業務部門又來刁難了,數據分析師怎么辦?
本文將深入探討數據分析師在面對“不帶腦子”的隊友時的應對策略,從找到參照物到識別隱藏的剛性目標,提供了一系列實用的解決方案。這不僅是對數據分析職業的深刻洞察,也是對業務與數據分析融合的有益探索。
做數據的同學,各種盤點、總結、回顧類的報告很多,有一類“不帶腦子”的隊友紛紛上線,搞得做數據分析的同學們非常蛋疼。
具體表現嘛,看下圖:
來,我來把那句沒說出的買馬匹替大家說了:做業務、做業務,連自己要做成啥樣都不知道,還做個毛線?。∧X子都去哪里了!不知道早問啊,現在都搞完了,拉了一褲襠了,擦屁股想到老子了……咋整?我們今天詳細整一整。
01 不帶腦子?不是蠢就是壞
為什么會這樣?其一就是:蠢。
很多人干活就是不帶腦子。
確實有很多公司的運營、策劃、產品經理,干活就找模板,想創意就抄競品,其他啥都不會。
你問他為什么干?
他回答:
- 過去是這么干的,今年也這么干
- 我看人家這么干,我也這么干好了
- 老夫從業十年都是這么干,為啥不繼續干
- 這是老板命令的,我也不知道,我也不敢問
至于這么干行不行、會干成啥樣、干不好了還能咋樣,完全沒思考過。
如果業績風調雨順,就你好我好大家好。如果業績不行,就開始怪大環境,怪對手太兇猛,怪公司沒投入,怪領導瞎指揮。最后一句:“這個得用人工智能大數據分析下”,把燙手山芋丟過來了……
還有一類就是:壞。
自己寫目標怕完成不了,于是故意留白,等著“人工智能大數據分析一下”。
剛好新入職的小伙子信了!還真以為人工智能模型能搞掂,兩者一拍即合。
最后的結果:
- 如果分析出來效果特別好,老板質疑!丫就甩鍋給數據分析師,說:我看不懂呀,都是數據分析搞的。
- 如果分析出來效果不好,丫就站出來說:是不是分析得不夠深入,是不是分析得不夠全面,是不是還少了考慮行業、宏觀、用戶等深層次影響?
- 總之你拿回去改,你沒有分析到位!
總之,這些亂七八糟事是我們不想面對的??扇绻乱阎链?,隊友真的就沒定目標,并且良心沒有大大滴壞啦,想一起補救,咋辦呢?
02 破局關鍵:找參照物
想事后補救,最關鍵的是:找參照物。
在事后補一個評價標準。這樣做頗有:“先射箭再畫靶子”的味道,是非常不科學的。但是總好過沒有評價標準。因為如果沒有評價標準,單純地計算活動中業績、用戶、銷量等數據,會引發一系列的問題:
你看,完全扯不清楚。
這還是業績類活動。如果是任務類的,比如增加用戶量、清庫存之類,就更扯不清了。到底增加多少用戶才滿意?增長上限是什么?這一炮把錢都花了剩下幾個月咋辦?清庫存反正都要清啊,憑什么說你活動做得好?一件都交代不清楚。
所以切記切記:先找參照物,評定對錯好壞,再分析為什么會好/為什么會壞,有多少改善空間。這樣做最清晰,最有效率,能減少很多毫無意義的扯皮。
03 隱藏的剛性目標
本篇例子是促銷活動,從邏輯上講,促銷活動是一定會拉動銷量的,畢竟是砸了真金白銀的。問題的關鍵是:增加的銷量對不對得起投入的成本。
這也意味著,促銷活動都是隱含了剛性目標的:
- 銷售額比沒促銷漲
- 活動期收入+活動成本,大于活動銷量增長
具體例子看下圖
如果做了活動反而比沒做還差!活動參與的人壓根沒幾個!那做的是個屁呀。多明顯的問題。
BUT,一般這時候,業務部門會跑出來強行洗地:“做了活動更差,是因為不做活動會更更更差”。這種洗地是毫無節操的,典型的做爛了還不認的行為,你咋不說你不做活動地球就爆炸呢。
這時分兩種情況。
如果是上圖1走勢,業績雖然持續下滑,但是跌得輕了,這時候還能洗洗地。
如果是上圖2走勢,正常周期波動,丫做了活動業績反而跌了,那就是活動做爛了,洗都沒得洗。
這時候送給業務方的就八個字:下跪認錯,低頭挨打。
04 其他事后補目標的方法
當然,大部分促銷活動,丟錢下去,還是能見到一點水花的,業績、用戶等等指標還是在漲的。這時候可以用其他方法,事后補個目標。
具體的,要看過往活動的開展情況和活動形式。
情況一:過往沒有活動
常見于首次進行活動,或過去很長一段時間內沒有活動,這時候可以選一個同活動時間一樣長的時間段,做參照物,看看活動整體上拉升多少。再拆開看參與活動的各地區,各用戶群體差異。
這樣做,背后的業務含義是:我們拿整體水平做標桿,看怎么改進做比整體水平低的。
通過這種對比,就能暴露活動內能優化的點。
同時,既然是首次做,就把本次整體水平保留下來,作為以后的標桿,下次就不糾結了。
情況二:過往沒有活動,且周期性波動
在情況一基礎上,如果活動影響的業務,本身有周期性波動(如上圖所示),那活動有可能有水漲船高的效果,這時可以根據上一周期增長量做自然增長,扣除這一部分后再做評價。
情況三:過往有活動,且僅有單一活動
這時候可以拿上次活動作為參照物,先計算活動投入產出比和帶來總效果。結合這兩個指標可以判斷:繼續做活動是虧是賺,活動影響力極限能去到哪里。這樣能對活動做個定性:越做越好/越做越差。有個這個判斷,后續再看具體細節怎么改善,也有了參照物,可以細致分析。
情況四:過往有活動,且多活動疊加
這時候很難算清楚每個活動的貢獻(也正因為此,很多業務方放棄了設目標,可回頭又要單獨評估,糟心),最好的處理方法是:先看整體的投入產出,定個大基調:本期內活動組合效果高/低。有了這個基調,后續就能做結構分析,看看每個小活動單獨影響面,從而判斷對于眾多子活動到底是增還是刪。(如下圖)
05 根本杜絕事后補救的辦法
吐槽歸吐槽,可能有的業務部門真的不會定目標……這時候就得認真教他們。
從本質上看,業績是做出來的,不是算出來。事前定目標只是為了更好激勵自己行動,促成更好效果。真正需要復雜分析的是事后的總結,所以業務部門的完全沒必要在這里背很大心理壓力。
話說回來,真業績做不好,還不是自己挨板子,何苦呢。
06 一個特別提醒的問題
有一類目標要特別小心,叫“滿意度”。
一般像用戶數,付費用戶數,銷售額,銷售收入,這些指標都是系統記錄的,含義很清晰,拿來當目標是完全沒問題的。但是“滿意度”這種無法直接記錄、含義不清晰的玩意,要特別小心。
首先,什么叫滿意度很難扯清楚。
5星好評的算滿意?那我花10元優惠券買來的好評算不算滿意?先給5星又來投訴的算不算滿意?不留言的算不算滿意?
其次,滿意度很難用系統數據量化。沉默大多數問題,導致系統只能記錄到投訴、差評這種極端情況,大部分用戶沒有可靠的系統數據。用抽樣問卷,那數據質量你懂的……
再次,滿意度和銷售收入、用戶量這種終極目標沒啥直接關系。越罵越火這種事在很多行業都司空見慣了。
這種定義不清、數據質量不穩定、容易被操控的指標還有很多,類似:NPS、品牌影響力、品牌美譽度、市場占有率(因為行業數據要第三方提供,第三方你懂的)等,事前不談清楚口徑,事后又是無休無止扯皮的地方。偏偏業務方特別喜歡寫這些話“拉動新用戶注冊,提升品牌影響力”……這就是站著說話不腰疼了。建議有類似需求的,讓他們找管市場調查的同事或者找第三方去搞,我們不蹚這趟渾水。
07 終極解決方案
最終極的辦法,當然是數據分析師參與到策劃過程中去,一開始就給一些專業指導,幫助大家理清思路。并且還能把過去一些失敗項目的數據情況分享出來,提升策劃質量。
如果有機會參會的話,大家可以按以下話術,確認活動信息。
如果業務方說:沒有設參照組,沒有設參照期,該怎么設來問數據分析師,這樣最好不過了!
我們可以結合實際情況提供專業意見,省得麻煩。
本文由人人都是產品經理作者【接地氣的陳老師】,微信公眾號:【接地氣的陳老師】,原創/授權 發布于人人都是產品經理,未經許可,禁止轉載。
題圖來自 Pixabay,基于 CC0 協議。
牛逼啊,為啥這么牛逼
確實誒,滿意度是一個很難說清楚的東西,現在滿意度,或者說五星好評可以通過優惠券或小額返現獲得,所以在我看來滿意度失去了一個參考價值。