我手把手分析了一個復雜的數據問題
本文深入探討了一個復雜數據問題的分析過程,?作者通過手把手的方式,?詳細剖析了問題的各個層面。?文章首先介紹了數據問題的背景和重要性,?隨后逐步展開分析步驟,?包括數據收集、?預處理、?探索性分析等關鍵環節。?在分析過程中,?作者運用了多種統計方法和可視化工具,?深入挖掘數據背后的規律和模式。?最終,?文章總結了分析結果,?并提出了針對性的建議和解決方案。?本文不僅展示了復雜數據問題的分析方法,?還為讀者提供了實踐指導和思路啟發。?
網上從0到1的文章很多,可面對復雜問題,該怎么搭建數據分析思路呢?首先,“復雜”一詞在不同等級的數據分析師里含義不同。
對小白而言,領導傳達命令的時候,有“模型”倆字的就是復雜問題,一聽“模型”,新人就開始狂翻《西瓜書》《統計學習》《機器學習》誓要與“模型”血戰300回合。
而有經驗的同學都知道,企業里真正復雜的才不是這些。來看個具體例子:
場景:電商行業(紙質書、視頻光盤等商品為主),客服領導對物流領導意見非常大,認為物流問題影響了客戶滿意度。但物流領導表示:所有發貨不及時,發貨過程中包裝破損等問題已經被處理了,怎么可能還有物流問題?,F在有一份分析需求,要求:建立全面、細致的客戶滿意度評估指標體系。什么是真正的復雜問題。
問題1:收到這個需求,你會百度哪個關鍵詞?
- 評估指標
- 客戶滿意度指標
- 客服客戶滿意度指標
- 物流客戶滿意度指標
很多新人一看這種問題就覺得:簡單。不就是建個評估指標嗎,這種文章網上一天能見8篇。而且“客戶滿意度”這個詞我也熟悉,又不是私域流量,精準畫像這種玄乎詞。
于是開始百度上邊四個關鍵字,找一個看起來可行的就開始干了。可關鍵問題是:眼前的問題,是大家不知道客戶滿意度怎么考核嗎?
不是!眼前的問題是客服跟物流倆部門干上了!這才是大問題。所謂“客戶滿意度”只是兩邊干架的一個由頭。如果“客戶滿意度”的標準不能讓兩邊共識,那不管書本上是怎么定義的,只要你甩出來,都會被其中一方噴到死。這才是第一大難題。所以這一題根本就不該選。第一步要干的事,是先了解具體不滿的點在哪里。
又有新人表示:既然是客服對物流不滿,那客服記錄用戶來電里,有“客戶投訴”這一項,直接把這個指標拿出來不就完了(如下圖)。
這就涉及到第二個難題:客戶滿意度,是個含義豐富,但采集數據非常難的指標:
- 到底啥算滿意?
- 客戶不滿意是不是就一定投訴?
- 是不是客戶滿意了就不會投訴?
以上三個都不一定!特別是涉及物流問題:
可能客戶假裝發脾氣,只是為了讓客服處理速度快一點。
也可能客戶悶聲不響,但是最后退貨!退貨!退貨!
更有可能客戶撥打的是咨詢/建議,但是發脾氣:為啥還不答復
只靠一個字段:投訴,是無法真實反映情況的。比如客服領導給出來的“客戶不滿意”是以下場景(如下圖)
這又涉及第三個問題:如何在各種龐雜數據里,真正識別出客戶投訴/非投訴。如果按客戶領導的說法,得把所有客戶來電都轉文字記錄+關鍵詞過濾一遍才能識別情況??娠@然這么干太費時費力,得找個簡單的處理辦法。
然而這又涉及到第四個問題:客服的工作流程得調整。不調工作流程,依然會有大量真真假假的投訴混雜在其他來電里,后續還是沒法跟蹤,客服依然會無休無止的抱怨,物流依然不知道自己錯在哪。
然而,調流程這事,又涉及業務部門能不能、肯不肯、想不想的問題。這時候如果有個人冒出來,說:“你們做數據的不是會人工智能大數據嗎,就不能我們照常干,你們Duang一下就分析的一清二楚嗎??隙ㄊ悄隳芰Σ恍小薄遣皇悄阋蚕氪虮墓奉^了。
- 部門利益有沖突
- 指標含義不清楚
- 原始數據內容亂
- 相關流程要改動
這些才是老鳥眼中真正難解決的問題。然而這也是企業真實的經營場景,那種數據完美,含義清晰,靜靜躺在excel表里等著被建模的事,只存在于網上文章里?,F實就是各種利益糾葛,數據混雜,流程不清,咋弄呢???如何建立分析思路
總結下本次的問題。表面上看,是:客服反饋物流問題多,客戶滿意度低??赏钊肟?,客服與物流對客戶滿意度口徑不統一,導致無法解決問題。再往深入看,客戶的很多問題并非物流引起,卻都怪到物流頭上,客服自己沒有做區分,而是一股腦打上門來。
這種場面下,有三種解決思路:
第一:中立判官。
如果得到了更高層授權,或者兩個部門能平心靜氣談,希望數據部門站在中間當判官,可以用這種思路。這時候可以圍繞客服反饋的客戶不滿意問題,逐級梳理,把哪些是真問題,哪些是假抱怨一層層剝清楚:
第二:故作小白。
如果兩個部門打得不可開交,鐵了心要吵架的話,可以用這個思路。數據部門好像一只人畜無傷的小白兔,表示:“你看我們也不懂物流業務,也不懂客服業務,如果有需要區分哪些來電是不滿意的,可以業務給具體的區分規則,我們按規則去提取數據”。
是滴,讓兩家自己吵架,定清楚了到底什么算不滿意、從哪里、依照什么標準提數,數據部門就當個跑數機。并且只給數據,不給判斷。這樣是看著很慫,但是能在部門混戰里先保護好自己。
第三:解決問題。
注意,客戶總是想多占點好處,所以客戶真真假假的抱怨是避免不了的。但物流提高配送能力卻是結結實實要花錢的。就像所有的老板都說要提高客戶滿意度,可你問他花100個億來提高滿意度——十有八九就不同意了。
所以站在解決問題的角度,第一步并非建立客戶滿意度指標,而是先定義物流的服務原則,比如最長發貨時間是多久,比如發貨破損率控制在多少,等等。
有了這個標準,第二步就能推動客服,在應對客戶投訴的時候,先區分有沒有違背服務原則。如果有就是物流執行沒到位,轉物流處理;如果沒有,就得靠客服努力,或者安撫客戶,或者向客戶解釋原則。這樣大家都能在有限的成本內,最大化解決問題。
如果用問題解決思路,需要的分析就不1個建立客戶滿意度指標體系,而是3個相互配合的分析
- 依據物流原則,目前執行不到位的客戶情況分析
- 基于物流原則,客戶真實不滿意、假不滿意的分析
- 基于現有客服安撫方式,客戶真/假不滿意最終處理情況分析
分析的復雜度大大提高。實際上,解決問題導向的分析邏輯都很復雜,并且依賴于數據分析師的業務處理能力.
小結
你會發現:
一般網絡文章里的數據分析思路都是中立判官式的,作者都喜歡把自己當成最大的老板,指點江山,真他媽爽。
一般現實工作中,都是故作小白的搞法?!罢垬I務自己想清楚”“我就是個跑數據的,我啥也不懂”——到頭來經常被人罵“沒有用”“你分析了啥”。
一般老板們解決問題的時候,會用問題解決型思路,可丟給數據分析師的,是三份獨立的取數表。跑數的同學還是不知道在干啥。
其實三種做法,單獨看都沒錯,難的不是做某一種方法,而是審時度勢,結合真實的問題點,系統數據現狀,處理問題的決心,選擇一個貼合實際的做法。這就要求數據分析師們,如果真想參與解決問題的話,就得從問題溝通、開會、聊天就開始觀察情勢,構建思路,而不是像開篇那樣,上來抓個關鍵詞就百度走起了。
然而,有的同學會說:老師,我的領導結結實實的提了“模型”倆字,感覺好難做啊。我辛辛苦苦做個模型,領導卻說“沒屁用!”“我說的不是這個!”咋辦?
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Unsplash,基于 CC0 協議。
- 目前還沒評論,等你發揮!