数据分析体系及构建思路过程.docx

数据分析体系及构建思路过程.docx

《数据分析体系及构建思路过程.docx》由会员分享，可在线阅读，更多相关《数据分析体系及构建思路过程.docx（8页珍藏版）》请在冰豆网上搜索。

数据分析体系及构建思路过程

数据分析体系及构建思路、过程

有人问：

经常听到“搭建运营分析体系、搭建业绩监控体系、搭建商品分析体系”等等要求。

可到底数据分析体系是什么？

似乎经常看到的，只有AARRR五个字母，又语焉不详。

到底怎样才算是建了个体系？

今天我们系统解答一下。

搭建数据分析体系，是从初级数据分析向高级发展的必备一环。

留心看哦。

  1   

搭建数据分析体系的常见错误

▌ 1、罗列指标，没有重点。

很多文章一讲数据分析体系，就铺陈了大量指标。

先看哪个，后看哪个，根本没说明。

光把几百个指标理解一遍都要半天，业务啥也不用干了，每天就在这瞅数好了。

▌ 2、陷入细节，没有目标。

很多人习惯性列了指标，就开始按时间、渠道、区域、用户等级拆分，拆来拆去，标出一堆涨了跌了。

问题是没个具体标准。

每天纠结：

1%的变化到底是不是问题？

百分之几是问题？

▌ 3、不分职责，贪大求全。

很多文章一列标题就是《电商指标体系》《运营指标体系》甚至是《互联网指标体系》，可实际上像BATT，一个公司十几个BU几十条业务线，都看一套指标？

单纯运营就分：

用户、产品、数据、新媒体、社群、活动、商品、渠道……几十种运营，也看一套指标？

这些大而全的总结，总是看似有理，实际不好用。

最终导致的恶果，就是自嗨型数据报表。

看似罗列几百指标，拆分数十维度，每天更新累得夯吃夯吃，可一看，报表打开率不到10%。

运营、产品、销售们遇到问题，还是提临时取数单，每天光跑临时取数就跑到断手指……

  2   

什么是数据分析体系

如字面意思，数据分析体系包含两点：

1、数据分析：

意味着不能光罗列数据，而是要对数据做解读，解释数据背后的业务含义，找到对业务有用的点。

2、体系：

意味着不能毫无逻辑的铺陈数据，而是有节奏、有主次、有顺序地展现数据。

这样才能更有效率地支持业务，而不是埋没在无穷无尽的码sql里，也能更好地积累分析经验。

把数据报表、专题报表串起来，有层次地展现，应用到业务中，才是真数据分析体系。

  3   

搭建数据分析体系的基本思路

数据分析本质是为业务服务的。

尽可能多地帮助业务工作，少浪费业务时间，才是服务宗旨。

所以，在搭建数据分析体系时，要先问自己：

1、我在为谁们服务？

2、他们中每一位，有什么工作职责？

3、提供什么样数据，能更好帮助他们工作？

4、在什么时间提供帮助，能更少干扰他们？

这就是搭建数据分析体系的基本思路。

▌ 第一步：

认准服务对象

企业有部门分工，因此第一步要认准：

我在为哪个部门服务。

这非常关键！

因为即使同一个问题，不同部门的关注点会不同。

同样是销售问题，如果是销售部看，关注的是每一支销售队伍完成率、进度、质量。

如果是供应链看，那关注的就是总量、各产品数量、需求高峰期。

如果是风控看，那关注的就是回款、坏账、套利。

认清部门，有利于了解真正需求点。

其次，部门内有职级高低，要具体区分：

谁需要看报表，他的责任与关注点是什么。

同样是销售，部门领导关注的是下属队伍的排兵布阵，重点在什么区域，主打什么产品。

每一个销售人员，关注的是要跟进哪个客人、跟进哪一步、见人说什么。

一般来说，越是管理层就越关注策略问题，越是基层就越关注执行问题。

即使有些看起来一个人也能办的事，在企业里也有分工合作。

比如公众号发文章，似乎一个人就能写，可在企业场景里，人家有专业的名字叫：

新媒体运营。

也有细致的工作分工。

▌ 第二步：

明确工作目标

清晰了人以后，要认清每个人的工作目标。

量化目标，是数据分析的灵魂。

后续评价工作的好坏，判断业务走势正常还是异常，探索解决问题的办法，都是从计算目标和现状的差距开始的。

这一点非常非常重要。

很多做数据的人陷入细节，做的报表看不出所以然，都是因为压根不知道到底数值是几才算好导致的。

业务目标并不都是“1个亿小目标”这种简单粗暴的形式。

细分之下，可以有多种类型，比如常见的：

1、按达成时间分：

年、季度、月

2、按委任形式分：

长期任务/临时任务

3、按服务对象分：

自身/其他部门

4、按服务对象分：

领导/组长/员工

5、按流程位置分：

结果型目标/过程型目标

继续拿新媒体运营举例，一个小组，可能同时背着多个目标：

注意：

不同目标之前有逻辑关系。

比如年度的涨粉任务，可能由促销活动涨粉、裂变涨粉、爆款文案涨粉、自然增长多种形式组成，一个大目标对应多个小目标。

把各种目标按大小归属、时间顺序梳理清楚，就有了分析体系的基础框架。

后续，我们可以跟着这个框架来跟踪目标完成情况，诊断运营效果。

这就推进到了下一步。

▌ 第三步：

跟踪业务走势

有了清晰的责任人、目标，就可以跟踪业务走势。

在跟踪的时候，首先关注的是：

目标达成情况。

对于目标达成率监督，涉及到后续一系列行动判断，遇事先判断轻重缓急，再看细节（如下图）。

需要注意：

不同等级的人，关注重点不同。

还拿新媒体举例子，具体负责内容的小哥，可能要对每一篇稿子负责；负责投放的小哥，要对每一次投放效果负责；单次执行不好，就得进行复盘，总结问题。

但作为运营组的组长，可能更关注整体KPI达成情况，一篇文章不行，只要从其他文章能补回来就行。

很多基于传统企业场景的数据分析体系，写到这就结束了。

请注意，做到这一步只能算完成了“数据监督体系”的建设。

因为仅仅看目标数量和完成率，是知其然、不知其所以然的状态。

我们并不能回答“为什么做得不好？

该改善什么？

”这种问题。

想要回答得更细，就得深入到业务过程中，了解具体行动。

（传统企业停在这里，更多是传统的门店、业务员销售模式缺少数据记录，不代表不想深入做）。

▌ 第四步：

了解业务行动

想要改善一个业务，就必须了解这个业务。

大部分的业务比我们想象得要复杂。

比如新媒体运营，不做的人可能想当然地认为：

不就是写个文章吗？

我看阅读数、转发数这些数据不就好了……可实际上，细看之下，一篇文章可能有很多业务细节（如下图）：

了解业务行动，分解业务细节，是为了“找到数据可以帮助的点”。

数据不是万能的，比如一个新媒体小哥写文章，数据不能只告诉他怎么写。

但是具体到业务细节，数据可以提供很多参考，如下图所示：

这一步，是提升数据分析质量的关键。

拆解业务行动，找到数据的帮助点，我们就能在跟踪进度的时候，进一步分析问题，这就推动到了一下步。

▌ 第五步：

复盘行动结果

对业务行动细节很了解，就能复盘行动结果，总结经验。

数据的优势，不是直接生产出超人的创意，而是事后总结出普遍的经验。

优秀的业务能力永远是稀缺资源，是不可复制的。

但通过数据分析复盘，可以把明显的作死行为总结出来，避免普通人犯错。

就像写文案，指望每个创作者都成为半佛仙人这种圣手是不可能的，但是能总结出：

1、时政类话题热点转化率低于情感类50%，不用来做转化。

2、周四、周六推送阅读低于其他时间40%，不做推送

3、链接跳转超过3步，转化率下降30%，控制篇幅

4、…

有分析结论，就已经能帮助运营规避大量坑点。

即使偶尔采坑失败，也败得明白：

“没办法了，必须这个点发文，亏一点阅读就亏一点”。

做业务从来不怕失败，怕的是败得不明不白。

如果能长期积累，业务方经验越来越丰富，遇到问题的思路也越来越清晰了，就真正发挥了数据的作用。

但是，问题不是一成不变的，因此数据分析体系也要不断迭代升级。

  4   

数据分析体系迭代升级

牢记这个标准：

坚守目标，迭代方法，积累经验。

这是数据分析体系建设的基本方法，底线，也是最高要求。

在这个原则下，数据分析体系迭代升级路线如下图所示：

1、设定目标后，分月、周、日报表，跟踪目标完成率。

2、在目标达成出现问题时，先判定轻重缓急，再看细节。

3、针对重点问题，提供临时性支持，探索原因，解决问题。

4、根据经验指导后续工作，沉淀有效方法，指导以后目标制定

这样的体系运作，业务部门也很轻松：

平时只要看几个核心KPI达成率即可，平安无事就不用担心，趋势向坏的时候能及时收到预警。

想要思路，也能有足够素材用，使用体验非常爽。

而数据分析师本身，固定KPI、业务支持做成数据产品，个案分析做专题。

产品和专题做多了，也好体现个人成绩。

总比无休无止写sql，写了也不知道干啥去了强得多。

  5   

小结

建设数据分析体系，本质是个“从业务中来，到业务中去”的事。

需要大家多在内部花心思。

然而，很多新手太过纠结理论、方法、模型，忽视、无视、轻视业务。

觉得别人的工作没技术含量，“不就是发个文章”“不就是忽悠客户”，只有自己的算法才是真牛逼无双。

遇到问题，不会细致地和业务沟通，只会上各个数据分析微信群问：

“有没有XX指标体系啊，最好是权威、标准、BAT认定版的”。

这就南辕北辙了，最后只会换来一句：

你这不符合我们公司情况啊。

好的数据分析师，要像眼科医生一样。

配眼镜可能有很多专业的方法，有很多专业的工具，可在配的过程中，却医生纠结的不是自己的理论，而是关注用户看得清不清楚，不断问用户“这样可以吗？

这样更清楚吗？

再这样试试呢？

”用专业的方法服务个性化需求，这才是专业的人干的事。