起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識數據分析，怎么做才能有前瞻性？
老板嫌你的數據分析沒有前瞻性，總是在分析大家都知道事情。面對這種情況，你需要轉變思維，換一種數據分析方法了。
有同學問：領導總讓做“有前瞻性”的分析，不要說那些“大家都知道的事”。
可到底什么是前瞻性？
有時候明明寫了預計未來情況，可還是被批判為：沒啥前瞻性，真不知道咋辦了。
先看看一個簡單的例子如下，看圖回答問題：6月的GMV是多少？
有多少同學是脫口而出“400”？
常見的問題，就從這里開始。
沒有前瞻性的分析，長這樣
錯誤一：復讀機型
看到上圖數據，寫出來的是：
月均GMV720
最大值1000
最小值500
中間值700
這肯定沒有任何前瞻性，這根本就是把圖表又用文字復讀了一遍。只要業務方不是瞎子，能看到數字，都會覺得這沒啥意義。
錯誤二：慣性思維
還是上圖數據，你認為6月的GMV是多少？
有多少同學是脫口而出“400”？
——這就是典型的慣性思維。
其實，只有一年的數據完全不說明問題，但是人們就是會很慣性地認為：過去跌的就一定跌，過去漲的就一定漲。特別是出現這種5432順序排列的數據，慣性得就會認為下個數字是1。
其實，這正是數據分析要打倒的大敵。如果我們引入過往年份數據，很有可能曲線長這樣：
這時候還有誰說6月是400？很有可能1-5月的只是正常的業績波動而已。
所以，單純用慣性思維判斷，完全沒有體現數據分析的價值，做的結論還極有可能是錯誤的。
錯誤三：習以為常
還是上圖數據，很多同學看了三年趨勢，然后脫口而出：因為過去6月份會漲，所以今年6月份也會漲。
這種說法，很有可能被業務評價為：我早知道了！你分析了啥？
因為歷史規律，特別是這種宏觀跡象這么明顯的規律，是個人只要不瞎都看得到，說出來當然沒啥意思。況且，誰說去年漲，今年就一定漲？萬一今年漲的少，甚至跌了呢？僅憑一根線又怎么判斷呢？
真正的前瞻性，是定性預測
本質上，所謂的前瞻性，是需要我們做一個定性預測。
雖然沒有精確的數據或模型，但是能通過分析，判斷未來走勢（相對應的，建數據模型詳細計算的是定量預測）。
做預測的關鍵，是找到影響未來的因素。
這些影響因素，才是支撐指標曲線的真正支柱。支柱倒了，指標自然下跌；支柱穩固，指標自然高企。
所以，想做好預測，不能只對著數據本身就數論數，而是得找到數據背后的原因。
比如，上圖中6月，11月大漲，可能有幾個原因：
- 行業因素：行業本身就是夏季、冬季前有一波高峰（比如旅游相關機票、酒店、住宿，趕在寒暑假前大量預定）；
- 促銷因素：618，雙11是主戰場，要拼命做大GMV<；/li>
- 產品因素：這個行業每年6，11月上新品；
- 其他因素。
在做預測之前，我們要先了解業務，掌握影響因素。
根據影響因素的可辨識程度，大致可分成三類，我們一類一類來看：
第一類：宏觀事件型
宏觀事件往往備受關注，媒體會大量報道，因此辨識度很高。但相應的，辨識度越高的東西，講出來價值就越低。
因此，在做定性預測的時候，提及宏觀事件，是個必選項。提了，不一定被認可；不提，一定被視作“你都不懂業務”“這么明顯都看不到”。
有些壞習慣會影響做數據的同學關注到宏觀事件。比如，很多做數據分析的同學只看數據類文章，反而每天沉迷在數字和代碼里，對行業發生了什么都不知道。這樣一來，當然很容易被批了。
需注意，之所以是定性預測，因為很多宏觀因素的影響可能無法預測。
循環出現的，可以看過往的歷史規律（比如節假日影響、行業周期性波動）；但是個案出現的，就很難去預測。比如，突然出臺新政策，禁掉了某些業務。
無法預測效果，只能去研究政策細節，看看到底影響面有多大，做個預警。
第二類：投入產出型
投入產出型事件，往往是大家都知道有影響，但具體影響多少不清楚，這時能體現一定的數據價值。
有前瞻性數據支持，可以方便業務安排活動，也能準備相關人力物力資源（比如做促銷，商品、客服、服務器流量，有可能都要準備），這種前瞻性是非常有幫助的。
計算投入產出的常用方式有三種（如下圖）：
需注意的是，很多同學一提“活動效果預測”，就急匆匆想建模型或者做抽樣，用第二、第三種方法。在現實中，只有封閉了信息渠道的營銷活動才適合這么干（而且需要余留較多時間準備數據）。
很多促銷活動，比如雙十一大促、周年慶大促，因為宣傳規模太大，會產生滾雪球效應。用看似精準的方法預測的反而會偏小、失真。比如，新產品上市，可能在上市前完全保密，也沒法做太精細的分組測試。
所以，做定性預測的時候，第一種方法用的更多。
投入產出型事件分析還有個用途，就是前瞻性指出問題。我們都知道，業務部門干事情不見得是為了效益最大化，很有可能有政治任務，比如：
- 老板要大力轉型新零售，所以非得強迫客人微信下單；
- 我們的KPI是抓老用戶，所以效果不好也得強行做；
- 部門費用不夠了，但活動還得做，所以券全部面額減半。
這時候，如果有過往分析經驗指出：
- 微信下單就是垃圾，影響銷售；
- 老用戶響應率就2%，咋做都是死；
- 面額減半，響應率不是減半而是減3/4。
前瞻性指出問題，就能提醒業務部門注意風險，也不要在事后糾結“到底是什么原因做得不好”。
只不過，這種前瞻性雖然有價值，但不一定受業務歡迎（還有可能吃板磚）。大家在實操中見機行事，量力而行。
第三類：內部結構型
再深層次的看這個問題，就是所謂的自然增長率，根本是不存在的。
在數據上看，可能指標“自然”就會漲；可在業務上看，所有的增長，都是在XX條件下的增長（如下圖）：
除了宏觀環境外，產品，促銷，用戶基礎，用戶分層這些，就是預測需要的XX參數。參數的情直接決定了業績的走向。
所以，當內部影響因素發生結構性變化的時候，自然業績會發生變化。只是很多內部結構性變化是慢性的、持續的、微觀的，所以難以觀察。
這就需要深度分析，不止關注整體趨勢，更關注構成整體的各個因素的結構。
內部結構型問題很難前瞻，難在到底是個案還是趨勢，很難在一次分析中觀察到。比如，我們總是說：渠道下沉，新生代需求變遷，興趣轉移等等概念。可真具體到某一月某一日的數據上，你真把特定群體抽出來看，反而數據上差異不大。
有時候自以為觀察到一個變化，可持續看幾天，丫又消失了……短期內，永遠是宏觀事件&投入產出型影響占主導。
所以，想要觀察到一個內部結構變遷的影響，需要長時間觀察。
小結
看完三種類型，大家會發現，領導們想看的，都是第三類問題。
通過細致的分析，看到深層次問題，講出來沒人知道的驚天秘密——聽起來多厲害，可實際上沒那么理想。
業績指標的波動，從來都是多種因素綜合作用的結果，也并非每次變化都一定有深層次的原因，有可能就是自然波動、某個產品/活動做爛了、沒錢還裝逼，道理就這么簡單。
能區分出來關鍵因素，提示問題才是重要的。
所以，數據分析的價值，不是神神叨叨地講沒人知道的秘密。
- 了解業務，區分事件；
- 能量化的，量化預測；
- 不能量化，評估范圍；
- 做好監控，提示問題。
以上都能做到了，就是最好的前瞻性。
當然，有同學會問：有定性的預測，那有定量的預測嗎？
當然有，而且有不止一種做法，不止一種算法；有興趣的話，后續再繼續分享。
作者：接地氣的陳老師，微信公眾號：接地氣學堂。十年資歷的數據分析師，做最接地氣的分享。
本文由 @接地氣的陳老師 原創發布于人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基于CC0協議
可能沒有接觸過相關的數據分析吧，有一點代入不進去的感覺？
愚鈍了愚鈍了
最后一個內部結構型感覺不是很清晰。意思是要看具體的影響因素的變動嗎？