如何用数据分析思维,解决90%分析难题?

文 | 商业智能BI相关文章 阅读次数:1,092 次浏览
2022-12-15 18:44:06

什么是数据分析思维?

数据分析的本质,是把思维建立在牢固的事实基础上,通过有逻辑的分析,推理出接近真相的答案。数据分析代表了理性、严谨、缜密的思考过程。

和数据分析相反的概念,就是通过感受或者经验来做决策。但是我们很难将分析建立在虚无缥缈的感受上,很容易出错。

比如说我们定义 BI 的活跃用户的标准,如果有足够的业务经验的话,可以感性拍一个定义,但是这个拍出来的标准对拍的人要求太高了,拍的人不同拍出来的标准也不同。如果用数据分析思维的话,就可以通过分位数法、拐点理论等分析用户编辑次数的分析情况,有逻辑的定义活跃标准。

我们常说的相关分析、回归分析、 SWOT 、 PEST 、都是一些分析的思路和方法。在实践过程中,不是一个方法一路应用到底的,而是组合起来,从搞清楚发生了什么问题开始,到跟踪问题解决结束的。

数据分析思维,业务逻辑,评估标准

下面我们通过一个真实的案例——BI打卡营效果分析,按上图逐步拆解,帮大家更清晰地了解数据分析思维。

1日常积累

收集信息,理解业务背景:

这一步很重要,所有的数据分析都是建立在业务基础之上的,没有业务背景,数据分析就没有意义。并且看似相似的业务,背后的逻辑都有可能是不同的,比如 FR 和 BI,都是做数据看板,二者的业务逻辑深挖相差是非常大的。

理解业务背景,就是要理解业务在干什么,为什么要干这些事。真正明白业务的需求,而不是业务让我干这件事。

应用:为了解决业务用户不会用 BI 的问题,将 BI 的新用户(从未使用过 FineBI )以企业为单位,拉到一个微信群中。提前设置好每天的学习任务,新用户完成学习任务后在群里打卡。

2分析前期准备

1、把具体问题转化为需求

数据分析需求:

是什么(评估):梳理评估标准、单维度定量评估、多维度定量评估、分类评估

为什么(原因):有假设(验证)、无假设(探索)

会怎样(预测):基于发展趋势、基于驱动原因

应用:

业务的需求:打卡营活动的效果怎么样,存在哪些问题,可以怎么改进?——评估类、原因类的需求

数据分析需求:通过打卡营活动,结合产品和社区内的数据

  1. 如何衡量打卡营活动的效果—-定义一个评估标准;
  2. 打卡营每个环节的转化情况—-评估效果;
  3. 转化率低的环节应该如何改进—-原因分析。

2、定义问题,总结方法

方法总结:

清晰描述问题(不能听需求者说要一个什么样的东西,而是要了解为什么要这个东西)

划分问题的边界

区分问题类型(是什么、为什么、怎么样)

明确输出产物

  1. 是什么:明确输出数据、数据报表,明确判断标准、判断依据是什么;
  2. 为什么:列出原因123,判断哪个原因影响最大;
  3. 会怎么样:列出预计123。

应用:这一步和上一步的思考逻辑差不多,差别点为需要结合业务背景及定义的最终产出物。此处每个类型的产品物都有涉及,包括:

定义一个评估标准;

评估低/高的原因;

如果改的话,预计会怎样。

4分析过程

1、梳理流程,认清现状

梳理流程的方法总结:

目标要分清,要明确,要聚焦;

拆分过程中达到目标的步骤越细越好;

每一个步骤能干什么框出一个范围;

最后确认数据记录了哪些没记录哪些(没记录的有没有可能多记录一些)。

应用:BI 打卡营活动流程梳理如图所示。

数据分析思维,业务逻辑,评估标准

2、明确评判指标

指标可分为两种类型:结果类指标、行为类指标

结果类指标:指向最终结果,相对容易量化,多见于结果类问题(针对结果发问)。

行为类指标:指向达成结果的1、2、3 步骤,相对难量化,但越接近结果则越具体,多见于过程类问题(针对过程发问)。

一般分析过程类的问题,会将行为类指标与结果类问题(指标)进行捆绑,进而综合评估。

应用:

衡量指标定为:

行为类指标:报名人数、每天学习任务完成率、每天任务完成率、任务按时完成率、产品内编辑仪表板的用户率、平均每天编辑仪表板次数…….

结果类指标:用户完成打卡任务比例、用户产品活跃率、用户1个月后的产品活跃率、用户2个月后的产品活跃率。

3、寻找问题产生的原因

寻找原因有两种方法:演绎法与归纳法

演绎法的适用场景:过程清晰的时候,能相对清晰地了解问题发生的逻辑。

归纳法的适用场景:当过程是个黑箱的时候,无法知道具体问题的发生逻辑。

应用:

BI打卡营活动的过程非常清晰,且数据也比较清晰,采用演绎法:

梳理业务逻辑

提出分析假设

验证分析假设

提炼总结

可以提出以下假设:

参加打卡营的用户,产品使用能力比未参加打卡营的用户高

用户光看文档,不能提高产品使用能力

用户通过实操任务,可以提高产品使用能力

第一天的学习任务太重了,很多用户都不能准时完成

第一天的学习任务完成后,可以不用看后面的学习任务,也能得到相同的能力

案例类的学习文档,更能引起用户的学习积极性

……

基于数据分析的结果,验证假设内容,得出结论。

4、评估方案提出分析建议

如何提解决方案,并评估方案的可行性:

解决方案:问题定义清楚后,从方法库中选择合适的建议(过往的经验,对手的经验)

方案是否可行:不违反业务逻辑;符合时间、成本等条件限制;能达成预期目标

利用业务假设,预测问题未来情况:

业务假设法的基础:假设发展趋势不变

提炼业务假设:

  1. 可变量:一般是业务部门直接努力可以提升的指标
  2. 假设常量:一般设在一定范围内稳定的转化率指标
  3. 找关键变量:找到驱动业务的核心因素,才能设公式
  4. 设定假设常量与可变量
  5. 设定假设常量范围:通过经验总结

应用:通过上一步得出结论,每一个环节的转化率很低。就可以假设该环节的转化率,通过业务部门的直接努力可以达到多少;假设发展趋势不变的前提下,最终的转化率将提升多少。

5分析后总结

阶段性汇报、总结汇报:

数据分析报告格式:

  1. 标题页:

1.1 解释基本观点

1.2 概括主要内容

1.3 交待分析主题

1.4 提出问题

  1. 目录
  2. 前言

3.1 分析背景

3.2 分析目的

3.3 分析思路

  1. 正文
  2. 结论与建议
  3. 附录

总结下来,第一,有两个流程都在关注:一是业务真正的需求是什么;二是为什么要这个需求。第二,分析过程最重要的是有业务假设,有了假设才能找到原因、给出方案。这两点需要在后续的工作和能力培养中重视起来。

很显然在目前的信息时代,借助类似于FineBI的这些工具,可以让企业加速融入企业数据分析的趋势。备受市场认可的软件其实有很多,选择时必须要结合实际的情况。一般的情况下,都建议选择市面上较主流的产品,比较容易达到好的效果,目前企业数据分析BI软件市场占有率前列的,就是帆软BI软件——FineBI。

数据分析思维,业务逻辑,评估标准

商业智能BI产品更多介绍: www.finebi.com

相关内容

立即体验 立即体验

在线客服

电话咨询

技术问题

投诉入口

返回顶部