什么樣的數據分析,才算「有高度」?

0 評論 7374 瀏覽 36 收藏 11 分鐘

作為數據分析師,我們每天都在跑數,做分析,但是分析出來的內容總是被他人評價沒有高度。那么,究竟什么樣的數據分析,才能算得上有高度?作者分享了幾點做有高度的分析的技巧,一起來看看吧。

我們經常抱怨:每天工作都在跑數,做出來的東西,總被嫌棄“沒高度”。都是統計計算,咋就需要“有高度”了?今天通過我的一個真實案例,看看數據分析是怎么做到被評價為【有高度】的。

問題場景:某傳統企業的電商部門,市場部領導找到數據分析師,拿了商品當前庫存數據與周銷售數據報表,請幫忙分析。業務方表示:沒有明確分析要求,做一個探索性分析。

問:這個分析該如何做?

01 負分的分析

  • 昨天庫存120
  • 今天庫存220
  • 環比增長83%,建議搞低

點評:懶得點評了,大家自行吐槽。

02 一般的分析

  • A產品周銷量100,庫存還有400,還能用4周
  • A產品補貨周期為3周,可繼續觀察
  • B產品周銷量100,庫存還有200,還能用2周
  • B產品補貨周期為2周,建議本周開始著手補貨

點評:知道進、銷、存的數據得連起來看,知道考慮補貨周期,這起碼及格了。

03 有點高度的分析

  • A產品有季節規律,目前在周期末尾,預計庫存夠消耗3周,不建議補貨
  • B產品已到產品生命周期后半段,每周銷量遞減,應加速出貨
  • C產品為非季節性標品,周銷量100,庫存200,還能用2周,本周可補貨

點評:做數據分析工作和上學做作業的最大區別,就是“實際工作中沒有標準考題,只有待解決的問題”。因此并不是說業務部門甩一個數據,就只能看這一個數據的!并且,產品生命周期、自然周期、是否穩定銷售,是不需要業務部門叨叨,數據分析師可以自己通過數據來發現的。因此想發現問題,沒必要等著業務來教,完全可以自己主動出擊。

從業務常識和數據表現兩個角度,發現數據背后的規律。季節性商品:比如冬季保暖防寒、夏季降溫解暑的產品,應季銷量才好,并且如果今年冬天沒這么冷/夏天沒這么熱,銷量會打折,表現在數據上如下圖所示:

生命周期性商品:比如電子產品、每季新款服裝,上市后賣得價格最貴、銷量最好,越往后越不值錢,等季節一換,新款一出,只能降價清倉。表現在數據上如下圖所示:

穩定銷售型商品:比如米、面、油、蛋,紙巾、洗發水、沐浴露,日常生活都需要,可能每周跟著整體銷量(比如門店客流、網站流量)有波動,但大體上不會大起大落。表現在數據上如下圖所示:

這些可以在平時日常數據中就發現規律,積累經驗,不用等業務方叨叨才動手(很有可能,業務方自己清楚這些差異,所以自己動手算了數,也不會再問)。

04 這里有2個小細節要處理

細節一:如果不是經常補貨的產品,而是新款產品,如何預測未來走勢?最簡單的做法是根據產品品牌、價格段,對產品定級別,根據過去同級別、同價格段的產品表現做參考(如下圖)。

細節二:如果周期性銷售產品,受到外部影響,比如下雨了,沒生意,如何評估走勢?最簡單的做法是看影響因素的持續時間,根據過往影響,直接在未來持續時間內做調整(如下圖)

當然還可以用更復雜的預測方法。有趣的是,這種預測會改變業務方的行為,因此不見得需要特別準地預測,比如二分類預測:2周內能銷完/不能銷完,就已經能促使業務方決定清不清貨了。關于預測的更多知識,戳【預測不準,別只會怪數據分析師??!】

這就又涉及到一個關鍵問題:精確度多少能接受。企業里數據分析工作和做作業的第二大區別,就是:“真實工作需要和各部門溝通,不是完了卷子等正確答案的”。

特別是在本案例的場景里:業務部門自己都稀里糊涂,沒有明確目的!此時更不必強行追求計算結果的準確度,而是有了初步結論以后,就能開會溝通一輪,提示風險,了解內情。除非遇到庫存成本特別高且保質期很短的,比如生鮮中進口水果、海鮮,醫療用品中的冷柜存放的疫苗一類的特殊產品。

一般的產品都有一定周轉空間,因此控庫存的最終目標不是100%壓點清倉,而是把庫存控制在安全范圍內即可。所以與其自己糾結要死,不如看看目前市場部的庫存壓力是否能承受。那么,是否有更有高度的分析呢?

05 更有高度的分析

問一個簡單的問題:市場部身為運轉中樞,為啥銷量、庫存這么核心的數據還要跑來問呀!市場部的人跑上門問,這個動作本身就是大問題。敏感度高的數據分析師,在跑數之前就應該感覺到不對勁了。事出反常必有妖,事前溝通很重要!具體情況可能有很多,但有個核心問題要首先解決:業務方到底是真不懂,還是假不懂!

不要笑!不要以為核心數據業務方就真的了如指掌。很有可能之前業務發展順風順水,所以大家都習慣拍腦袋了;也有可能之前吃了行業紅利,真的是母豬飛上天??傊?,如果是真不懂的話,就需要:

  • 建立數據監控體系
  • 診斷現有問題
  • 提供建議先處理眼前問題

培訓相關人員,建立長效監督機制這樣把商品運營的工作從原始狀態,推進到數字化管理的狀態。如果是假不懂,還要看是缺人手還是缺幫手!

如果是缺人手,需要人幫忙清理數據,這時候牢記:

  1. 上產品
  2. 上產品
  3. 上產品

數據產品才是解決處理數據人手不足的最優方案,不是再招聘幾個Excel boy填坑。Excel boy/Sql boy 的存在,本身就是數據工作的負擔。既浪費成本,又不能體現績效。業務能力強就上數據集市讓他們拖拉拽;業務能力弱就固定看板,然后教他們看。

如果是缺幫手,就得看幫著干什么:

  • 某幾款產品運作得不好,想提前清掉庫存
  • 某幾款新品想上,想把之前的幾款當標桿,作為支撐依據
  • 某幾款產品想大量補貨,但是怕老板不批,想多一個人發聲
  • ……

這些目的可不是業務方不表態,數據分析師能直接猜到的。所以業務方想讓數據分析師幫忙發聲,就老老實實表明來意,大家一起合計合計。

確實有業務方,喜歡陰陽怪氣,有想法不說,非讓數據分析師猜,猜不中就說:“好像分析得沒高度,不符合業務期望呀”。這種做法就是在為事后甩鍋做準備,不搭理也罷。

06 小結一下

在企業內談分析高度,和在學校做科研談高度完全不一樣??蒲蓄I域才講高精尖,用的方法越復雜、越前瞻、越先進越好。企業的目的是掙錢,掙錢講究效率,講究配合,講究實用。因此,有高度的順序是:

  1. 結合業務情況 ≥ 單純計算數字
  2. 發現業務問題 ≥ 單純鋪陳結果
  3. 達到業務目標 ≥ 單純就數論數

在這個過程中,需要有基礎業務理解,需要和業務緊密溝通,需要看具體目標量體裁衣,這才是提升分析高度的最有效手段。

專欄作家

接地氣的陳老師,微信公眾號:接地氣學堂,人人都是產品經理專欄作家。資深咨詢顧問,在互聯網,金融,快消,零售,耐用,美容等15個行業有豐富數據相關經驗。

本文原創發布于人人都是產品經理。未經許可,禁止轉載。

題圖來自pexels,基于CC0協議。

該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒評論,等你發揮!