公告:百歌网络导航为广大站长提供免费收录网站的服务。对!您没有看错,就是免费!免费!免费!!!

点击这里在线咨询客服
新站提交
  • 网站:3721
  • 待审:0
  • 小程序:18
  • 文章:921
  • 会员:32

  做数据分析,我只会同环比,谁能教我怎么写结论?
  有同学问:老师,我看数据,完全得不出结论。都不知道这些数字在说什么。可有的人就能看出很多问题。甚至我们做销售的领导,只要看一两个数就能做判断。我该怎么办呢?
  答:这其实是解读数据商业含义的问题。企业里常说的“要对数据敏感”“要看到数据背后的问题”其实都是这回事。解读数据商业含义,是把数据利用到商业的关键环节。我们从一个最简单的例子开始。
  我和我们家2岁小朋友coco经常玩卖东西的游戏,coco把纸巾摆在“商店”里,然后我拿着各种洋娃娃来买纸巾,于是有了下边的对话:
  日常对话:
  我:小马来买一包纸巾
  Coco:给,一包纸巾
  我:小熊来买一包纸巾
  Coco:给,一包纸巾
  我:小象来买八包纸巾
  Coco:一、二、三、四……
  我:coco,如果客人要买8包纸巾,你可以关心它一下,是不是感冒了
  Coco:为什么呢?
  我:因为你看,正常的客人都只要一包纸巾,买8包就说明小象可能有特殊需求。它有可能感冒了,要多擦鼻子。你关心他一下,他会很开心,以后买的更多了。
  Coco:ヾ(?°?°?)??好,那我还可以给它打针
  妈咪:o(╯□╰)o你这学的也太着急了……
  解读商业含义的第一种方法就是这样:找数据指标的商业含义+对应的数据表现。这是最基本的思路,后续各种方法,都是在此之上的延伸。
  就像纸巾,可能人人都需要用,但不同需求程度的人需要数量不同。如果人人都是1包,有些人突然要很多,就可能隐藏了更大需求。比如感冒、胖子、拉肚子等等。
  作为商店老板,可以简单的从客人的体型(胖不胖看得到)、身体状况(打喷嚏、精神萎靡)等来解读数据,进而采取行动,争取更多的顾客青睐。
  不光一个数据背后有商业逻辑,多个数据之间也会有商业逻辑。比如如果一个客人买尿布,那他会买啤酒?错!当然优先购买的是干纸巾和湿纸巾。
  真正带过娃就知道,给宝宝清理屁屁,用纸巾就像吃纸巾一样快。所以从商业角度,这两者本身就是强相关的。这也是为什么啤酒尿布的故事吹了那么多年,可超市还是把尿布和纸巾摆在一起卖的原因。商业逻辑本身决定了这一点。
  更多类似的,比如
  买房→装修、整套家电
  结婚→旅行、摄影、金银首饰
  火锅→凉茶、饮料
  即使没有所谓“关联分析”数据支持,在商业上这些东西也是天生共生的。因此解读数据的时候,可以把若干有商业联系的指标联起来看,就更容易明白商业含义,读出商业机会。
  再来个复杂点*1的例子
  上边举的都是一个时间点的例子,当时间拉长,又会有更多情况出现。比如单纯看一个时间点的销售数据,可能看不出规律,如果拉长如下边两张图,就能看到更多含义。
  图一是所谓:周期性规律。比如零售行业,都是以周为单位、循环往复发生购买。
  图二是所谓:生命周期规律。比如新手机上市,都会经历成长、成熟、稳定、衰退四个阶段。
  支撑曲线形态的,自然还是商业逻辑。比如零售行业卖的都是衣食日用百货,这些东西消费者就是周期性购买。比如手机行业,就是新品上市很热门,然后更多新品出现,旧的机器被淘汰,慢慢被遗忘,最后退市。
  数据曲线,只是真实的反应了这个过程。所以想解读数据含义,往往是先记录数据,从数据曲线发现规律。然后再看回具体的商业场景,为曲线走势找到商业上理由,从而理解了含义。这是解读数据第二种方法:趋势分析法。其实就是商业逻辑+时间维度。
  不要小看这一条曲线。当我们已经掌握了某些曲线形态以后,就更容易读懂数据,比如下图:
  如左图。如果单看一个点,ABC都是“下跌”,可代入周期规律再看,A点仅仅是周期性变化,因此没啥大惊小怪的。
  可B点就不一样,B点虽然也是周期性变化,可整个曲线走势,在经历1个周期后越来越低,说明运行出现了问题。
  而且虽然B点本身跌的很厉害,可真正问题应该是出现在曲线下沉的源头:C点的。所以追溯原因就得往前找,才能找到本质问题。这个场景在我们真实做分析的时候很常见,往往一天内暴跌会引发人们关注,可拉长看趋势,才知道有可能问题的伏笔早就埋下来了。
  如右图,如果我们掌握了蓝线走势,结果发现新上的手机走出了橙线的趋势。显然这个手机的成长未达预期,有可能后边也不好卖。精明的商品运营可能这时候就会消减后期进货量,安排库存清理,而不是继续按计划大量进货,结果积压严重。
  这是解读数据第三种方法:趋势定标法。我们知道,单纯的一个数字不能说明问题。数字+标准才能说明问题。趋势本身就是一种天然标准。如果我们通过过往数据,掌握了某个商业问题的走势,那么我们就可以拿这条趋势线,来判断新问题。不需要很复杂的分析,单纯一根线就够了。
  这就是为啥经验丰富的商品运营、销售总监,看一眼销售数字就知道问题所在。而我们的数据分析师们吭哧吭哧跑了一堆数也没有结论。有可能,做数据的同学们在数据里陷得太深。只是忙于收集数据,忽视了总结过往趋势。结果反而看的数字越多,思路越混乱。
  再来个复杂点*2的例子
  有时间维度对比,自然有空间维度的对比,这是解读数据第四种方法:多维对比法。其实就是商业逻辑+分类对比。
  比如孤立看一个人客人的消费,我们很难解读出来他有什么特点。但如果我们知道,这个客人用花呗结算,另一个客人用招行金葵花卡结算。再看两人的消费,就马上有感觉了:这代表了高端顾客和低端顾客的需求。两类客户的消费对比,使我们更能理解用户需求。明白两个差异数字背后反映了什么
  分类对比,建立在我们有足够多的分类指标之上。比如B2C领域,用户性别、年龄、收入、地域等都能成为分类指标。
  比如B2B领域,企业的行业、规模、增长速度、负责人性格,也能成为分类指标。当我们不理解数据含义的时候,可以试着看,这个数据在不同类用户、不同地区的差异,从而总结出规律。
  以上例子,利用的用户基础属性比较多。可在真实企业经营中,我们可能很难知道用户真实属性。只有银行、航空公司这种有法规背书的、相对规范的行业才能采集到真实信息。这时候,可能我们得更多利用内部数据做分类。
  一个典型的做法是,利用过往的消费情况作分类指标。因为消费数据是每个企业都有的,并且相对准确(收了钱不给客人货,会被客人怼死的)。
  比如理论上,一个用户买我们的日用品消费,买的越多,频次越高,意味着他对我们更忠诚,有可能以后来买的概率也很高。如果忠诚的用户都是30天内会二次购买,那一个用户已经40天没来了,可能我们就得关心一下他,发个短信、打个电话提醒一下之类的。
  是滴,这就是所谓RFM分析法。其实就是用过往的消费经历做标签区分用户类型。
  要注意的是,现在的网络课程都喜欢举RFM的例子,可现实中这个场景并不多见。比如商超、医药、金融、汽车、住房、租房、虚拟点券、家电、旅游、都没法简单的用RFM来解释,要么根本没有用户ID;要么消费频次很少,或者根本没有二次消费;要么用户决策的逻辑前后之前根本没联系。
  所以在做分析时,一定要认真看看自己的商业场景合适不合适,不要直接怼模型上去。
  注意,RFM已经涉及三个指标。当指标很多的时候,指标之间就会产生逻辑关系。如果一个商业动作分1,2,3,4,5,6步展开。用户做完一个做下一个,这就是所谓串行指标。串行的商业流程中,用户有可能流失,因此把6个指标拼起来,就构成了所谓的漏斗分析法(第五种方法)。我们可以观察一个漏斗的形态变化,来解读数据。
  比如下图假设。我们在网上买东西,都要先看商品→浏览详情→加入购物车→付款,这一套流程就构成串行关系,可以做成一个漏斗。单一维度去看漏斗的某个环节,也能做出解读,但摆在一起,能更明显看到问题,比如下图 :
  明显可以看到,A产品转化比B更好,B的漏斗在尾部收的很快,说明B产品有真实顾客需求,但客人们看到了并没有下单,有可能多平台比价后,发现我们价格更贵,就流失了。这时候得再配合市场价格与我们平台价格对比等数据,进一步解读。
  一般漏斗分析在互联网类业务(电商、游戏、O2O、社交)等应用比较多,是因为互联网更容易记录用户行为数据。
  传统企业其实也有漏斗,比如销售跟单,就是一个典型漏斗:接到销售线索→初次拜访→确认需求→打样→议价→签约。
  只是传统企业缺少IT系统支持,转化过程缺少数据记录,所以才很少能这么分析。如果上了CRM+严格渠道管理策略,其实传统企业和互联网企业分析没啥区别。
  再来个复杂点*3的例子
  当一个商业问题包含nnnn多细节,本身特别复杂时,我们需要引入更多指标来描述问题;解读数据的思路也就更复杂,但解读数据的顺序仍然是一样的:
  1.  明确指标的商业含义
  2.  为单指标“好/坏” 判定寻找标准
  3.  依据指标的商业含义,梳理指标逻辑,搭建指标体系
  4.  从整体到局部,从结果到过程,一步步解读
  在每一个具体细节上,操作方法都可以用上边的小技巧。我们需要把一个具体的商业问题,转化为可分析的点。比如要我们“分析一下公司的用户情况”,那我们就得把这个宏大的问题拆成更多小问题,一个个解决。比如:
  1.  我们用户有多少
  2.  我们用户增长、保留、活跃情况如何
  3.  我们用户转化情况如何?
  4.  在哪些时间节点、哪些产品转化?
  5.  不转化的用户停止在哪一步?
  由于涉及指标众多,为了有条理的讲清楚,我们可以构建一个类似下图,包含了串行并行复杂关系的巨大逻辑树。解读的时候,从大到小,层层深入,先抓主要矛盾。这样就能讲清楚了。就不用盯着孤立的几个数字纠结“为啥客户又少了呢?客户少了又怎样呢?”
  实际上,复杂的商业问题,都是通过化繁为简,层层细分来解决的。绝不是:我有个阿尔法大狗子模型,只要把数据往里一怼,他就“汪汪”输出结论了。
  真正困难的,不是统计学的复杂公式,而是如何把具体商业问题转化为可分析的指标,如何在解读数据的时候找到商业含义。
  这需要的不仅仅是对数据的理解,更需要对商业的理解才行。具体怎么做,以后慢慢分享,这一篇文章已经很长,很长了。表扬能看到这里的同学,大家成功挑战了自己的专注度,这也是做好数据解读的一个关键点哈。

分享到:

  admin

注册时间:

网站:0 个   小程序:3 个  文章:0 篇

  • 3721

    网站

  • 18

    小程序

  • 921

    文章

  • 32

    会员

赶快注册账号,推广您的网站吧!
热门网站
最新入驻小程序

桔子汇率换算2020-03-30

桔子汇率换算,支持美元,欧元,英镑,日

轻松入眠2020-03-30

轻松入眠小程序,睡眠、放松、减压

拼心形照片墙2020-03-30

拼成心形照片,保留美好瞬间,快来和

趣味头像2020-03-30

趣味头像小程序功能,趣味头像一键

时光天气2020-03-30

时光天气是一个小而优化的天气小

外卖地图2020-03-30

送外卖老是找不到地方?叫外卖每次