很多做数据的同学,光看着自己写报告,看不到自己的建议被落地,常心怀缺憾。觉得不能像产品/运营那样,打造一个数据分析的闭环,能力也没法提升。其实这是一种误解。今天结合一个具体案例,看看数据分析的闭环,究竟如何打造。
问题场景:
某餐厅,其所在的商场原本可免费停车,从本月起改为收费停车,而且停车费相当贵。餐厅店长纠结:停车费是否会影响收入。问:该如何做分析?
这里最容易范的错误,就是列了一堆数据
l昨天收入10000
l前天收入12000
l环比增长20%
l……
这是不及格的回答。仅仅罗列了数字,没有任何结论。因为问题是:“停车费是否会影响收入”。所以分析的最终结论,至少应该是:“会/不会”。
注意,只回答会/不会,仍不是完整的答案。
如果是会影响,那到底是影响一点点,还是能直接把店干垮了?
如果是不会影响,那为什么停车场收费以后“感觉”客人少了?
这些疑问需要进一步的回答。一个完整的分析,不应该只陈述结论,而且应该附上数据论证过程。这是数据方法与其他方法的最大区别。
听听都有理,但是完全无法用数据验证,因此也就是纯嘴炮级别的讨论。
要完整地分析,需要用数据论据支撑论点。比如论证:不会影响收入
2、收费前/后收入结构没有变化(并非某些人少了,某些多了,总和不变)
3、收费后的波动,是非停车场因素导致的(比如自然波动、促销影响)
4、其他影响消失后,收费后波动也消失,和收费前一致
注意,有可能收费带来的是长期影响,有可能需要多观察几周才能看到更明显的规律,所以结论也是可以分短期、中期、长期推出的。因此在给结论的时候,最好给出监控指标,避免后续无法追踪长期效果。
但是这样还没形成闭环。因为即使到这一步,输出的还是个结论而已。 结论对不对,需要时间来检验。结论有没有用,需要落实到业务上才能见成效 ,因此还要继续往前推。
注意,同样的数据结论,有可能在落实到业务的时候,出现完全不同的声音。比如已经在上一阶段落实了:停车收费会影响会员用户消费人数,板上钉钉了。
该咋办呢?可能有完全不同四种声音:
A说:找物业协调一些免费停车票不就好了,谁停车给谁
B说:老会员跑了,新会员补上不就好了,该给新会员补贴
四个声音相互矛盾,无论如何,最后肯定只采纳一个意见。另外三种很有可能永远都没有机会检验。
此时数据分析师该咋办?答:用MECE法,把各种意见都梳理出来,然后先设好监控指标。之后无论哪个意见被执行,都能监控其走势,检验分析是否正确(如下图)
经过检验以后,正确的认识被保留,问题结束,闭环完成。不正确的认识,可能需要好几轮测试才能淘汰掉,逐步逼近正确。这里可能需要耗费大量的时间,特别是很多产品/运营迭代很慢的企业,一晃几年都有可能。
这里也有可能消耗大量的成本,特别是业务上无视数据,固执己见,不撞南墙不回头,甚至撞得满头血都不回头的。
行动迟缓、无视数据、刚愎自用,都会导致业务失败。但注意,这些是业务本身犯的错误。如果数据分析能在多轮迭代中,成功预知到这些错误结果。那么数据分析已经实现了分析闭环,并且提升了自身能力。
要特别注意一个问题,就是在提假设阶段,只给预判,不给预判逻辑。在总结阶段,只看大结果,不看过程。 这种不顾细节的做法,跟算命瞎猜没啥区别 ,也经不起反复实验的检验。
聪明的同学们已经注意到了,数据分析的闭环,是不需要经过业务同意就能建立起来的。因为在第三步,已经通过MECE方法,对每种可能性建立了监控指标,并做出了预判,因此无论业务选哪条路,都能检验数据分析的准确性。
相比之下,运营和产品就被动得多,很多基层的运营/产品就是领导的传声筒,除了忠实完成老板交办任务外,没有自己的想法——有也没有用,老板一句不同意,就能把万丈豪情打成粉末。相比之数据分析,真是惨太多了。
如果每次数据分析做出的预判都很准的话,就是所谓: 知其所以胜,知其所以败 ,这就是数据分析的最高境界了。说明分析师本人已经抓住了一个业务的核心规律。
当然,不准也没关系,特别是新手刚起步的时候,能做好前两步已经很好了。这一点需要长时间的锻炼与积累才能实现。同学们一起加油哦。