数据分析指标篇——指标解读
发布于 2021-09-22 08:37
欢迎投稿（技术、经验、读书、职位）
最近职位(数据分析、数据开发)比较多，看机会的朋友欢迎加小编交流。
【推荐职位】
数据分析师 （Base：深圳）
资深数据分析专家（base 上海）
聚水潭招运营数据分析师（base 上海）
数据分析岗（base 广州）
数据挖掘岗（base 深圳 平安银行）
数据分析师（base 上海）
指标解读，大家第一感觉就是对于指标的数据进行波动汇报，认为不需要训练能直接上手，并且在短期之内还感觉解读的不错。但是长远下来会进入到一些误区当中，这里列举三种误区。
第一种是会发现自己解读的数据，跟让听众自己去看数据效果差不多，解读的内容带不来听众任何惊喜感。其本质原因是，解读的方式，是“观察式解读”，缺少对于指标背后业务本质的理解。
第二种是没有弄清楚相关关系和因果关系，这种解读极易引发大家的逻辑争议，甚至会引导出错误的决策判断，属于数据分析里面所谓的dangerous areas。
第三种是指标解读的节奏，抓不住重点。往往全盘解读，有点低效，个别解读，又害怕漏了重点。
以下我们便针对这三个数据解读的误区进行详细的说明。
走出“观察式解读”误区
所谓观察式解读，是指只从指标的表面信息去分析指标的情况和定位指标的问题，看起来很合理，也很高效，但是其实并没有get到指标背后真实的情况，这种解读方式，是数据分析中最常见的数据分析误区。以下讲述一个模拟的案例来帮助大家走出这个误区。
背景介绍：用户在严选下单后，严选会从仓库打包好包裹发送给用户，我们会针对不同的线路，不同的订单类型，进行承运商的选择，我们的承运商主要是三种：顺丰，京东和中通，三种承运商报价不一样，服务水平不一样，因此单量占比也不一样。
基于以下的数据，解读为什么单均运费从8.7元下降到了8.2元？
备注：
1.本文的数据皆为杜撰信息，请勿传播和使用；
2.报价10+2表示包裹3kg以内都是10元，每续重1kg增加2元。
单均运费，跟单量占比有关，也跟报价有关。读到这里，大家可以先尝试解读一下试试。
我猜测，有不少的人会有如下的解读解读：
“单均运费从9月8.7元下降至10月8.2元，原因是价格相对比较便宜的中通的单量占比上涨5%，京东单量上涨10%，以及京东的续费价打9折”
这种解读很常见，就是标准的“观察式解读”，一般数据分析新手很容易陷入到这种解读习惯中。这种解读有如下几个问题：
中通单量上涨或者顺丰单量下降的原因没有说清楚；
京东单量上涨和打折其实是一个原因，因为系统会基于报价情况来选择更低价格的配送商；
几个原因之间的影响没有量化；
是否存在数据外的影响因素没有评估。
这里直接给出更精准且有效的解读方式：
第一句：“10月单均运费从8.7元下降至8.2元，表现向好”
——说明现象
第二句：“原因是淘系活动带来渠道单量比例上涨6%，渠道70%发中通，引起中通整体的单量占比上涨5%，”
——中通变化的原因
第三句：“渠道发中通引起的客诉问题可控”
——对于业务的影响
第四句：“这部分影响0.4元”
——量化影响
第五句：“京东续费打折，选仓选配优先级提升”
——另外的原因
第六句：“以及业务主动调整江浙沪京东比例”
——所给的数据范围外的原因
第七句：京东单量上涨10%，影响0.1元”
——量化影响
这种解读方式，也是听众，特别是业务方高层更愿意听到的信息，以及基于这些信息，可以做进一步的决策升级等。
简单的总结一下，非“观察式解读”的要点：
先说明指标现象
研究透指标变化的【本质】原因
原因的影响进行量化
其他影响的说明
到这个层面之后，可以再加上针对这个指标未来的规划，那么就很完整了。
理清相关关系和因果关系
我们在解读数据时，往往需要理清楚事情背后的真实原因，我们需要的是指标现象和原因之间的“因果关系”，但是太容易出现解读出的“原因”是“相关关系”了。
举例1：如上面的那个案例，“单均运费变高的原因是京东和中通的单量占比增加”
“单均运费变高” 和 “京东和中通的单量占比增加” 其实都是现象，后者并不是前者的“因”
举例2：“上周GMV的增加是因为人均arpu值增加”
举例3：“昨日新进人数增加是因为曝光转换率增加”
举例4：“30日留存比较高的那一批用户，发现他们的特点是7日留存比较高”
相信很多人都能看出这些解读，其实很多都是指标之间的相关性影响，并没有给出背后的本质原因。其实当我们真的花时间多琢磨一下，这些背后的原因其实都是不难被挖出来的。那么如何能够避免出现这种情况呢？我觉得主要在于解读习惯。
这里我分享一下我是如何避免陷入这个坑的：解读时，不断问自己为什么？问到不能再问的时候，就是最终的答案了。
我们拿上面的案例2来举例：为什么GMV增加了？我们可以通过杜邦分析定位到是人均arpu值涨了。
那么下一步就是问自己，为什么人均arpu值涨了？答案是用户购买商品的件数增加了？
继续问自己，为什么购买商品件数增加了？发现是因为对xx商品新加了满赠的营销活动。
似乎是问到底了，其实不然，我们可以分析一下这个活动的影响，是不是对全局影响的主要原因，那么我们可以继续发问，为什么这个活动没有造成付费人数的上涨？
然后发现活动里面有限制，必须是超过一定购买金额，才有这个优惠。因此还是只有少部分的用户参与了这次活动。这样结论和数据表现，就能够完全对应上了。
当然有的人还会问，为什么要上这个活动？嗯嗯，这个就问业务方好了，可能这个问题，听众比我们分析人员更清楚~
指标解读的节奏
这一部分，我们需要重点解决一个问题：在什么时候，解决什么指标？
当只负责单一指标的时候，日常观察指标的波动就好了。我们可以定义一个预警条件，比如说收入波动超过10%就需要去解读分析一下，或者达成率不足99%的时候去分析原因。或者距离目标值完成的很好，或者很不好的时候，可以去复盘一下原因。
以供应链为例，我们分为促前、促中和促后。
促前：缺货风险，到货及时率，逾期率，仓库存储风险，分仓平衡性等
促中：生产及时率，配送及时率，配送时效等
促后：退货率，客诉率
除了大促，日常也可以有规律的、阶段性的去解读一些核心指标，比如库存情况，成本情况，客诉情况，等等。当然，如果遇到很重要的指标，需要做突破或者深入的分析，可以启动指标的专项分析，这个后续再介绍。
总结
指标解读是做好数据分析的第一步。同样的指标数据，在不同的人眼里，会呈现完成不一样的意义和价值。我们传颂啤酒与尿布的故事，谷歌基于关键词预测流感的故事，这些事情的基础就是深入理解指标。
如何能做到更高效的吸收数据知识，这个需要不断的训练和沉淀方法。希望人人都是分析师，这个时代下数据量级爆发的同时，数据价值也能爆发。祝好~
九饼，网易严选数据分析师，数据爱好者，认为数据可以改变世界。现负责严选主站和供应链的分析工作。
Python机器学习案例-使用集成学习进行客户流失预测
浅谈用户画像
业务分析模型，该怎么搭建
别拿BI不当产品---BI的AI化
数据产品经理基础技能：数据需求说明文档怎么写？
浅谈如何建设指标监控体系
一文掌握开发利器：正则表达式
产品经理日常数据分析工作
MySQL 深入学习总结
选择职业发展方向，我们需要考虑哪些因素呢？
AB测试平台的那些事
本文来自网络或网友投稿，如有侵犯您的权益，请发邮件至：aisoutu@outlook.com 我们将第一时间删除。
相关素材