起點課堂會員權益
職業(yè)體系課特權
線下行業(yè)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(yè)技能直播
會員專屬社群
榮耀標識數據診斷模型，該怎么搭建
編輯導語：在日常工作中，數據分析可以幫助你判斷很多業(yè)務的漲幅，但是用數據下判斷看似很簡單，實際上要根據實際情況進行判斷；本文作者分享了數據診斷模型該怎么搭建，我們一起來看一下。
你會用數據下判斷嗎？
你怎么確定你的判斷是準確的？
現(xiàn)在業(yè)務說你判斷錯了，你怎么應對？
用數據下判斷，是看似簡單，實則極大影響數據分析結果的一個問題。
同樣是本月銷售業(yè)績1000萬，如果判斷是：業(yè)績很好——那么下一步的分析就是總結成功經驗；如果判斷是：業(yè)績很差——那么下一步的分析就是發(fā)現(xiàn)問題，尋找方案。
一、數據診斷問題，為啥那么難
這一點看似簡單，可網上90%的文章教的是錯的。
網文的邏輯，一般是：
- 環(huán)比下跌了，所以不好，要搞高；
- 同比下跌了，所以不好，要搞高；
- 你去問問業(yè)務，業(yè)務說好就是好。
誰規(guī)定的跌就是不好？如果是自然波動呢，如果是計劃內的調整呢，如果是營銷之后調整期呢？如果是生命周期末尾呢？如果下跌但是KPI仍然達標呢？
太多情況了；然后一堆網文還在一本正經的《指標下跌八大分析方法》，連啥指標、啥場景都不細講，分析什么呢？
問業(yè)務同樣有問題——因為你擋不住業(yè)務渾水摸魚。
丫今天說好，明天說不好，后天說：請數據分析深入分析到底好不好，大后天再說：你這分析不符合業(yè)務直覺；甚至明明KPI達標了，丫還讓“你深入分析KPI達標背后的隱藏危機……”
那么，到底該咋辦呢。
二、核心問題：診斷標準
做判斷的核心是：找標準。
標準涉及到后續(xù)輕重緩急及原因判斷；一定要事先分清楚。
而上文講到的網文的各種錯誤，本質上都是來自于不考慮業(yè)務場景，瞎胡判斷；如果結合業(yè)務場景來看的話，有四類典型的場景（如下圖）。
1）有客觀要求：供應鏈上大部分指標都有物流、化學、交付周期等等客觀要求；比如生產質量、產品尺寸、交貨時間。這些也被稱作硬指標。這種情況下是可以直接拿來做評價標準的。
2）主要要求，但是負向指標：比如客戶投訴，雖然大家都知道投訴是不可避免的，但是還是希望越少越好，負向指標標準也好找；只要一直處于下跌趨勢，不反彈，就算是好。
3）主觀，正向，但是有上一級KPI壓力：類似銷售業(yè)績、GMV、新用戶數，很有可能上一級領導、部門直接塞了個指標給我們；這時候想保住自己的年終獎，就得不惜一切代價的搞掂指標；這個標準可以直接拿來用（這也算硬指標）。
這時候要做好的是硬指標的分配；因為指標達成不是一蹴而就的，可能與業(yè)務自然周期、生命周期有關，也有可能與業(yè)務作戰(zhàn)部署有關系；因此分解任務的時候不要簡單地按時間平均，而是根據業(yè)務走勢，分攤成一個合理數值。
4）主觀，正向，需要你自己訂KPI：這是最糾結的狀況，老板讓你做開放題；雖然明知道自己做了他不用會用，但是他還是讓你講一堆道理，不然就怪你：沒有深度分析！如果一定要憑空定指標，怎么辦呢？
答：用場景還原法，去找一個標桿
三、關鍵方法：場景還原
場景還原——是從業(yè)務場景中提煉出數據標準，主要用于營銷、運營這種缺少硬指標且指標間相互關聯(lián)多的場景。
你問業(yè)務方指標是多少，估計他想不出來；但是你問他上一次老板龍顏大悅，上一次被表彰，上一次順風順水什么時候，他一清二楚。
同樣，你問上一次他手忙腳亂，上一次被痛罵，上一次跟頭流希是啥時候，他也一清二楚。
這樣我們就能得到正面場景和負面場景。
正面場景，用來做整體的預計目標；這是個把語文作業(yè)轉化為數學作業(yè)的過程。
比如：
- 我們要在三年內成為行業(yè)第一；
- 我們要在1年內扭虧為贏；
- 我們要在4季度做出爆款活動；
有了這些場景，可以轉化為具體標準（如下圖）：
負面場景，用來設定保障型指標的標準。
比如：
- 新用戶注冊很多，但是轉化太低
- 業(yè)績增長很快，庫存漲的更快
- 收入指標達標，成本超支嚴重
有了這些場景，可以轉化為具體標準（如下圖）：
經過梳理，輸出的判斷標準，就是一個有邏輯的系列組合（如下圖）：
這樣面對業(yè)務方或者老板質疑的時候，也能理直氣壯的說：既然要達成這個美好愿景，就得做到XX數值；如果不做到XX數值，業(yè)務就會出問題。
這樣面對上文中，業(yè)務方反復橫跳的場面時，也能拿出白紙黑字來對峙，不要讓他把鍋甩給我們。
可以甩給外部突發(fā)因素嘛；真是的，干嘛非難為數據分析師。
四、為什么不用算法模型
算法模型不是一個處理標準問題的好辦法。
用機器學習算法，如果用無監(jiān)督方法，比如Kmean聚類，本身輸出的結果就隨著聚類中心變化而變化，不穩(wěn)定結果不能做標準。
如果用有監(jiān)督的方法，那一開始的“好/壞”標注誰來打？
還是得老板來打；看似復雜的算法又變成：請老板酌定。
AHP方法有類似問題，看似兩兩比較打分很科學，可本質還是：請老板酌定；而且AHP的局部打分，很容易導致整體結果不可控。
萬一老板不認最終評定結果，非讓你改，就非常狼狽了；這時候還不如直接讓老板們坐一桌，拍每個指標權重給多少；這樣更簡單、高效、不糾結。
所以：如果待評價的問題中，正向、非硬指標很多，那還是用場景還原法更好。
標準問題的真正難點是：最后的標準始終要過老板這一關，因此就不可能100%客觀；老板自己也會疑慮、糾結、后怕。
所以才有了前邊說的：雖然老板心里有數，但他還是會讓你提標準，并且在你提了以后反復質疑你，其實他是通過這種手段消除自己的疑惑；做數據分析，就是要當老板的貼心小助理，這些問題幫老板想在前頭，也是大功一件。
有同學會問：日常遇到的判斷問題很多，一個個都這么細致溝通效率太低，很有沒有一些簡單的方法做判斷。
答：有。比如我們常說的二八分類、十分位法、趨勢分析法、矩陣法，都是簡單粗暴的判斷方法。
有興趣的話，關注接地氣的陳老師，我們下一篇來分享。
#專欄作家#
接地氣的陳老師，微信公眾號：接地氣學堂，人人都是產品經理專欄作家。資深咨詢顧問，在互聯(lián)網，金融，快消，零售，耐用，美容等15個行業(yè)有豐富數據相關經驗。
本文原創(chuàng)發(fā)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(xié)議。
- 目前還沒評論，等你發(fā)揮！
