
數(shù)據(jù)分析中遇到的“圓”
與十年前不同,當(dāng)今令數(shù)據(jù)分析師迷茫的,可能不再是數(shù)據(jù)很少,而是數(shù)據(jù)很多;今天不是不知道玩好數(shù)據(jù)的重要性,而是不知道玩錯(cuò)數(shù)據(jù)的危害性,即所謂甜蜜的煩惱。一個(gè)數(shù)據(jù)分析師,如果能體會(huì)到,當(dāng)下數(shù)據(jù)存在的核心問題,并且能清楚解決辦法,就可以精益求精了。
這次想跟大家講的是一個(gè)由受、想、行、識(shí)四個(gè)部份所組成生生不息的圈(Feedback Loop),彼此互相推進(jìn)。
聽起來(lái)有些玄乎,不過結(jié)合例子說(shuō)就可能有意思了。
一、受
“受”,即是對(duì)周圍世界的感受
當(dāng)前,作為一個(gè)電商,去感受公司經(jīng)營(yíng)狀況的方式越來(lái)越依賴于數(shù)據(jù),但是,今天來(lái)說(shuō)很少有電商敢肯定的說(shuō)自己有較完整的數(shù)據(jù)去掌握公司的狀況,這里面主要有二個(gè)原因:
首先是“堵”,當(dāng)許多電商開始收集數(shù)據(jù)時(shí),發(fā)現(xiàn)數(shù)據(jù)分布在不同的地方。舉個(gè)簡(jiǎn)單例子,有的平臺(tái)不知道投訴的數(shù)量積攢到什么程度了,因?yàn)橥对V渠道有電話、郵件、微博等,沒有統(tǒng)一的口徑,沒有去收集整理,或者即使有數(shù)據(jù),只掌握在具體運(yùn)營(yíng)人員的手中,不能及時(shí)到達(dá)管理者的手中,如果一個(gè)公司的數(shù)據(jù)只有少數(shù)人才能看到,不能及時(shí)的上傳下達(dá),可想而知數(shù)據(jù)的驅(qū)動(dòng)力有多小。相信堵的狀況在電商中間很普遍,如果團(tuán)隊(duì)允許的話,當(dāng)然要整理,不然就像閉著眼睛在打架。
其次是“散”,電商缺乏數(shù)據(jù)運(yùn)營(yíng)的經(jīng)驗(yàn),只知道要數(shù)據(jù),卻不知道需要何種的數(shù)據(jù),或者空有數(shù)據(jù)卻無(wú)從下手。正好前幾天周末,有個(gè)電商和我說(shuō)了自己公司數(shù)據(jù)的運(yùn)營(yíng)現(xiàn)狀,他是一個(gè)傳統(tǒng)的企業(yè),收集了一堆很“散”的數(shù)據(jù),不知如何是好。我給的建議就是在一堆散亂的數(shù)據(jù)中,從自己擅長(zhǎng)的領(lǐng)域切入,比如傳統(tǒng)品牌電商對(duì)供應(yīng)鏈數(shù)據(jù)非常熟悉,就可以從最熟悉的供應(yīng)鏈數(shù)據(jù)去與其它數(shù)據(jù)關(guān)聯(lián)互動(dòng)起來(lái)看,比如一款產(chǎn)品賣出了10000單,但有沒有想到去關(guān)聯(lián)到把多少人看了卻沒有買的數(shù)據(jù)也收集起來(lái),交易數(shù)據(jù)和前臺(tái)瀏覽數(shù)據(jù)聯(lián)動(dòng)起去可以發(fā)現(xiàn)更多新的問題。
二、想
“想”,即是對(duì)事物的認(rèn)識(shí)與辨別
數(shù)據(jù)害死人,這是部分電商的看法。最直接的原因就是他們的數(shù)據(jù)雖然是對(duì)的,但客觀的數(shù)據(jù)受到主觀太多的影響,而導(dǎo)致實(shí)際造成中數(shù)據(jù)失靈,反而給電商指錯(cuò)了方向。比如沒有去掉數(shù)據(jù)中的噪音,比如來(lái)源就不對(duì),或者是主觀上就想找不客觀的數(shù)據(jù),比如做產(chǎn)品經(jīng)理的人,正在開發(fā)一款收費(fèi)較高的新產(chǎn)品,這個(gè)產(chǎn)品經(jīng)理會(huì)不斷說(shuō)服自己,拼命在數(shù)據(jù)中找一些你認(rèn)為價(jià)值高的用戶,最后越來(lái)越偏離客觀實(shí)際情況。當(dāng)分析人員遭遇“主觀”的問題,錯(cuò)誤的判斷也就在所難免了。
明白了這一點(diǎn),也就可以理解同樣的數(shù)據(jù)在不同的人眼中為什么會(huì)呈現(xiàn)出截然不同的圖像,因此看數(shù)據(jù),需要大家從多個(gè)角色進(jìn)行思考,而在這時(shí),又會(huì)遇到“離”的問題:
大家說(shuō)的數(shù)據(jù)不是統(tǒng)一標(biāo)準(zhǔn),就那轉(zhuǎn)化率來(lái)說(shuō),每個(gè)部分的分子和分母都不一樣,市場(chǎng)部門說(shuō)一個(gè)渠道轉(zhuǎn)化率,網(wǎng)站運(yùn)營(yíng)說(shuō)一個(gè)頁(yè)面轉(zhuǎn)化率,交流起來(lái)大家都不知道彼此說(shuō)的轉(zhuǎn)化率是什么,自然是離題萬(wàn)里。更有甚者,數(shù)據(jù)人員和管理人員對(duì)數(shù)據(jù)口徑的定義南轅北轍,管理人員拿到的數(shù)據(jù)與他本意相差甚遠(yuǎn),而他卻用此數(shù)據(jù)去進(jìn)行決策,可以想見效果如何。由此可見,如果一個(gè)公司的數(shù)據(jù)標(biāo)準(zhǔn)是模糊的,可以料見數(shù)據(jù)運(yùn)營(yíng)是多么的難以實(shí)現(xiàn),說(shuō)不定會(huì)被數(shù)據(jù)弄得暈頭轉(zhuǎn)向。
三、行
“行”,即是對(duì)事物的深入思考與分析
前面的例子還比較好理解,這就好出海航行,海圖信息不準(zhǔn)或方向不明,自然也就很難到達(dá)目的地。但是在數(shù)據(jù)分析中,還經(jīng)常出現(xiàn)的問題是“澀”:方向明確、海圖精準(zhǔn),但在具體航行過程中運(yùn)轉(zhuǎn)不靈,由于對(duì)業(yè)務(wù)的理解不夠深刻,導(dǎo)致在分析中產(chǎn)生迷惘和混亂,數(shù)據(jù)運(yùn)用的方式失當(dāng),最終管理者無(wú)法依靠數(shù)據(jù)分析進(jìn)行決策。
舉個(gè)實(shí)際操作中經(jīng)常會(huì)遇到的例子:重復(fù)購(gòu)買率降低了。按照前文提到,數(shù)據(jù)分析師腦子第一點(diǎn)要問的是:這個(gè)重復(fù)購(gòu)買率的定義是什么,分母是什么,分子是什么,是在什么時(shí)間維度的定義看重復(fù)購(gòu)買率的。但是如此看完之后,依然可能出現(xiàn)錯(cuò)誤,因?yàn)榫褪菦]有考慮到商業(yè)之中的復(fù)雜因素。比如當(dāng)天一個(gè)客戶同時(shí)間下了兩個(gè)單子,是算重復(fù)購(gòu)買,還是算一個(gè)單子?新增客戶最近是不是增長(zhǎng)很多?新渠道的百分比有沒有變化?最近是不是很長(zhǎng)時(shí)間沒有促銷活動(dòng)?是不是調(diào)整了頁(yè)面布局?
所以,是實(shí)際的行動(dòng)當(dāng)中,需要把多重影響指標(biāo)納入坐標(biāo)系里面,并且把數(shù)據(jù)的關(guān)聯(lián)性建好了,就不會(huì)盲目為重復(fù)購(gòu)買率下降而擔(dān)心了。到了“行”這個(gè)階段,必須懂商業(yè),不然前功盡棄。
四、識(shí)
“識(shí)”,即是對(duì)事物根本的歸納,對(duì)事物認(rèn)識(shí)的沉淀
受、想、行、識(shí)的最后一環(huán)是識(shí),這里開始涉及到了數(shù)據(jù)分析的一大問題:“遺”,分析的成果和方法如何不能及時(shí)的被歸納和沉淀,電商就只能隨分析師一起,不停追逐、探究新的分析視角,卻可能對(duì)實(shí)際的運(yùn)營(yíng)決策并無(wú)益處。就今天的趨勢(shì)來(lái)說(shuō),分析師的資源越來(lái)越寶貴,電商需要思考合適的機(jī)制和工具,可以把成功分析的結(jié)果、經(jīng)驗(yàn)進(jìn)行積累,應(yīng)用于公司的日常管理中,及時(shí)將知識(shí)轉(zhuǎn)變?yōu)椤癿oney”。
從數(shù)據(jù)中積累和沉定知識(shí),最好是要用建立系統(tǒng)。也許許多電商認(rèn)為建立系統(tǒng)非常麻煩,但實(shí)際上操作并不繁瑣,只是要構(gòu)建思路難想清楚。十幾個(gè)人三個(gè)月的時(shí)間,可以把公司運(yùn)營(yíng)的核心數(shù)據(jù)放在系統(tǒng)里面,把數(shù)據(jù)分析的理念放在系統(tǒng)里面,讓公司所有人都能看懂并運(yùn)用。這其中有三個(gè)關(guān)鍵點(diǎn):一是做好數(shù)據(jù)安全,讓不同職位的人看到不同的數(shù)據(jù);二是說(shuō)清楚不同部門的數(shù)據(jù)標(biāo)準(zhǔn),比如市場(chǎng)部的轉(zhuǎn)化率用的是指下單的客戶數(shù)量除以客戶進(jìn)來(lái)的總數(shù)量,財(cái)務(wù)部門的轉(zhuǎn)化率是指下單成功的客戶數(shù)量除以客戶進(jìn)來(lái)的總數(shù)量;三是讓不同部門的數(shù)據(jù)可以關(guān)聯(lián)起來(lái)看(如果電商有團(tuán)隊(duì)可以這么做的話),這樣可以把數(shù)據(jù)運(yùn)用擴(kuò)散至數(shù)據(jù)部門之外。
這里只是我個(gè)人的一點(diǎn)小體會(huì),從受、想、行、識(shí)四個(gè)部分組成的圓來(lái)幫助我"數(shù)據(jù)分析師"理清數(shù)據(jù)分析中的四個(gè)環(huán)節(jié),并且數(shù)據(jù)分析經(jīng)常需要反復(fù)跑數(shù)據(jù),每一次反復(fù)利用,得到的收獲更多。如果要說(shuō)得深,還要分別說(shuō)下去。這個(gè)過程,我也是處在摸索中,歡迎大家分享出自己的方法和思考。
數(shù)據(jù)分析咨詢請(qǐng)掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
訓(xùn)練與驗(yàn)證損失驟升:機(jī)器學(xué)習(xí)訓(xùn)練中的異常診斷與解決方案 在機(jī)器學(xué)習(xí)模型訓(xùn)練過程中,“損失曲線” 是反映模型學(xué)習(xí)狀態(tài)的核心指 ...
2025-09-19解析 DataHub 與 Kafka:數(shù)據(jù)生態(tài)中兩類核心工具的差異與協(xié)同 在數(shù)字化轉(zhuǎn)型加速的今天,企業(yè)對(duì)數(shù)據(jù)的需求已從 “存儲(chǔ)” 轉(zhuǎn)向 “ ...
2025-09-19CDA 數(shù)據(jù)分析師:讓統(tǒng)計(jì)基本概念成為業(yè)務(wù)決策的底層邏輯 統(tǒng)計(jì)基本概念是商業(yè)數(shù)據(jù)分析的 “基礎(chǔ)語(yǔ)言”—— 從描述數(shù)據(jù)分布的 “均 ...
2025-09-19CDA 數(shù)據(jù)分析師:表結(jié)構(gòu)數(shù)據(jù) “獲取 - 加工 - 使用” 全流程的賦能者 表結(jié)構(gòu)數(shù)據(jù)(如數(shù)據(jù)庫(kù)表、Excel 表、CSV 文件)是企業(yè)數(shù)字 ...
2025-09-19SQL Server 中 CONVERT 函數(shù)的日期轉(zhuǎn)換:從基礎(chǔ)用法到實(shí)戰(zhàn)優(yōu)化 在 SQL Server 的數(shù)據(jù)處理中,日期格式轉(zhuǎn)換是高頻需求 —— 無(wú)論 ...
2025-09-18MySQL 大表拆分與關(guān)聯(lián)查詢效率:打破 “拆分必慢” 的認(rèn)知誤區(qū) 在 MySQL 數(shù)據(jù)庫(kù)管理中,“大表” 始終是性能優(yōu)化繞不開的話題。 ...
2025-09-18DSGE 模型中的 Et:理性預(yù)期算子的內(nèi)涵、作用與應(yīng)用解析 動(dòng)態(tài)隨機(jī)一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開始提取前,需先判斷 TIF 文件的類型 —— ...
2025-09-17CDA 數(shù)據(jù)分析師:解鎖表結(jié)構(gòu)數(shù)據(jù)特征價(jià)值的專業(yè)核心 表結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 規(guī)范存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù),如數(shù)據(jù)庫(kù)表、Excel 表、 ...
2025-09-17Excel 導(dǎo)入數(shù)據(jù)含缺失值?詳解 dropna 函數(shù)的功能與實(shí)戰(zhàn)應(yīng)用 在用 Python(如 pandas 庫(kù))處理 Excel 數(shù)據(jù)時(shí),“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗(yàn)與 t 檢驗(yàn):差異、適用場(chǎng)景與實(shí)踐應(yīng)用 在數(shù)據(jù)分析與統(tǒng)計(jì)學(xué)領(lǐng)域,假設(shè)檢驗(yàn)是驗(yàn)證研究假設(shè)、判斷數(shù)據(jù)差異是否 “ ...
2025-09-16CDA 數(shù)據(jù)分析師:掌控表格結(jié)構(gòu)數(shù)據(jù)全功能周期的專業(yè)操盤手 表格結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù),如 Excel 表、數(shù)據(jù) ...
2025-09-16MySQL 執(zhí)行計(jì)劃中 rows 數(shù)量的準(zhǔn)確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調(diào)優(yōu)中,EXPLAIN執(zhí)行計(jì)劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對(duì)象的 text 與 content:區(qū)別、場(chǎng)景與實(shí)踐指南 在 Python 進(jìn)行 HTTP 網(wǎng)絡(luò)請(qǐng)求開發(fā)時(shí)(如使用requests ...
2025-09-15CDA 數(shù)據(jù)分析師:激活表格結(jié)構(gòu)數(shù)據(jù)價(jià)值的核心操盤手 表格結(jié)構(gòu)數(shù)據(jù)(如 Excel 表格、數(shù)據(jù)庫(kù)表)是企業(yè)最基礎(chǔ)、最核心的數(shù)據(jù)形態(tài) ...
2025-09-15Python HTTP 請(qǐng)求工具對(duì)比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請(qǐng)求(如接口調(diào)用、數(shù)據(jù)爬取 ...
2025-09-12解決 pd.read_csv 讀取長(zhǎng)浮點(diǎn)數(shù)據(jù)的科學(xué)計(jì)數(shù)法問題 為幫助 Python 數(shù)據(jù)從業(yè)者解決pd.read_csv讀取長(zhǎng)浮點(diǎn)數(shù)據(jù)時(shí)的科學(xué)計(jì)數(shù)法問題 ...
2025-09-12CDA 數(shù)據(jù)分析師:業(yè)務(wù)數(shù)據(jù)分析步驟的落地者與價(jià)值優(yōu)化者 業(yè)務(wù)數(shù)據(jù)分析是企業(yè)解決日常運(yùn)營(yíng)問題、提升執(zhí)行效率的核心手段,其價(jià)值 ...
2025-09-12用 SQL 驗(yàn)證業(yè)務(wù)邏輯:從規(guī)則拆解到數(shù)據(jù)把關(guān)的實(shí)戰(zhàn)指南 在業(yè)務(wù)系統(tǒng)落地過程中,“業(yè)務(wù)邏輯” 是連接 “需求設(shè)計(jì)” 與 “用戶體驗(yàn) ...
2025-09-11塔吉特百貨孕婦營(yíng)銷案例:數(shù)據(jù)驅(qū)動(dòng)下的精準(zhǔn)零售革命與啟示 在零售行業(yè) “流量紅利見頂” 的當(dāng)下,精準(zhǔn)營(yíng)銷成為企業(yè)突圍的核心方 ...
2025-09-11