數據分析到底應該怎么做? 數據分析怎么做?

編輯導語:作為數據分析師 , 了解業務是必然要求 , 隨后數據分析師才可以更好地發現、分析問題 , 進而給出問題解決方案 。 那么 , 懂業務了之后 , 數據分析師又應當如何做好數據分析?本篇文章里 , 作者結合自身思考 , 發表了他對數據分析的看法 , 一起來看一下 。

數據分析到底應該怎么做? 數據分析怎么做?

文章插圖
“SQL Boy/Girl、表哥/表姐、提數機器、報表maker、無腦調包俠?所以 , 你真的是個數據分析師么?”
雖然已經入坑數據分析幾年的時間了 , 也經歷了不少的業務 , 摸過不少的數據 , 做過不少的報表和報告 , 但是時不時地還是會懷疑:我做的真的是數據分析么?
為什么會懷疑?因為到現在為止也沒有人可以對數據分析的工作內容和方向有個清晰的定義 , 產品和運營的同學眼中的數據分析就是沒的感情的提數機器 , 老板們眼中的數據分析師是數據+UI的報表maker , 圈外人眼中的數據分析師……就是用大數據算命的吧?
因為沒有方向和期待 , 所以才會出現數據分析師野蠻生長的情況 , 也至于摸索了好幾年 , 可能才發現 , 數據分析大抵應該是:從業務中發現問題 , 用對業務的理解和邏輯思維分析問題 , 找到問題的癥結所在或者發展態勢 , 給出可行性的方案 , 然后協調各方的資源推動落地 。
從業務中來 , 回到業務中去 , 才能真的make a difference!
一、業務究竟是什么?誰都知道數據分析師要懂業務 , 可業務究竟是個啥?從來都是只聞其名 , 不得其精髓 , 以至于很多人就迷失在了第一步 。 業務雖然很復雜 , 但從數據分析的角度上來講 , 只需要關注以下幾個方面 。
1. 商業模式互聯網行業區別于其他傳統企業 , 傳統行業靠的是銷售產品獲利 , 互聯網企業的特點往往是:羊毛出在狗身上 , 豬來買單 。 通過什么樣的服務進行引流?又通過什么樣的服務黏住用戶?然后提供什么樣的服務進行轉化付費以及復購?
2. 產品我們提供什么類型的產品?面向的是什么樣的用戶?解決用戶什么樣的痛點需求?產品的主要流程是什么樣的?產品處于何種生命周期?是在驗證功能?還是在快速拓展市場?抑或是已經進入成熟期 , 要拓展新的領域或者做好用戶遷移了?
3. 運營對于產品的運營策略是什么?有哪些運營的策略和方法?線上線下如何推廣轉化?如何做好用戶的精細化運營 , 把錢用到刀刃上?
4. 渠道通過哪些渠道觸達到產品的目標人群 , 各渠道的用戶質量如何?投入產出ROI如何?
5. 銷售銷售方式往往取決于商業模式 , 如果是2B/2G , 一般來說需要做好關鍵決策人的運營 , 同時做好商務關系或者代理商建設 , 如果是2C , 線上線下如何配合?
6. 競品所謂的商業模式 , 無非就提供什么樣的產品服務 , 然后以何種方式賺錢 。
關注自身產品的同時 , 更要了解細分領域競品的情況 。 同一賽道的競品有哪些?共性的產品功能和服務是什么?我們的優勢和劣勢各是什么?未來有沒有機會可以突圍?

數據分析到底應該怎么做? 數據分析怎么做?

文章插圖
二、懂業務了怎么搞數據分析?已經把這么復雜的業務理了一遍 , 接到一個數據分析的需求 , 又該如何下手呢?比如 , 通過數據發現今日頭條APP的“低齡用戶”的留存率很低 , 讓你分析一下原因 , 怎么做?
【數據分析到底應該怎么做? 數據分析怎么做?】第一步 , 是不是應該把今日頭條APP的用戶使用流程梳理一遍 , 看看用戶究竟留存率低是在哪個環節流失了 , 梳理后主要應該有以下幾個關鍵流程:

數據分析到底應該怎么做? 數據分析怎么做?

文章插圖
然后 , 我們就要對"低齡人群"的留存率低的原因進行假設 , 進行了如下3種假設 , 這3種假設就來源于對業務的理解 。 如果理解得更加深入 , 可能會找到更直接的第4個假設 。

推薦閱讀