不管你是产品、运营、还是市场,是否经常遇到以下几种情况:
针对一个又一个问题,如果没有清晰的问题分析思路,即使解决了当前的问题,等你遇到新的问题又会无所适从。那么数据分析这件事情,不管是放在产品、运营、还是市场,都是一门必修课。 从本质上,数据分析最终目的就是解决问题。 有可能你做的项目没有一个专门的数据分析平台,没有数据后台,但这并不妨碍你去思考这个数据表现出来的问题该如何解决(可能 Excel 就可以解决很多你遇到的问题了)。 今天要分享的,就是当你在工作中遇到了某个数据出现问题的时候,怎么去分析某个数据问题的思路。 既然是解决问题,那么一定涉及到解决问题的思路。 给大家介绍一下之前考项目管理中的【问题解决工具】,希望能够帮助大家在用数据驱动解决问题的过程,有一个结构化的解决思路。 一、核心要素当发现出现某个问题,或者应对某个挑战的时候,使用结构化的问题解决方法可以有助于制定长久有效的解决方案,主要包含以下核心思路:
二、PDCA 戴明环—Plan-Do-Check-Act常用的闭环迭代框架戴明环 PDCA,也是解决问题或者说可以应用到平时工作上的方法,帮助你做结构化的思考。 主要包括计划(Plan)、实施(Do)、检查(Check)、执行 (Act) 4个步骤,循环迭代,不断提升。 其实还可以加一个环节- T (Think) 思考总结。
结合问题解决工具和数据分析的常用流程,可以提炼出数据分析的核心思路。 三、核心思路1. 发现数据问题后,定义 X 问题
所有分析的源头,必须是要先识别要解决的重要问题是什么,为什么是最重要的。当你确定了是什么,和为什么重要,那么也就逐渐明确了数据分析的目的。 1)定义 X 问题技巧 可以根据不同类型的问题,用一个包含”如何、是否、原因是什么”问句来描述,比如:
2)问题具体化,不可太过于宽泛,否则数据收集会变得很困难。比如某个产品数据有没有变好? 2. 定位问题,识别根本原因那么经过定义 X 问题,明确了数据分析的目的后,就需要开始找问题出在哪儿。那么就有几个数据分析的方法了,给大家分享几个常见的分析方法。 1)全链路分析 对整个环节的每个节点进行分析,比如大家熟知的漏斗模型,AARRR 模型,都是典型的全链路分析。 以及业务模型中的用户生命周期、产品生命周期等,针对产品,或者运营整体的每个节点进行分析。
全链路分析的核心步骤:
2)组成因子分析 把整体目标按照某种分类标准,分解成不同的组成因子。因为整体目标只能看到目标达成的结果,不知道是如何达成的,执行细节是如何。
3)影响因子分析 很多时候,因子对结果的影响是定性的,而不是像组成因子一样是定量的,所以并不能完全把结果拆成多个因子相加。那这个时候可以用影响因子分析,列出对结果有影响的因子逐个分析。 比如说销售额,影响因子有商品、会员、客服、流量、活动等,但你不能说销售额=商品+会员+客服+流量+活动,对吧?
4)枚举法 简单粗暴地列举出所有可能影响这个数据的因素。枚举法大概会有以下 3 大步骤:
在列举的时候,也可以用到亲和图,分类别列举。 并且一定要有排序思维(将某个指标降序或者升序排列)。比如说在分析某个竞争对手的自然搜索关键词的时候,面对大量的数据,先确定关注哪一部分数据能带来最大的收益。 比如我在分析竞品 Google Organic Search 关键词流量的时候:
3. 提炼出有效的、明确的数据结论优秀的数据结论,并不是得到一堆图表,它是有价值的结论。培养一种 “以终为始” 的思维,从最终结果出发,反向分析过程或者原因,寻找关键要素,采取相应的策略,从而达成结果并且解决问题。 那么怎么样得到有价值的数据结论呢?一般有这么几个步骤。
|