自拍偷在线精品自拍偷,亚洲欧美中文日韩v在线观看不卡

分析指標(biāo)波動,數(shù)據(jù)模型得這么建

大數(shù)據(jù) 數(shù)據(jù)分析
數(shù)據(jù)分析需要跑數(shù),但想解讀跑出來的數(shù),需要的是掌握豐富的事實情況,用數(shù)據(jù)量化評估其中可量化的部分,監(jiān)控其中持續(xù)發(fā)展的部分,拆解其中模糊部分,從而越來越接近真相。

當(dāng)業(yè)務(wù)指標(biāo)開始波動的時候,人們總會有問題:

“為啥漲了5%”

“為啥又跌了1%”

“為啥漲了2天又跌了?”

“為啥三天了都沒變化呀?”

總有十萬個為什么,從各個部門口中脫出,然后搞得做數(shù)據(jù)的同學(xué)天天忙著跑數(shù),暈頭轉(zhuǎn)向不說,還落個:“為啥不能事前洞察?”“你這也不深入呀!”的抱怨。

咋整?今天系統(tǒng)講解下。

一、常見的錯誤做法 

最常見的做法,就是遇到指標(biāo)變化就拆解。各種維度都拉出來做交叉,最后哪個差異最大,就說是哪個因素導(dǎo)致的指標(biāo)波動(如下圖)。

圖片圖片

而這么做,非常無腦+低效。

無腦,是因為:業(yè)務(wù)方關(guān)心的是具體的問題。比如:

是不是新品不給力

是不是對手有動作

是不是執(zhí)行沒到位

是不是環(huán)境有變化

……

這些業(yè)務(wù)原因,不是數(shù)據(jù)庫里“性別、年齡、地域、產(chǎn)品名”這樣的簡單維度能概括的。因此即使拉出交叉表來,也不能解答這些深層問題。

低效,是因為:嚴(yán)重浪費數(shù)據(jù)分析師的時間。相當(dāng)多的波動,丫根本就是自然波動,或者是業(yè)務(wù)自己整出來的活。相當(dāng)多的波動,就是單純因為開發(fā)動了埋點又沒吭聲。這些問題根本不需要反反復(fù)復(fù)拉交叉表。只知道逼數(shù)據(jù)分析師拉交叉表,不但浪費時間,而且錯失了總結(jié)規(guī)律,深入分析的機會。

那么,怎么優(yōu)化做法呢?

二、診斷模型三大關(guān)鍵

從源頭上看,反問三個靈魂問題:

1、是不是所有指標(biāo)波動都很重要?

2、是不是所有波動都原因未知?

3、是不是所有波動都值得行動?

回答是:不是、不是、不是!

至少3/4以上的波動是計劃內(nèi)的、可預(yù)知、不值得理會的。因此事前的基礎(chǔ)工作,遠(yuǎn)比著急忙慌有用。把指標(biāo)分清楚,原因提前收集,結(jié)果提前預(yù)判,是系統(tǒng)解決問題關(guān)鍵。想達成這一點,靠的是整個工作流程的支持,而不是一串神秘代碼。

三、區(qū)分核心、附屬、邊緣指標(biāo)

同收入、成本、利潤相關(guān)的,都是核心指標(biāo)。核心指標(biāo)發(fā)生波動一定是優(yōu)先關(guān)注的。

附屬指標(biāo),則是組成收入、成本、利潤的過程指標(biāo)或子指標(biāo)。比如用戶數(shù)、轉(zhuǎn)化率、客單價等等。附屬指標(biāo)的波動是問題嗎?不一定是。很有可能只是業(yè)務(wù)發(fā)展有了新形態(tài)。因此,不需要每天看變化,而是關(guān)注發(fā)展趨勢(如下圖):

圖片圖片

邊緣指標(biāo),而是一些不直接相關(guān),甚至不可準(zhǔn)確量化的指標(biāo),比如滿意度、NPS等等。這些指標(biāo)監(jiān)控其長期趨勢即可。并且,關(guān)注口碑、輿情中極端個案(特別不滿的顧客或者惡意攻擊)會比看統(tǒng)計指標(biāo)更有價值。

當(dāng)然,不同業(yè)務(wù)的核心、附屬、邊緣定義會有差異。但區(qū)別對待是必須的,不然很有可能出現(xiàn):“分析了一堆,對業(yè)績影響一毛錢都沒有”的窘境。

四、理清正向、負(fù)向原因

常見的正向原因:

  • 促銷活動
  • 政策利好
  • 新品上市
  • 新店開張
  • 旺季到來

常見的負(fù)向原因:

  • 系統(tǒng)宕機
  • 政策利空
  • 舊品退市
  • 陰雨天氣
  • 淡季到來

這些不但可以提前知道,而且其中相當(dāng)多的部分,可以提前做分析,給出可接受的范圍。

淡季/旺季,可以用周期分析法,從過往數(shù)據(jù)中提取周期波動規(guī)律(如下圖)。

圖片圖片

促銷活動,可以先對活動類型打標(biāo)簽,再根據(jù)過往數(shù)據(jù),測算每一類活動投入產(chǎn)出比。

圖片圖片

新品上市,可以先對商品類型打標(biāo)簽,再根據(jù)過往數(shù)據(jù),測算商品LTV曲線。

圖片圖片

新店開張,可以先對門店類型打標(biāo)簽,再根據(jù)過往數(shù)據(jù),測算店鋪LTV曲線(原理同商品分類)。

通過標(biāo)簽分類+復(fù)盤分析,大部分自然原因、人為原因?qū)е碌牟▌?,可以得出一個量化范圍。在事前收集這些原因,就能極大地緩解指標(biāo)波動帶來的神經(jīng)過敏,聚焦真正該聚焦的問題。

注意,這里有兩類問題是很難事前準(zhǔn)備的:

1、突發(fā)型事故,比如系統(tǒng)bug,惡劣天氣等等

2、外部因素變化,比如對手促銷,政策風(fēng)險

這些需要溝通+問題排查機制解決。

五、常規(guī)溝通與問題排查

常規(guī)溝通:

1、從業(yè)務(wù):近期促銷上線、產(chǎn)品上下架計劃、開店計劃、投放計劃。

2、從技術(shù):開發(fā)進度、開發(fā)問題

3、從外部:新政策發(fā)布、生效;競爭對手已公布動作

問題排查:基礎(chǔ)數(shù)據(jù)質(zhì)量,常規(guī)日報數(shù)據(jù)核對。

所有信息,匯總到時間表上,就能形成解讀波動基本素材,之后靜待數(shù)據(jù)給出結(jié)果??唇Y(jié)果再決定是否深入。

圖片圖片

六、發(fā)生結(jié)果后診斷

A類:知道原因+期望內(nèi)+正向變化。只要沒有擊穿期望值,監(jiān)控趨勢即可。要問波動原因,就四個字:正常波動。

B類:知道原因+期望內(nèi)+負(fù)向變化。只要沒有擊穿期望值,監(jiān)控趨勢即可。要問波動原因,就四個字:正常波動。

C類:知道原因+期望外+正向變化。比如下圖所示,原本預(yù)計的上促銷會大漲,結(jié)果沒啥反應(yīng),啥原因?活動拉胯了唄……這時候直接切入活動分析細(xì)節(jié),讓業(yè)務(wù)方趕緊做做一手調(diào)研,想想救命辦法更靠譜。

D類:知道原因+期望外+負(fù)向變化。比如下圖所示,原本預(yù)計惡劣天氣持續(xù)太久,導(dǎo)致一些原本薄弱的門店快不行了。這時候要兵分兩路。

一路:分析是否有其他交叉因素,助紂為虐

另一路:做標(biāo)桿分析,看惡劣環(huán)境下有沒有應(yīng)急辦法

圖片圖片

E類:不知道原因+正向變化。超出預(yù)期是不是好事?不見得,比如回光返照式短期銷售暴增,如果業(yè)務(wù)方信了,又補了貨,那只會造成更大積壓,因此正向事件超出預(yù)期時,要格外注意關(guān)聯(lián)因素,比如暢銷品缺貨、滯銷品積壓、營銷成本暴漲(別便宜了羊毛黨)、投訴數(shù)量激增等問題。

F類:不知道原因+負(fù)向變化。這是得警惕的。這個時候要先“三看”

一看:局部問題or全局問題

二看:突發(fā)問題or持續(xù)問題

三看:有緩解跡象or越來越嚴(yán)重

(舉個簡單例子,如下圖)

圖片圖片

原則上局部、突發(fā)性問題,從內(nèi)部找原因更快;全局、持續(xù)型問題,有可能存在外部深刻影響。之前在分享《提升DAU,數(shù)據(jù)分析要怎么做?》的時候,有更詳細(xì)說明,大家可以參考。

總之,有了充分的基礎(chǔ)準(zhǔn)備,就能快速區(qū)分問題的輕、中、重,輸出分析結(jié)論,也能為后續(xù)分析做好鋪墊,避免漫無目地交叉。

七、小結(jié)

數(shù)據(jù)分析需要跑數(shù),但想解讀跑出來的數(shù),需要的是掌握豐富的事實情況,用數(shù)據(jù)量化評估其中可量化的部分,監(jiān)控其中持續(xù)發(fā)展的部分,拆解其中模糊部分,從而越來越接近真相。

需要注意的是,這些工作并非靠數(shù)據(jù)分析師一個人能完成。

如果領(lǐng)導(dǎo)自己都不清楚目標(biāo)

如果開發(fā)我行我素瞎胡亂搞

如果業(yè)務(wù)連啥叫“分類”都不懂

如果業(yè)務(wù)一定要扯“我做的就是牛掰克拉斯!一定是其他原因干擾了我!”

……

責(zé)任編輯:武曉燕 來源: 接地氣的陳老師
相關(guān)推薦

2023-02-26 17:46:03

2022-01-04 18:40:54

數(shù)據(jù)模型波動

2020-05-15 16:59:41

Tableau數(shù)據(jù)分析

2010-05-26 14:37:56

Cassandra數(shù)據(jù)

2021-02-28 22:20:25

2021-01-27 05:17:27

數(shù)據(jù)分析指標(biāo)

2021-04-16 15:03:56

數(shù)字化轉(zhuǎn)型IT技術(shù)

2023-11-03 11:51:31

2024-11-27 11:44:08

2024-11-26 14:45:29

2009-09-18 14:07:51

LINQ to SQL

2012-03-05 10:54:03

NoSQL

2021-01-27 05:34:33

Python對象模型

2020-02-07 16:25:26

Java數(shù)據(jù)分析新型冠狀病毒

2017-06-27 10:08:29

數(shù)據(jù)倉庫模型

2016-11-02 12:32:47

數(shù)據(jù)分析大數(shù)據(jù)模型

2010-08-11 09:29:25

FlexJava數(shù)據(jù)模型

2021-07-14 10:09:05

架構(gòu)模型數(shù)據(jù)

2021-02-10 16:50:35

比特幣加密貨幣貨幣

2022-08-15 14:49:12

物聯(lián)網(wǎng)數(shù)據(jù)模型存儲
點贊
收藏

51CTO技術(shù)棧公眾號