2021年,做好數據分析項目,四分之三就靠它了!

2020年12月22日 09:25 來源:接地氣學堂 作者:接地氣的陳老師

接地氣的陳老師,微信公眾號:接地氣學堂(微信號:gh_ff21afe83da7)。資深咨詢顧問,在互聯網、金融、快消、零售、耐用、美容等15行業有豐富數據相關經驗。

2020年,你在工作中做了幾個成功的數據分析項目呢?問題一出,又是發新手同學一陣哀嚎:

“沒項目做呀!”

“每天瞎忙啊!”

“業務方:我早知道了,你做的有啥用,你分析的不準確一鍵三連呀!”

 

O(╥﹏╥)o

今天我們先不談“為啥每天瞎忙沒項目做”的問題,就談“為啥已經開工的項目會失敗”。因為認真梳理下會發現,至少四分之三的數據分析項目失敗,和這個事有關。

 1 問題場景1

需求1:

“我們要建立大數據用戶畫像”。這個需求很常見,業務部門動不動就“來個用戶畫像分析”。那么問題便來了,真的做這個需求,有多大概率撲街?

非常大

因為不知道做了到底干啥呀。業務方可能很隨意的說:做了用戶畫像,就知道用戶特征了。問題是:這個需求報表不能滿足嗎!如果真是不知道,直接把用戶特征各個維度跑一遍數,列個excel表就好了呀,為哈要費事上一個用戶畫像項目呢?!

這種需求叫:無目標需求。漫無目標,大概率做完了被人扔一句:“我早知道了!”因為對方確實可以通過日常報表、用戶調查、自己體驗獲得一些數據。這種項目接過來過,夯吃夯吃打標簽、整數據、做看板,最后鐵定失敗。

 2 問題場景2

需求2:

受到場景1啟發,有同學會問:做用戶畫像干什么?

業務方答:做來看哪些用戶喜歡A產品

那么,真的做這個需求,有多大概率撲街?

非常大

問題在什么叫“喜歡”???

如果是“過往X個月內購買次數大于X次,購買金額大于X元”叫喜歡,那直接拖一張報表就能滿足需求呀,為啥需要起一個項目。

如果是“未來有大概率會購買A產品”,那實際需要的就不是什么用戶畫像,而是針對A產品的預測。那起個毛線的用戶畫像項目,直接做預測呀。

這種需求叫:需求不清晰。驢頭不對馬嘴,這種項目接過來做,分分鐘落一個:“你做的沒啥用”的評價。找不準真實的痛點,項目必定失敗。

 3 問題場景3

需求3:

受到場景2啟發,同學知道了業務方想預測銷售

現在,業務方提出:希望能精準預測銷量

那么,真的做這個需求,有多大概率撲街?

非常大

問題在:預測的到底是啥玩意不清楚。

如果預測的是新上市款,壓根沒數據呀,預測個毛線。這時候,最關鍵的問題就是:要不要做測試。如果已經有選定產品,需要測試效果,這就是測試問題。直接設計ABtest,拿去測一測效果,收集一波數據再做預測。

如果沒有做預測,這時候實際上是:分類問題。基于競爭對手的選擇,自身商品管理的判斷,過往同價位/同客群/同品類銷量走勢,對待上的新品進行評估。由于完全是憑空預測,因此輸出的結果必定不能很準。這時候最好的做法是先對產品定性,它的潛力是:爆款、流量款、利潤款、補充款、普通款、還是吊車尾。有了定性判斷,再看配多少資源,多少人力給它。再看能不能基于資源投入預測。

                         

這種需求叫:需求不具體。看似有目標,但是少了背景條件,甚至一字之差,離題萬里。這種項目接過來做,分分鐘落一個:“你做的沒啥用”的評價。找不準真實的痛點,項目必定失敗。很有可能夯吃夯吃塞了一堆現有產品數據,結果發現根本沒考慮業務動作,也不能推廣到新品,最后落一句:分析不精準啊!

 4 問題場景4

需求4:

受到場景3啟發,同學問了業務方,得知:

想預測銷售,是指導銷售團隊工作。

那么,真的做這個需求,有多大概率撲街?

非常大

問題在:知道預測結果,人家又能干啥。

如果預測業績很好,so what!銷售還是該干啥干啥呀,說不定還會搞搞陣,藏點單啥的。

如果預測業績不好,so what!這東西根本不需要預測呀,拖一張報表就能看到做的好不好呀,看到業績不達標,還需要預測嗎,麻溜的開發客戶去呀。

 

所以這個預測值,對于銷售部門來說沒啥實際用處。這個需求可能只是出于好奇,可能就是隨口一說。總之,這叫:需求不夠剛性。這不是業務部門的核心問題點,因此項目上了也是白上,最后很容易被批為:分析有啥用。

 5 問題場景5

需求5:

受到場景4啟發,同學問了業務方,得知:

想預測銷售,是指導庫存管理。因為供應鏈不能控制銷售,只能被動看訂單供貨,所以能預測出來銷售值就很重要。如果銷售預測準了,備貨自然能按照銷售來備,庫存損失也能減少多好!這次是剛需了吧。

那么,真的做這個需求,有多大概率撲街?

非常大

問題在:影響庫存損耗的不止一個因素,只考慮銷售太過偏頗。

這叫:需求不準確。本質上,供應鏈損耗受到采購計劃、銷售能力、生產排期三方面影響,和銷售有關,也有可能和領導私心(收了供應商錢,野心過大的擴張計劃)有關。因此只抓一個因素,很有可能不能解決問題庫存損耗的問題。繞路走,是數據分析頭號大忌。

既然預測是為了減少損耗,就直接把目標設為減少損耗。注意:即使再優化,也不可能做到馬上進馬上出,因為總有一些市場意外,總有一些商品滯銷,所以最后控制目標也不是直接壓到0,而是控到一個可接受水平,或者控制促使整體損耗下降。這樣才是可能成功的目標,梳理到此,可以繼續往下做了(如下圖)

 6 小結

四分之三的數據分析需求,在開始的時候就注定失敗的。

l 不清晰

l 不具體

l 啥都想搞

l 不知道做了啥用

l 做了也沒啥用

只是聽說市面上流行“數字化轉型”“人工智能大數據精準用戶畫像”就急匆匆往上懟。最后自然必敗無疑。

 

有趣的是,識別偽需求的最好方法,就是拖一張報表。通過業務部門對報表的利用情況,可以反向觀察:

l 哪些部門真的數據,哪些就是說說而已

l 哪些數據真的能有用處,哪些看了就看了沒屁用

l 看了數據能做哪些動作,哪些又是看了也無能為力

 

這樣,即使業務部門沒有能力講清楚需求,數據分析師也能夠對項目目標、工作重點、輸出內容有自己的判斷。所以做數據分析的同學們,不要被網絡上爽文洗腦了:報表才是數據分析工作的立命之所。一個會玩報表的數據分析師,才有機會做出高大上的模型。切記切記。

本文已獲得授權,轉載請與原作者聯系

更多互聯網行業動態>>請關注微信公眾號“我要啦統計”(微信ID:Analysis_51la)