数据分析需求,怎样梳理才清晰?

为了提高数据分析质量，我总结了以下可以回答的三类问题。数据分析师们可以对症下药，在业务部门思路不清晰的时候，帮他们理清思路，找到他们真正关心的问题。

简单来说，我们可以回答三类问题：是什么，为什么，会怎样。

是什么：用数据指标描述某一时间段内的某个问题。这里有三个关键词：数据指标、时间、问题。

第一个关键词是数据指标。我们常提的，比如PV/UV，用户数，活跃率，转化率，留存率都是指标。讨论问题如果不能具体到一个指标，就无法用数据量化分析。因此业务部门需要清晰地知道：到底有哪些指标可以用。

这里强烈建议数据分析师们把自己公司常用指标整理一份《业务常用数据字典》，方便业务方统一口径，也方便业务方新人学习。尽量不要一个项目就新造一堆指标出来。公司内部统一口径，才是可持续深入分析的基础。

第二个关键词是时间。业务方往往对时间不敏感，喜欢张口就来：“我们的用户量是多少？活跃率是多少？”这时候数据分析师必须提示业务方，想清楚自己想看的数据的时间范围。活跃率是看周活跃率还是月活跃率还是年活跃。

如果业务方自己想不清楚，就交代一下业务背景，让数据分析师帮看看用哪个指标合适。不沟通清楚时间段，同一个指标反复取数，是导致数据分析师加班的重要原因！

第三个关键词是问题。数据指标有可能能直接说明问题。比如性别指标，直接统计某个时间点上的性别指标，就能看出来用户男女比例。有些情况下，需要多指标综合判断。

比如要判断一个推广渠道的质量。这里“质量”两个字就可能是综合指标。单纯地看渠道带来的收入可能不解决问题，至少还要看客户档次，看渠道成本，看ROI等等指标。有些情况下，还需要多指标对比做出判断。比如业务方问：什么渠道质量高。这里“高”就是一个相对值，需要有一个明确高低的参照物。

遇到综合指标&对比判断指标，业务方需要先给判断逻辑。毕竟业务方才是对业绩直接负责的部门。到底什么指标对业务发展更重要，到底什么程度才算好/坏，业务方才是最终裁判。对业务开展有利是最终判断准则。如果业务方暂时没有清晰判断，数据分析师可以协助先计算数据分布，提高业务方判断效率。

为什么：用数据分析问题产生的原因。需要指出的是，数据分析仅仅是寻找原因的一种手段。因为目前的数据仅能记录一小部分用户行为状态。很多重要的原因无法被记录。因此，数据分析更适合定位问题。剖析问题找到原因，可能需要用户访谈，渠道走访，亲自体验，产品测试等多管其下。

数据分析师70%时间要花在基础的数据处理、数据计算、报表制作上。相比之下，每天都在一线奋战的业务方，反而有可能对问题产生的原因，有更直观的感受。

因此，想精准的分析原因，最好的方式是业务方先提供业务假设：基于经验，可能是在XX方面有问题。数据分析师通过数据进行验证，质量就非常之高了。

会怎样：用数据预测未来可能的情况。这里必须强调：不要高估所谓大数据、人工智能、科学算法的能力。数据分析师们预测未来的基本逻辑，是：过去的情况会重现，过去发生的逻辑未来也一样。完全凭空飞出来的黑天鹅是无法预测的。

本质上看，未来业绩是多少，是靠业务方做出来的，不是算出来的。如果业务方不努力干活，单靠算法、公式、模型、又能怎样？

因此，高质量的预测，是建立在业务方准确地提供未来计划之上。未来业务方将开展的计划越精细，数据分析师们，就能越准确地衡量得失，判断内外部因素影响。如果没有计划，数据分析师们，也只能假设现在的某些趋势保持不变，简单拍拍脑袋。

为了提高效率，要把智力投入到更有价值的为什么，会怎样的分析上，而不是反反复复的当人肉报表机提数据，那样分析的结论不深入，既浪费人力，又耽误业务部门决策。

好课推荐