这些人?
- 有些用户就是来薅羊毛的,我们真的要无节制满足他们?
- ……
结合业务场景,往下拆解需求。就会发现:大部分情况下,业务能做的事情是非常有限的。特别是短期内拉升某些指标,可能可用的手段,就是派券/发信息,没了。而长期内的改进,又是和业务整体规划密切相关的。因此聚焦到业务可以做的事情上,就能保证数据一定能被业务用起来。
这里有个常见的务求,就是拆解需求,不按业务可做的事拆解。而是单纯在数据层面绕来绕去。比如分析用户流失情况,就把所有的流失用户名单捞出来,然后丢一大堆性别、年龄、过往消费……等等描述性统计结果。这样看似给的数据多,可依然和业务行动是脱节的,业务看完依然很迷茫,依然会反问“所以呢?所以我能做什么?”
四、寻找业务盲点
拆解完问题后,可以进一步寻找业务盲区。找到业务盲区,对提升数据分析的价值感非常有用。因为业务并非对数据一窍不通,特别是和他们KPI相关的数据,一般盯得非常紧。如果丢出来的数据是他们早就知道的,那铁定落得一句:“我早知道了,你分析的有啥用”的吐槽。
所以:
- 业务不知道什么
- 业务不确定什么
- 业务想测试什么
是最能体现数据分析价值的地方
比如流失用户问题,很有可能业务方每个月在固定投优惠券,然后已经掌握了很多基础数据,比如:
- 每月有多少用户处于流失状态
- 每月派多少召回用户的券
- 每月从多少渠道发推送
- 每个渠道转化率,召回率
这时候,如果再把这些数据讲一遍,哪怕打着“建立完善指标体系”的旗号,依然会被喷“我早知道了”。所以基于现有数据,可以往下切:哪些是大家额外想知道的。
在这里,是否修改现有规则,是个关键问题。如果不修改,就基于现有的推送渠道,推送文案,推送券类型,做排列组合。找到转化率最高的方式。如果要修改规则,就看业务上能做的事情是啥?比如提高面额,修改推送信息时间点,修改推送方式(比如基于用户裂变),更换推送内容(比如不推券,推个爆款)。
是否要修改,是和业务紧密有关的。因为很多时候业务是没有权限动策略的,策略是老板已经定死了的,只能做小修小补。而有时候,业务又很想修改策略,这时候就需要大量数据支持,需要先了解:业务想往哪个方向改。
比如业务方很想往:加大券力度方向调整。此时数据分析的思路,就是:
- 找到哪些人群容易被券召回
- 区分出这些人群中有价值的部分
- 核算过往人群消费,给券力度提建议
原则上,有消费力的人才值得大力度召回,这些细分数据,是业务方向老板要资源的时候需要特别强调,以打消老板顾虑的。给到这个级别的数据,就能极大支持业务动作,体现数据价值。
注意,这里做的分析内容,还是:
- 区分用户过往消费,核算用户价值
- 区分用户对抵用券领取/使用敏感性,打“抵用券偏好”标签
- 区分用户对推送信息响应率,找高响应群体
但是清晰了:“这是业务特别需要的数据”以后,这些数据给出去,就能得到大家的认可。而不是不分青红皂白,先做个RFM(分段规则还没和业务确认)然后扔出去,业务看得一脸懵逼:所以呢?所以我可以干啥???
五、做好经验积累
还有一个很重要的,数据分析可以主动做的事,就是围绕目标,积累经验。业务部门处于本位考虑,经常是各自为各自项目摇旗呐喊,容易忽视不同项目之间交叉作用。比如用户流失问题,很有可能流失的用户本身是某些商品的粉丝,本身是季节性购物需求,他不会响应会员中心盲目派的券,而会响应商品部门推送的活动。
此时数据部门,可以主动收集各部门活动,以用户为单位,展示各类活动影响用户全景,这种全景式的数据,业务站在自己部门很少看得到,很容易引发业务思考。因此特别建议数据部门,主动收集各类业务动作,围绕同一个业务目标综合起来。这也是体现价值的方法。
六、小结
综上可见,数据分析要基于业务,为业务服务,并不是一句空话,而是结合具体的业务场景与业务需求,具体讨论业务可行范围,拆解业务问题,逐一解答才能实现。
说到心坎了,在工作中经常遇到这样的问题,在这里找到了思路。
手动点个赞
转发朋友圈炸一下
今年做运营好难,拉新难,留存难,转化难,老大跟我们说,经济下行越难的时候越要加强学习,内心好焦虑,每天刷运营派压压惊。。。。。![:o](//image.woshipm.com/s/kelian.gif)