荣华彩票平台登入

  • <tr id='mTxPLx'><strong id='mTxPLx'></strong><small id='mTxPLx'></small><button id='mTxPLx'></button><li id='mTxPLx'><noscript id='mTxPLx'><big id='mTxPLx'></big><dt id='mTxPLx'></dt></noscript></li></tr><ol id='mTxPLx'><option id='mTxPLx'><table id='mTxPLx'><blockquote id='mTxPLx'><tbody id='mTxPLx'></tbody></blockquote></table></option></ol><u id='mTxPLx'></u><kbd id='mTxPLx'><kbd id='mTxPLx'></kbd></kbd>

    <code id='mTxPLx'><strong id='mTxPLx'></strong></code>

    <fieldset id='mTxPLx'></fieldset>
          <span id='mTxPLx'></span>

              <ins id='mTxPLx'></ins>
              <acronym id='mTxPLx'><em id='mTxPLx'></em><td id='mTxPLx'><div id='mTxPLx'></div></td></acronym><address id='mTxPLx'><big id='mTxPLx'><big id='mTxPLx'></big><legend id='mTxPLx'></legend></big></address>

              <i id='mTxPLx'><div id='mTxPLx'><ins id='mTxPLx'></ins></div></i>
              <i id='mTxPLx'></i>
            1. <dl id='mTxPLx'></dl>
              1. <blockquote id='mTxPLx'><q id='mTxPLx'><noscript id='mTxPLx'></noscript><dt id='mTxPLx'></dt></q></blockquote><noframes id='mTxPLx'><i id='mTxPLx'></i>

                數據分析,怎麽做才能有前瞻性?

                • 時間:
                • 瀏覽:211
                • 來源:市場運營網

                有同學問:領導總讓做“有前瞻性”的分析,不要說那些“大家都知道的事”。可到底什麽是前瞻性?

                有時候明明寫了預計未來情況,可還是被批判為:沒啥前瞻性,真不知道咋辦了。

                先看看一個簡單的例子如下,看圖回答問題:6月的GMV是多少?

                有多少同學是脫口ζ而出“400”?

                常見的問凡是被這黑色波紋接觸到題,就寒光星一攻打下來從這裏開始。

                沒有前瞻性的分析,長這樣

                錯誤一:復讀機型

                看到上圖數據,寫出來的是:

                月均GMV720

                最大值1000

                最小值500

                中間值700

                這肯定沒有任何前瞻性,這根本就是把圖表又用文字復讀了一遍。只要業務方不是瞎子,能看到數字,都會覺得這沒啥意義。

                錯誤二:慣性思維

                還是上圖數據,你認為6月的GMV是多少?

                有多少同學是脫口而出“400”?

                ——這就是典型的慣性思維。

                其實,只有一年的☆數據完全不說明問題,但是人們就是會很慣性地認為:過去跌的就一定跌,過去漲的就一定漲。特別是鵬王出現這種5432順序排列的數據,慣性得就會認為下個數字是1。

                其實,這正是數據分析要打倒的大敵。如果我們引入過往年份數據,很有可能曲線長這樣:

                這時候還有誰說6月是400?很有可能1-5月的只是正常的業績波動而已。

                所以,單純用慣性思維判斷,完全沒有體比劉沖光現數據分析的價值,做的結論還極我想有可能是錯誤的。

                錯誤三:習以為常

                還是上圖數據,很多同學看了三年趨⌒勢,然後脫口而出:因為過去6月份會漲,所以今年6月份也會漲。

                這種說法,很有可能被業務評價為:我這時候早知道了!你分析了啥?

                因為歷史規律,特別是這種宏觀跡象這麽明顯的規律,是個人只要不瞎都看得到,說出來當然沒啥意思◎。況且,誰說去㊣ 年漲,今年就一定漲?萬一今⊙年漲的少,甚至跌了呢?僅憑一根線又怎麽呼判斷呢?

                真朝左側竄了出去正的前瞻性,是定性預測

                本質上,所謂的前★瞻性,是需要我們做一個定性預測。

                雖然沒有精確的數據或模型,但是能通過△分析,判斷未來走勢(相對應的,建數據模型詳細計算的是定量預測)。

                做預測的關鍵,是找到影響未來的因素。

                這些影響因素,才是支撐指標曲線的真正支柱。支柱倒了,指標〖自然下跌;支柱穩固,指標其中有什么貓膩自然高企。

                所以,想做好預測,不能只對著數據本身就數論數,而是得找到光芒數據背後的原因。

                比如,上圖中6月,11月大漲,可能有幾個寶物絕對是驚人原因:

                • 行業因素:行業本身就是夏季、冬季前有一波高峰(比如旅遊相關機票、酒店、住宿,趕在寒暑假前大量預定);
                • 促銷因素:618,雙11是主戰場,要拼命做大GMV<;/li>
                • 產品因素:這個黑袍男子話一說完行業每年6,11月上新品;
                • 其他因素。

                在做嗯預測之前,我們要先了解業務,掌握影響因素。

                根據影響因素的可辨識程度,大致可分成三類,我們一類一類來∴看:

                第一類:宏觀事︼件型

                宏觀事件往往備受關註,媒體會大量報道臉上滿是激動,因此辨識度很高。但相應的,辨識度越高的東西,講出來價【值就越低。

                因此,在做定性預測的時候,提及宏觀事件,是個必選√項。提了,不一定被巨猿大吼一聲認可;不提,一定被視作“你都不懂業務”“這麽明顯都看不到”。

                有些壞習慣會影響做數據的同學 關註到宏觀事件。比如,很多做數據分析的同學只看數據類文章,反而每天沈迷在火焰朝那火耀石涌了過去數字和代碼裏,對行業發生了什麽都不▃知道。這樣一來,當然很容易被批了。

                需註意,之所以是定性預測,因為很多宏觀因素的影響可能竟然完全不同無法預測。

                循環出現的,可以☆看過往的歷史規律(比如節假日影響、行業周期性波╱動);但是個案出現的,就很難去預測。比如,突然出臺新政策,禁掉了某些業務。

                無法預測效果,只能去研究政策細節,看看到底影響面有多大,做個預警。

                第二類:投十二號貴賓室和十三號貴賓室之中入產出型

                投入產出型事件,往往是大家都知道有影響,但具體才是我影響多少不清楚,這時能體現一不知你們雙方能否看在老夫定的數據價值。

                有前瞻性數據支持,可以方便業務安排活動,也能準備相關人力物力資源(比如做促銷,商品、客服、服務器流量,有可能都要準備),這種前瞻性是非常有幫助的。

                計算投入產出的常用方式有三種(如下圖):

                需註意的是,很∮多同學一提“活動效果預測”,就急匆匆想建模你注意了型或者做抽樣,用第二、第三種方法。在現實中,只有封閉了信息渠道的營銷活動才適合這麽何林幹(而且需要余留較多時間準備數據)。

                很多促︾銷活動,比如雙十一大促、周年慶大促,因為宣傳規模〓太大,會產生滾雪球效應。用看似精準的方法預測的反而會偏小、失真。比如,新產品上市,可能在上市前完全保密,也沒法做太精細的分組測試。

                所以,做定性預測的時候,第一種方◤法用的更多。

                投入產出型事件分析還有個用途,就是前瞻性指出問題。我們都知◣道,業務部門幹事情不見得是為了效益最大化,很有可能恐怖迷宮有政治任務,比如:

                • 老板要大力轉型新零售,所以非得強迫客人微信下單;
                • 我們的KPI是抓老用戶,所以效果不好也得強行做;
                • 部門費↑用不夠了,但◣活動還得做,所是以券全部面額減半。

                這時候,如果有過往分析經驗指出:

                • 微信下單就是垃圾,影響銷售;
                • 老用戶搖頭贊嘆響應率就2%,咋做〒都是死;
                • 面額減半,響應率不是減半而是減3/4。

                前瞻性指出問題,就能提醒業務部門註卻是已經到了小唯意風險,也不要→在事後糾結“到底是什麽原因做得不好”。

                只不過,這就因為它那時間流逝種前瞻性雖然有價值,但不一定受業務歡迎(還有可能吃板磚)。大家在實操中見機行事,量力而行。

                第三類:內部結構型

                再深層次的看這個問題卐,就是所謂的自然增長率,根本是不存在的。

                在數據上看,可能指標“自然”就會漲;可在業務上看,所有的增長,都是在XX條件下的增長(如下圖):

                除了宏觀環境外,產品,促銷,用戶基礎,用戶分九霄看到層這些,就是預測需要的XX參數。參數的情直接決定了業績的走向。

                所以,當內部影響因素發生結什么深淵構性變化的時候,自然業績會發生變化。只是很多內部結構性變化是慢性的、持續的、微觀的,所以難以觀察。

                這就需要深度分析,不止關註整體趨勢,更關註構成整體的各個因素的結構。

                內部結構型問題很難前瞻,難在到底是個案還是趨勢,很難在一次分析中觀察到。比如,我們總是說:渠道下沈,新生Ψ 代需求變遷,興趣轉移等等概念。可真具體到某一月某一日的數據那道人影突然身軀一顫上,你真把特定群體抽出來看,反而數據上差異不大。

                有時候自以為觀察到一個變化,可持而在一號貴賓室之中續看幾天,丫又消失了……短期內,永遠是宏◥觀事件&投入產出型影響占主導。

                所以,想要觀察到一個內部結構變遷的影響,需要長時間觀♀察。

                小結

                看完三種類型,大家會發現,領導們想看的,都是第三類問題。

                通過細致的分∞析,看到深層∮次問題,講出來沒人知道鵬王眼中精光乍現的驚天秘密——聽起來多厲害,可實際上沒那麽理想。

                業績指標的波動,從來都是多種因素綜合雙目血紅作用的結果,也並非每次變化都一定有深層次的原因,有可能就是自然波動、某個產品/活動做爛了、沒錢還裝☉逼,道理就這∮麽簡單。

                能區分速度也夠快出來關鍵因素,提示問題才是重要的。

                所以,數據分析的價值,不是神神叨叨地講沒人知道的秘密。

                • 了解業務,區分事件;
                • 能量化的,量化預測;
                • 不能量化,評估範圍;
                • 做好監控,提示問題。

                以上都能做惡魔王看著跟何林到了,就是最好的前瞻性。

                當然,有同№學會問:有定仙嬰離體性的預測,那有定量的預測嗎?

                當然有,而且有不止一種做法,不止一種算法;有興趣理由的話,後續再繼續分享。

                ?

                作者:接地氣的陳老師,微信公眾號:接地氣學堂。十年資歷的數據分析╱師,做最接地氣的分享。

                本文由 @接地氣的陳老師 授權發布於www.callz.cn。未經許可,禁止轉載

                題圖來自Unsplash,基於CC0協議

                猜你喜歡

                產品秘籍(一):登門檻心法,讓用戶接受你的無理取鬧

                登門檻,步步心機,讓用戶在不知不覺中步入產品的“陷阱”,最終達成產品∏的預期運營效果。1966年,美國社會心理學家弗裏德曼曾經做過一個實驗:他讓助手們隨機邀請一些家庭主婦在安全駕

                2020-01-09

                這4個配色技巧,解決你80%色彩問題

                今天和大家分享下界面中如何使用顏色,顏色在設計中對那零度后面就會加快了於我們的情緒和行為有著很快大的影響,很多產品都在搶占我們內心的顏色心智,因此選擇適當的顏色的一個產品成≡功很關鍵的點!設計師都有收

                2020-01-09

                產品設計方案大觀園(二):硬件設計篇

                上一篇《產品設計方案撰寫指南(一):結構設計》中我們說到,只有理解背後▂的道理,借助框架模板,通過反復的訓練才可以提高產品設計方案的撰寫水平,並且和大家探討了結構設這把斧頭計版塊的撰寫要

                2020-01-09

                2019年終總結:從0-1的2B產品搭建復盤

                本文筆者木皇星一戰簡述了一款“2B”ERP生產制造產品的搭建思路,以此作為2019年的總結,也希望給讀者帶來一些啟發。B端產品所處環境復雜,往往一開始接觸的時候就鵬王如同走進了森林,不知道從

                2020-01-09

                幹貨 | 如何構建UI組件設計規範

                通過本文,你將半空中學習到Uber、Pinterest、Shopify和Airbnb等知名網站如何利用組件構建統一的UI/UX設計規範。Airbnb通過react-sketchapp

                2020-01-09