为什么你做的数据监控分析,总被人Diss
2022/9/4 18:00:00 人人都是产品经理

     关注并将「人人都是产品经理」设为星标

     每天早 07 : 45 按时送达

    

     你有没有经历过做了数据监控分析,却被diss的情况?作者认为,想让监控做得好,需要一个系统工程,那么数据监控到底是什么?如何应对无理取闹的diss?如何去做好数据监控分析?一起来看看作者的分析吧。

     全文共 2238 字,阅读需要 4 分钟

     ——————/ BEGIN /——————

     “建立数据指标体系,监控业务走势并发现异常情况”是数据分析的一项基础工作要求,然而很多同学都遇到过,被领导或者业务diss数据监控做得不到位,发现问题不及时、不准确、不深入。

     BUT!并不是“谁闹谁有理”,很多时候业务的吐槽并没有道理,要具体分情况看。

    

     数据监控是啥

     举个简单的例子,开车的时候,开个导航,导航就是个数据监控产品。只要设定好终点,导航可以根据定位自动显示起点,然后一路上提醒你:

     距离目标还有XX公里

     当前路段限速80,您已超速

     前方拥堵,已为你推荐新路线

     瞧,多好用!

     从这个小例子里,能看出来数据监控四要素:

     监控目标(目的地)

     当前情况(到达时间、速度)

     业务行动(坐什么车,选哪个路)

     预计判断(基于当前拥堵预判)

     而现实中,这四样东西很可能不存在,这就是所谓“无理取闹型diss”。

    

    

     无理取闹的diss

     无理取闹一:没有监控目标。

     喊着让监控DAU,那么,DAU每日目标是多少?丫自己都不知道!喊着让监控销售额,销售额每日目标是多少?丫也不知道!这就好像要开车了,打开导航大喊:“导航导航,你快分析出来我想去哪里!”亲,你需要的不是导航,是魔法扫除哈。

     无理取闹二:标准来回变化。

     定了每日目标,但是丫觉得“你看,昨天超标5%,今天超标1%,不行不行,肯定有问题!”还是回来吐槽。结果过两天,业绩不达标了,他又觉得“你看前几天都超标,真好!”这种反复横跳,让人目标名存实亡,还咋积累经验。

     无理取闹三:忽略周期规律。

     这种人最喜欢盯着一个数字大呼小叫,今天涨了1%啦,明天跌了0.5%啦,上蹿下跳逼着你深入分析。如下图,业务本身就是有周期变化的呀,如果整体走势没啥大问题,纠结一天能得出啥结果来……

     无理取闹四:故意回避变化。

     这种人和上一种是反着的。上一种人神经过敏,这一种人神经大条。如下图2,非要拖到数据跌得不行了,才意识到问题。说穿了,就是不想直面问题,能耗就耗着。

    

     以上种种,本质上是业务部门自身缺少数据思维,拍脑袋决策拍习惯了导致的。不过有一个更深入的问题,还在后边。

    

     深层本质

     问:如果导航只收集一辆车的行车数据,能不能显示出整条路哪里堵,哪里不赌?

     当然不行!它得把所有车的数据汇总起来,才容易看出问题。

     这就是做数据的时候“长袖善舞,多钱善贾”的效应。

     做业务监控同理。

     如果只收集了总销售收入结果,那就只能提供结果监控;如果有对组成销售收入各个渠道,各个客群做数据收集,就能看到是哪个部分出问题;如果对销售转化过程有数据记录,就可以看到哪些节点出了问题。

     越详细的记录,监控的时候发现问题就更具体。

     同理,影响结果的原因非常多:用户需求、业务行动、外部环境等等。

     并且,这些原因不见得能直接用某个指标+维度量化,需要打业务标签,做长期记录观察,才能总结出规律。

     比如做个促销,大家都知道业绩会涨。

     但到底涨多少,和以下因素都有关系:

     促销力度

     促销形式

     目标数量

     用户响应

     执行过程

     要把过去做过的活动,打上业务标签,一一对比,才能看出差异(如下图)。

    

     这种活,只靠一次分析,一天的监控肯定搞不掂。需要长期积累。如果缺少积累,大家只是口头上笼统讨论“为啥上活动了,业绩还不涨?”那肯定讨论不出来个东西。

     很多时候,业务会说:数据有很多,就是没用起来。注意!业务部门经常把数据的条数多,当成“数据很多”。而数据分析口中的“数据很多”指的是过程指标+分类维度很多(如下图)。

    

     这里的区别是巨大的,过程指标+分类维度,才是深入解读的数据的关键。

     有过程指标,才能看到问题发生节点

     有分类维度,才能做个体对比找差距

     有业务标签,才能快速抓住重点问题

     光有一个结果指标,数据的可分析程度是很稀薄的,也就看看周期规律,没了。

     当然,还有些场景,是数据分析师自掘坟墓,引火烧身。

    

     自掘坟墓招diss

     最大的自掘坟墓行为,当然是:闭门造车,不懂业务。

     有的上网到处问“GMV波动的标准是啥呀”

     有的拿着1%波动差异和各种维度交叉试图看大小的

     还有的一门心思研究指标是不是符合正态分布,2倍标准差在哪的

     结果这么选出来的“异常值”,不是自然波动,就是业务在上活动。除了引来一句“我早知道了”以外,别无他用。

    

    

     小结

     业务上的数据异常,指的是实际业绩数据,超过业务的期望值。

     在期望值内的,哪怕数字上波动很大,也不见得引发焦虑

     超过期望值的,哪怕数字小,哪怕是上涨,也会引发疑问

     没有期望值的,标准反复横跳的,丫当然会天天焦虑

     因此,想让监控做得好,需要一个系统工程:

     量化业务目标

     按时间/部门拆分目标

     了解目标指标的周期规律

     了解业务部门到底干了啥

     收集过往业务行动效果

     结合业务行动+趋势变化,解读数据

     这样才能充分评估形式,做出准确的判断。

     当然,并不是每个公司都有这么好的氛围。甚至经济下行压力之下,有些公司的业务就是喜欢把锅乱甩,所以作为数据分析师,我们做好本分工作,我们自己不要犯四种无理取闹错误,多积累经验即可;换工作的时候,也能充分证明自己的实力。

     请大家放宽心,学到的本事,始终是自己的。

     ——————/ E N D /——————

    

    


     产品经理培训产品运营培训企业内训服务

     请在公众号后台回复「培训」了解更多

     ▼ 喜欢请分享&收藏,满意点个赞,最后点「在看」 ▼

    源网页  http://weixin.100md.com
返回 人人都是产品经理 返回首页 返回百拇医药