产品经理如何从数据中锻造解决问题的能力(这两种方法送上)

问题:想做一名数据分析师,自学了《统计学》、R、SQL等。入门级别的,现在有点迷茫了,下步学什么才是合适的?

我目前自学了《统计学》、JAVA、R、SQL、SPSS。但都是学到学门级别的,现在有点迷茫了,数据分析有那么多工具,不知道学哪些才是最正确的,不知道怎么规划了(问题重点)。我目前考虑的问题主要有两个:

  • 短期希望找到一份相关的工作(目前事业编混日子)。
  • 长期规划是做一名数据科学家不想走偏了。

正文:

同样是因为喜爱而转行踏上数据科学之路。

毕业工作后,业余时间我一直在关注人工智能的新闻,出于兴趣开始在晚上自学相关的理论知识、工具例如统计学、python。突然有一天,我心血来潮,忽然想通了,为何不投身喜爱的行业,要不然也只是空有一腔热血。

于是我便马不停蹄地开始学习Python,并决定从人工智能时代通用基础能力——数据分析入手。

但因为是零基础转行,所以刚入职很多都不会,挨骂最多的就是做的计划不落地、提的方案脱离业务场景……经历了许多项目、积累了经验后,我总结了以下能帮到你的经验。

一、工具篇——硬实力

从题主学习了这么多工具的经历,想必跟我一样是个“工具控”,接触到有趣又强大的工具会忍不住去学习。

现在我作为数据分析师,题主说的工具我都有在用,目前我在用的一些相关工具的应用场景:

1. Python

常用的数据分析工具,数据科学界的明星产品。几乎是万能的工具,尤其是在解决重复性工作、大数据分析等场景方面特别好用。在Python列入小学课程的时代里,它绝对是值回票价的编程语言。

2. SQL

通用的数据库语言,对于数据分析师而言,可以完成取数、分析工作。所谓巧妇难为无米之炊,SQL可以从源头上解决无数据的问题,要不然你是无法想象IT是如何拒绝或延后你的提数需求的。

3. SPSS

“傻瓜式”的数据分析图形软件,可以像操作Excel那样点点点,很简单地完成复杂的数据分析工作,例如相关性分析、回归建模等。

(如图为我在实战中使用SPSS进行特征挖掘的PPT)

目前我工作中,很喜欢用它的可视化决策树。在实际的数据挖掘工作中,可解释性是很重要的一环,它很多时候决定了模型的逻辑及结论是否被业务所认可。众多模型中,线性/逻辑回归在这方面绝对是老大,而在我发现了SPSS中将决策树模型可视化这个逆天功能后,它就成为了我分析的最爱之一,得益于易懂的可视化图形,它的逻辑与结论往往也很能被业务所接受。

4. R

数据科学界的老大之一,统治着专业的统计学、生物、医学等领域。目前我在用它,是因为公司的销售预测模型是其他同事用R语言写的。

R与Python的差异在于:R是统计语言,有很多优秀的框架,例如Python里最常用的Pandas库就是从R移植过去的,再例如可视化图表的库的表现一骑绝尘。但是在自动化办公、应用领域却没有Python广。

所以,建议刚入行的童鞋先学Python这个性价比高的语言,等有进一步明确的需求后,再按需学习R即可。

5. Power BI

非常优秀的可视化分析工具。在用Python做数据分析时,很多时候只能将分析结论可视化后黏贴到PPT里,对业务来说,他们更想要有可互动、动态更新的可视化分析结果。而这,就是我应用PowerBI的场景:数据导入后,建模分析,形成的分析报表业务直接点点点就可以感受到数据变化与特点。

但是PowerBI的建模思维有一定的门槛,而对于大多数分析师来说,Excel的图表已经可以满足。所以建议初学者先学习灵活应用Excel的可视化能力。

6. JAVA

是使用最广的开发语言,与数据分析关系不大。我之所以学它,是因为我负责的数据产品几乎都是用Java开发的数据接口,所以才需要懂一些基础。

想要从事数据分析工作的同学,不建议学习Java

7. 分析工具的优势

以上的提及的工具,建议挑选1-2个,如SQL+Python,进阶学习。最重要的是进行项目实战,可作为短期找工作的敲门砖。

掌握分析工具可以更快地在业务公司抢得眼球,可以应对复杂的业务需求。

工具无法解决的问题——对业务场景的理解

工具可以解决很多深度分析需求,但是重要核心还是用工具的人,分析思维还是要回归业务场景。

二、思维篇——软实力

职场里真正重要的是:解决问题的能力,而它由定义问题、找到原因、落地建议三部分组成。

业务需求的提出,简单地说,便是业务在运营过程中,发现了问题,故想通过数据分析找出问题原因所在,进而解决它。

1. 定义问题的能力

只有正确的问题才能指引数据分析工作往正确的方向进行。

从一个模糊的问题说起:今天领导提出,最近老客表现差了。

下面对领导提的问题进行剖析:

【观点与事实】

“最近老客表现差了”,首先这是一个观点,不是事实。

【还原事实真相】

作为专业的数据分析师拿到这样的观点之后,第一件事是要还原事实的全部:

  • 最近:最近是多长时间周期,这周?近三周?还是上个月?
  • 老客:如何定义老客?以往注册过、但并未消费的客户?还是说一定是有历史消费的客户?
  • 表现:哪个指标?重购金额?回柜人数?
  • 差了:是同比下降,还是环比下降,还是说增长幅度不及预期?

面对领导的业务观点,我们还原的事实是:上个月(2020年12月1日-12月31日),以往消费过的老客,在回柜消费时产生的消费金额,环比(与2020年11月1日-11月30日)下降了30%。

【事实与观点】

组建好事实集合后,要利用信度效度思维,重新审视领导的观点是否客观、合理。

信度:

代表的是数据的可靠性程度和一致性程度,反映数据的稳定性和集中程度

也就是说,数据计算结果之前的取数逻辑、数据清洗工作是否合理,是否符合业务场景逻辑?

效度:

指测量工具能够准确测量出事物真实情况的能力,反映数据的准确性。

简单地说,这样环比的比较是否有意义?例如品牌或行业属性是节日敏感的,上上个月有双十一大促,而12月是淡季没有活动,不论是横向与行业内其他公司,还是纵向按往年的经验,12月重购金额比11月下降20-30%是合理的波动区间。

所以,这样的事实似乎无法支撑领导的观点。

2. 寻找原因的能力

实际工作中,找到问题,并将它明确之后,就要抽丝剥茧般找到问题背后的原因,而这一定要回归业务场景本身,才能在理解业务的背景下,通过数据分析,找到原因所在。

【了解业务】——梳理业务流程

了解业务的过程,实际上就是在不断沟通的过程,这也引申出数据分析师职业特性:沟通、沟通与沟通!对此暂不展开讲。在与业务沟通的过程中,要尽可能多且深入地了解目前业务的动态,尽可以还原业务的全貌。

这个例子里,因为是在单品价格高的行业里,客户购买产品后,因为产品价值高,所以一般都会存在护理需求,所以售后政策是在质保期内可以免费护理1次。

而业务也正是找到了这个切入点,针对已享受过护理次数的客户,赠送免费的护理次数,以吸引他们到店来护理,而有了面对顾客的机会,自然也就有进一步销售的可能。所以现场还会准备新品、活动宣传等材料,处处精心营造成冲动消费的心理暗示。

【建立公式】——数据思维+业务流程

从业务流程中抽象出来:圈选目标客户 → 通过护理吸引到店 → 营销促销 → 消费。

应用数据思维,进一步抽象成公式:老客重购金额 = 目标老客数 * 到店率 * 转化率 * 客单价。

抑或用“人货场”业务思维进行讨论。

【理解业务】——搭建业务模型

基于公式,将流程建成立体的网状结构,形成针对某个具体场景的业务模型。

【数据分析】—— 找到问题所在

通过在业务模型的框架内进行分析比较,我们才能看到某一个业务的全貌,才能发现背后是哪个模块引出的问题。例如案例中,数据分析发现触达客户中,回柜率很低,问题可能在“老客”、“回柜”。

从历史数据上看,此次采取的吸引到店玩法都是很成熟的策略,有很好的成功案例,数据表现良好,所以问题可能就是出在“客户池”——运营维护部分,如没有分群营销。

3. 落地建议的能力

【KPI相关】

分析项目是否可推动实现很大程度上取决于是否切合业务KPI。

根据多次和业务合作的经验,尤其是对数字化决策不那么敏感的公司, 甚至是由上至下的数据分析项目,分析结论很容易沦为一纸报告,而不了了之。很大程度上,是因为分析建议与实际业务动态偏离,即并不是业务的考核重点。在资源有限的情况下,也就难以执行。

所以,在最后给落地建议的阶段,还是要回归业务,了解业务的运营计划,在现有的项目下,去试验、实践分析建议。

【符合实际操作】

不要尝试去改变业务习惯。

问题在于用户分群的问题,应用RFM模型进行精细化运营。一般来说,RFM模型分为八大人群,根据不同人群特点进行精细化管理,例如案例中,针对重要价值人群进行新品发布会邀请等差异化体验,针对重要唤回人群进行节日关怀策略等。

但是如果了解实际业务操作的话,对于零售企业来说,并不会按八个人群去实践,而是选其中的几个重要人群,或者进行二次组合,以减少客服部门的触达量。

知道这样的背景后,就不要再去建议说分成八个人群给不同的建议,而是有优先级地划出人群优先级,或者配合给人群合并运营建议等。这样考虑到实际操作情况,业务自然也能感受。

【分析深度】

另一个落地建议,就是一定要具体可行。

在已知数据分析结论不容易落地的情况下,将结论建议尽可能地具体,给出“令人惊喜的”发现,才能更容易去推动项目。

但是不要忘记数据分析与业务执行之间的边界,在大部分情况下不要尝试去给具体的落地计划,否则很可能会引起反效果。

如何做到具体可行?则需要纵向的分析深度:

分析模型的深度理解:

如图RFM分析案例中,但在我看来,RFM模型的’KPI’在于良性人群的占比提升。所以将门店RFM人群结构及关键数据进行同期对比,可以达到进一步分析的目的。

杜邦分析与指标拆解:

数据分析的结果该如何落地?

我分析出了我认为有价值的数据分析结果,但是不知道怎么落地,特别是在大企业里,要公司执行我的结果,是非常难的一件事,我做的有价值的数据分析,往往无疾而终,各位大神有什么办法吗?

作为常年与业务死磕的数据分析师,我刚入职那会也有过答主说的困扰:数据分析项目为何总是不了了之?以下是我经历多个项目后的落地经验。

一、什么是有价值的数据分析结果?

1. 分析逻辑紧贴业务场景

先问一句,这需求是业务提出的,还是主动发出的?

因为题主没有介绍所在部门与业务之间的关系,按我个人经历来说,确实存在很多数据分析需求并非是业务方提出的情况,也就是说所做的分析很有可能脱离实际业务。

如是业务方提出的话,还要规避一点:不要先入为主地认为业务说的都是正确的结论。

分析师在分析需求时,要批判性地、利用效度信度思维去判断需求,刨根问底地还原场景。这个过程应该由专业的数据分析师主导。

这一部分实际上是确保方向是正确的,业务对支撑结论的数据分析逻辑是认可的。

2. 分析结论与建议是否与具体业务结合

除非是已具备较好数据思维能力且已习惯与此的人,要不然对于大多数业务而言,数据分析或许是可以有一点结果,但是还是很难想象在具体业务中如何应用落地。

要想分析结论具体落地,需要达到两点:

(1)深入下钻分析能力

这一点,实际就是数据分析师自身的功夫,面对业务问题,能否不断下钻分析以找到最细粒度的解决方案及业务增长点。

杜邦分析法

举一个我实际业务中的例子:业务公司明年要针对K产品发力,销售额增长100%,如何做?

第一,因为对接的是用户运营部同事,所以其考核的KPI指标是复购人群比例及其金额占比,即是 要通过精细化人群运营,提升复购率。

第二,利用RFM模型对现有人群进行结构剖析,发现重要人群占比同比下滑,且客单价有一定程度下降。

第三,针对发现的重要人群,逐一进行杜邦分析-指标拆解分析,发现:如重要价值用户客单价的下降主要是由店铺的平均吊牌价引起的,即可能是因为店铺产品销售结构变化引起,所以进一步将该人群与产品交叉分析,发现销售结构并无显著变化,而发现问题是在高价的A、B品类成交价的下降。

第四,综上可得对于明年K产品业绩增长,用户运营这块可针对特征RFM人群进行运营,对于其中的重要价值用户,注重A、B高价品类价格策略的调整

在与业务公司开会讲解分析报告后,产品、运营都能针对此具体的情况,主动提出他们的看法、行动计划与进一步的分析需求。

2. “点线面体”的思考能力

“点线面体”的说法是借用《梁宁的产品思维课程》里的说法,具体而言即是面对同一业务问题,需要同时了解、考虑如产品、运营、企划、供应链等多个模块,构建立体业务模型的思考能力,知道面对的某具体业务问题的抽象构成。

再举一个我实际业务中的例子,此前针对京东节假日复购人群的溯源分析:如圣诞节共有100名老客回柜复购,溯源分析即追踪这些老客上一次消费是什么时候,目的是为了节日前营销的精准人群圈选。

与业务公司开会时,业务老板根据此分析报告即可有具体的策略方向的判断:

① 结合京东渠道特性:男性数码产品爱好者较多,可知情感类节日如情人节、女神节及520节日购买我们首饰类产品的会员需求很可能是了送礼

② 如果假设一成立,这些客户在这三个节日有可能是会连续购买赠送对象的,所以运营方面同事可以考虑在三个节日设计打包套餐销售

③ 企划同事在针对送礼场景的包装设计及新品开发方面可配合进行; 用户运营同事在人群圈选触达方面,可重点关注当月及近期活跃人群。

我们都知道,领导是把控整体战略方向的,也就是说,我们某个具体的业务问题其实在他看来是个立体的多因素的构成。所以说只有建立“线面体”的业务模型,而不是分析某个点,才能与老板同频,分析师说的话他才能听得进去。

二、得到对业务有价值的结果后,如何应用落地?

1. 与业务KPI、运营计划挂钩

并不是每个部门都认可精细化管理、数字化决策,至少说从行动上并不能很好地执行。

我在与业务公司的用户部门对接时,尽管领导已经发话要做,但他们也还要去做运营、产品、企划等部门的工作。

具体来说,就是即使领导在会上交代让各业务部门针对数据分析结果,提出自己部门相关业务的看法和行动计划,会后基本都是“各回各家,各找各妈”的状态,还是需要分析师去主动沟通。

业务方尚且如此,我们数据相关的人员更是要想清楚数据分析项目结论可以怎样帮助他们做业绩提升。而这个就是在了解他们KPI、运营计划的过程,只要和这些内容结合,自然也就能搞掂他们了。

2. 对领导来说,这件事的利益点在哪

没错,成人的世界都是讲利益的。当然直接推动业务产生绩效是最好的利益点,但是现实情况可能会更复杂一些:

目标管理-SMART原则

如果业务是在本部门内部,大家都是自己人就什么都好说,只要明确测试场景后,基于SAMRT原则、甘特图等工具,提出测试方案、预估效果、ROI目标等,大概率就可以执行了。

但是如果是跨部门项目,例如分析师是在独立的数据部门,而业务是子品牌公司,则要“向上管理”,灵活地利用直接上级这个“管理工具”,建群、发邮件等,抓紧在分析报告解读会议上,就要把测试方案附在PPT后面,会上一并提出,在双方领导都在场的时候,最好能有明确的下一步结论。

需要按照项目管理的形式,不断推动分析结论的落地与业务价值提升。

文章由PM28网编辑,作者:海阁,如若转载,请注明出处:http://www.pm28.com/4991.html欢迎投稿

联系我们

在线咨询:点击这里给我发消息

邮件:403567334@qq.com

工作时间:周一至周五,9:30-18:30,节假日休息