数据分析第一周

  1. 云栖社区>
  2. 博客>
  3. 正文

数据分析第一周

sixkery 2018-10-02 22:42:00 浏览630
展开阅读全文

数据分析的结构层次

  • 底层数据的收集/产品端收集
    数据采集简称埋点,收集用户在网页端,产品端,客户端等终端的数据,也包括第三方外部数据。
    用户行为-原始数据
  • 数据业务化/产品需要什么样的数据?
    将收集的数据转换为可理解,可量化,可观察的业务指标。单纯的数据没有意义,只有和业务结合起来才能发挥价值。
    原始数据-加工数据
  • 数据可视化/产品的表现如何?
    有了数据指标,必须管理好指标,数据分析体系即数据指标体系,指标需要监控和衡量。
    加工数据-可视化数据/信息
  • 数据决策和执行/怎样让产品更好
    当从数据虫获得了洞察,就需要把洞察转换成策略。这也是包含分析的过程。执行既包含策略的制定,也包括优化和改进,这是持续的。
    可视化数据/信息-数据决策
  • 数据模型/产品开始自动化和系统化的运营
    这是将决策制成数据应用和产品,当你洞察到数据中蕴含的规律,什么样的用户喜欢,什么样的商品会被购买,什么样的活动形式更好,就尝试把这些做成系统。
    数据决策-数据产品/应用
  • 数据战略/指导未来
    当积累了大量数据,大量模型,大项数据应用时,公司级的数据体系已经具备雏形。它不只是数据分析,而是应该将数据变现。
    数据工具-数据体系/战略
img_fd66bfbd8ac259657437dd814d748436.png
结构图

数据分析图,从下往上看。


数据分析思维

数据分析的三种核心思维

  • 结构化
  • 公式化
  • 业务化

结构化

看一下在实践中遇到的问题


img_b64ed84f12eeff21a6066807bebcb5b4.png
分析案例
img_ccf76c1205a531c6f060282f00d532a8.png
错误的想法

结构化的清晰表示

img_c314bd990202bc66d710edbf65907729.png
结构化

结构化的思维来源于麦肯锡,大名鼎鼎的金字塔思维。

结构化的思考方式
  • 核心论点:
    寻找金字塔的顶层,它可以是假设,是问题,是预测,是原因。比如说上面的案例中的「8月份销售额度下降」
  • 结构化拆解:
    自上而下,将核心论点层层拆解成分论点,上下之间呈因果或依赖关系。
  • MECE
    相互独立,完全穷尽。论点之间避免交叉和重复,分论点们要尽量完善。
  • 验证:
    不论核心论点还是分论点,都应该是可量化的,用数据说话。它们必然是可验证的。

上边案例的分析思路:


img_161cc647edd8f2f7b503de3fd9fcca18.png
金字塔分析

在机构化思维中思维导图经常被用到,通常适合单兵作战:


img_528cd64899569c4a94aa443db8578a58.png
xmind

但是结构化不是完美的。

公式化

结构化是分析的思维,但他还不够数据,而且难免有发散的缺点。


img_88a18fcd87a2db47453d1eafd9560346.png
公式化

公式化不会用到统计学,数学的原理,通常只是加减乘除。
比如:

  • 销售额由什么组成?
    销量和客单价相乘。
  • 利润由什么组成的?
    销售额收益和成本相减
  • 销售额是单一的维度吗?
    不是,销售额是多个商品/SKU的总和
  • 地区销量由什么组成?
    不同线下渠道的累加
  • 销量还能在细挖吗?
    不妨想象成人均销量和购买人数


    img_217ee50bce85c4de2533339506bf0d61.png
    公式化的思维导图
公式化的应用场景
  • 不同类别的业务叠加可以用加法
  • 减法通常用来计算业务之间的逻辑关系
  • 乘法和除法是各种比例和比率
获取用户的案例
img_d5f0e72e06e1679e73b3918c64799bfa.png
获取用户

业务化

如何预估上海地区的共享单车投放量?

  • 从城市流动人口计算
  • 从人口密度计算
  • 从城市交通数据计算
  • 从保有自行车计算
    从结构化和公式化分析会出现片面化的感觉,通常会有什么因素会被我们所遗忘。所有我们要综合三者来考虑问题。
三者对比
  • 结构化 + 公式化
    道理懂了很多,但里分析水平大成,总还是差了一些,不知道原因在哪里?
  • 业务化
    为分析而分析,却没有深入理解业务,俗称不接地气。好的数据分析思维,本身也是具备业务思维。
    img_5b0ea40025d51a220374bbf2ba44286f.png

    这个例子中数据分析得出了结论,这些结论看似是一个正确的结论,但都不是的。
    比如说效率低的原因是什么,是最近奖金不多,还是夏天太累。产品质量不佳是因为原材料不好还是什么。
    所以用结构思考 + 公式化解,获得的最终分论点。很多时候,是现象,数据是某个结果的体现,但并不代表原因。要想真正了解还需要加上业务思维深究一层。
    但通常来说数据分析人员和业务方的交流不是太好,接触不是太频繁也是分析不到位的原因。这个时候就需要:
    1、多和业务方沟通
    2、多从业务方的角度看待问
    3、最好能参与到业务中去
总结
  • 结构化思维:捋顺思路
  • 结构化数据:将其可视化
  • 结构化业务数据:落地,贴合业务

数据分析的思维技巧

数据分析技巧

三种核心思想是框架型的指引,实际应用中也应该借助思维的技巧工具,达到四两拨千斤的效果。并且,他们应该足够简单和有效。

七种基础方法

象限法、对比法、二八法、漏斗法、指数法、假设法、多维法

网友评论

登录后评论
0/500
评论
sixkery
+ 关注