利用数据解决实际问题解读(一)

利用数据解决实际问题解读(一),第1张

利用数据解决实际问题解读(一)

作者 | lpl

来源 | lpl (公众号:数据分析从0到1)

前言

数据分析最终是以解决问题并提出合理的建议为基础,最近在思考如何利用数据更好的解决工作也读一些很好的文章,下面将结合自己的经验以及学到的知识分享给大家。

明确分析的问题

在数据分析中,不要盲目的使用分析工具,产生大量的图表,耗费大量精力和时间,最后得到描述型报告“XXX活动参加的人数下降了”、“本月销售额有所增加”等实际情况。这样很难找到针对问题有效的应对措施,或者造成这种现象的原因。

不要只关注结果数据,所以分析要有以下的节点:

首先要明确问题;

了解问题造成的数据状况;

通过数据找到问题关键点;

进一步缩小问题范围,将问题分解,定位到产生问题的根本原因;

针对问题的产生提出解决方案;

分析中,当我们明确了问题,然后找到问题的数据,再到拉取需要排查问题的对应数据。这一步就叫做数据的整理过程,这一步做好了在对后面的分析结果产生重大影响。

分析思路

创建分析假设

明确了分析流程,我们就需要对“确认环节”进行假设,假设的前提是我们要了解业务流程,当然了解完业务流程再加上头脑风暴列出来假设问题。

分析思路

下面举例:针对面包店销售额下降进行假设;

例一

对于假设我们通常对触发问题的假设条件毫无头绪。我们可以从三个方面来看:

自身原因(如:服务、渠道、活动、运营策略等)

产品原因(如:产品优势是否下降、竞品、BUG等)

外界原因(如:当地气候、法律、规定、市场趋势等)

但是对于假设,我们可以逐渐深层次对原因进行挖掘,如上面对销售人员差别进行假设:

不同地方的文化不;

同导致接待方式不同  录入人员的文化、经验等不同;

但是我们也不能一直挖掘下去,知道能解决这个问题的层次就行。

然后将我们假设的数据提取出来,到这一步,数据整理是结束了,接下来就是数据分析,数据分析我们需要对假设进行数据验证,来确定有影响的因素有哪些,哪些因素影响比较大等数据进行分析。

这个时候就确定了一个简单的分析流程:将“问题”进行“假设”,然后分析出“结论”。

用框架来对假设查漏补缺

我们的假设,通常依据个人的工作经验、和对这个问题的看法等,这样可能造成假设是否偏差?视野是否狭窄等问题?,也有可能是来验证自己的想法等。

所以我们一般采用框架,对我们的假设进行查漏补缺。

如果我们常见的4P理论,主要用于营销方面的。

4P营销理论被归结为四个基本策略的组合,即产品 ( Product )、价格( Price )、促销( Promotion)、渠道(Place ),由于这四个词的英文字头都是P,再加上策略(Strategy),所以简称为“4P’

4P模型

借助框架,我们再梳理类似关于营销方面的假设就更加容易了,但是并不是每次数据分析的时候都需要画出框架等,这是不必要的,等我们熟悉了,在心中想也是一样的。

问题的定义很重要

前面我们讲了假设,但是在假设之前有一步骤是,问题的定义,如果问题的定义有问题,后面的假设什么都基本上是无用功了。

举个例子:

问题:由于商品A过度下降,导致年利润下降,没有达到XXX水平。

假设1:个别店铺价格过度下降;

假设2:某个时段价格过度下降;

假设3:由于价格战导致价格下降;

............

从上面看是没有什么问题,但是提到了上述讲的,问题定义不全面性,不能以自己的想法而给问题定位,变成分析只是验证自己的想法。

定位问题的时候,我们要有【理想状态】,在理想状态上我们再定义问题。

举个例子:

理想状态:商品A的年利润保持在XXX水平上;

问题:商品A的年利润没有保持在XXX水平上;

假设:

过度降价;

成本运费增加;

竞品出现;

促销力度不够......

按照这个逻辑,我们可以有降价之外的别的假设。分析问题更加全面。

但是如果我们一开始以狭义的想法定了问题,到后面分析中,我们比较难的再去思考是否有别的假设进行验证,所以一旦开始了,中间改变的概率很小,所以尽量在最初逻辑上设定合理的范围,决定后面的分析质量高度。

自我的注意

如果需求方给你的问题,你直接拿来分析,这样可能会出现后面分析结论和需求方最后的根本问题不太符合,所以一般拿到需求,先要和需求方聊一下,发现问题,然后再思考,确定问题。

分析中常会遇到,采用大家一致认同的问题,这样既节约时间,分析出来的东西大家也认可,差不多就下结论了等,这样的话往往不会挖掘问题的根本原因,造成的后果是,采取了应对措施,但往往不是很乐观。

所以从接受提案一方看,他们认同的并不是数据分析内容和方法,而是以清晰明确的、能够说服别人的问题或逻辑前提为基础提出的建议。

往期文章回顾

数据指标下降如何排除?

数据分析中RFM模型还可以这样用

欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/zaji/5574259.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2022-12-14
下一篇 2022-12-14

发表评论

登录后才能评论

评论列表(0条)

保存