建设网站商城需要多少费用吗,手机网站和电脑网站开发,企业集团网站网站建设方案,wordpress网站加载过慢现实与Kaggle的区别现实环境的数据分析工作和Kaggle题目之间#xff0c;最大的区别在于kaggle上的问题往往非常清晰。预测类问题#xff0c;你只需要把预测做的足够准确就能拿高分。但在实际的业务环境中#xff0c;你做了一个很牛逼的预测模型#xff0c;换回来的只是业务…现实与Kaggle的区别现实环境的数据分析工作和Kaggle题目之间最大的区别在于kaggle上的问题往往非常清晰。预测类问题你只需要把预测做的足够准确就能拿高分。但在实际的业务环境中你做了一个很牛逼的预测模型换回来的只是业务方一句“这个有什么用”有时候业务方提出的问题也很不靠谱。提需求的时候说是要分析一个问题的原因结果实际上问题根本就不存在只是对方的感觉。所以如果你在Kaggle上可以混的风生水起那么只能说你对于确定性问题的解题方法掌握比较好。但到了实际业务环境下识别问题成了一个更重要的能力。业务人员提的数据分析需求往往很杂各种千奇百怪的“是不是、有多少、为什么、能不能、会不会怎么办”等问题层出不穷。到底哪些问题可以归为一类这类问题又该如何分析这是每个数据分析师都想知道的。我根据自己的经验和理解整理了一套定义问题的方法分享给大家。一个业务分析需求的必备要素有哪些一个业务分析需求必备的要素有哪些上一篇提到了一个思考框架业务流、管理流与数据流。这里简单复习一下一般常见的分析流程是什么用数据流反应管理流解决“是什么”的问题。留存率是多少算高算低如果留存率低的话是哪类用户低我一般把常见的细分分析得出的结论都归纳成“是什么”。“为什么购买转化率低”“因为落地页的转化率低”。类似这样的回答其实只是对转化率做了细分本质上还是“是什么”。真正的“为什么”是“为什么落地页的转化率低用户到底在想什么需求是什么”为什么用数据流反应业务流解决“为什么”的问题。什么原因造成一部分用户的留存率低是因为需求无法满足还是非目标用户群体如果是落地页转化问题那么现在落地页上的问题是什么哪些元素降低了转化率这类问题的答案要落实到具体的用户需求上。有时候数据可以反应用户的实际使用情况比如用户在落地页上停留较长也愿意查看活动规则但是转化率很低。那么这种情况大概率是用户被卖点吸引但是看不懂规则或者实际活动与他的理解不一致。很多情况下数据没法直接反应用户遇到的问题必须通过用户调研实现。怎么办在管理流中找对策解决业务流的问题解决“怎么办”的问题。如果是需求无法满足这部分用户那么我们可以怎么解决这个问题增加功能还是优化现有功能的体验有时候这一步并不一定是数据分析师来做的甚至不是从数据上推导的。上一步的“为什么”如果已经找到非常具体的原因比如“A类用户流失主要是由于会员到期”那业务方围绕着如何促进续费就能改善这一状况。目的除了分析的常见流程还有一个分析的前提——这次分析的目的是什么。这个目的往往是改善某一个具体的指标。我虽然经常吐槽业务人员没有数据驱动业务的思维但是在KPI问题上业务人员对数据思维往往非常好。如果做的事情没办法用数据衡量对业务人员来说价值不大。所以一般来说一个数据分析需求一共要经过四个阶段目的确定分析的目的优化什么指标。是什么确认现在的指标情况“是什么”问题集中在哪个部分为什么现状为什么是这样用户的需求是什么怎么办制定什么样的对策来优化指标。常规的数据分析问题类型最常规的问题类型是业务方知道前面N个环节需要分析后面的环节。比如最常规的只知道目的后续都需要分析。用户运营找到数据分析师想要做一个专题分析主题是如何提升用户的活跃率。这个问题的目的很明确——“提升用户活跃率”。但是后面的部分就没那么清楚了数据分析师可以按照之前提到的四个步骤一步一步地向后推进。首先要做的是“是什么”把现有的用户活跃率的数据提取出来看一下目前的数据表现如何。如果数据表现确实不太理想那么再看看到底是整体都低还是有部分群体特别低。之后是“为什么”的阶段。如果有部分群体活跃率特别低那么这部分用户为什么活跃率低他们的需求是什么最后针对新用户的问题制定对应的业务动作。如果发现这部分群体只使用一些基础功能那么如何引导他们使用高级的功能这样一个完整的分析基本就完成了。其中的具体分析细节本篇暂时不讨论放到下一篇再讲这篇主要讲一下整个分析思路的框架。 这类问题是知道前面N个环节分析过程都是类似的向后分析即可。验证猜想型需求其他的数据分析问题可以用一个表来归纳。大体分为两类一类是有目标的一类是没目标的。有目标的一般是验证猜想比如知道“目的”和“为什么”。业务方想提升新功能的使用率提出一个猜想。新上的功能对于新用户来说理解成本比较高想做一些优化。但这只是一个猜想甚至连问题本身是否存在都不确定。这类问题需要把缺失的“是什么”补上1.是什么用数据证明新用户现有的使用率怎么样如果新用户使用率已经较高那么这个猜想的基础就不存在了。如果新用户使用率确实比较低那么再验证新功能是不是理解成本太高。2.怎么办验证了猜想再思考怎么办。 还有知道“目的”和“怎么办”的。业务方想要提升用户数量然后看到拼多多的微信裂变拉新搞的很成功我们拉新是不是也可以微信裂变提升新用户数呢需要做的步骤1.“是什么”看一下目前的新用户数。也许现在的新用户数已经还不错了那是不是还有必要花人力去优化拉新环节2.“为什么”如果现在的用户数上不去为什么整体用户数上不去如果因为新用户的留存和转化很差新用户没几个能留下来那么工作的重点应该是提升留存而不是拉新。3.得出结论不应该采用裂变拉新原因是我们的业务场景和拼多多不同我们现在无法承接新用户的转化需要优化产品体验后再做会更好。 无目标的需求没目标的这类就比较坑了。只知道”为什么“这种问题往往是有一些客户的反馈比如用户反馈一个常用的功能经常找不到入口在哪。这个反馈比数据分析的结论要准确多了数据分析最多知道一类人的使用特点是什么基本不可能知道用户到底在想什么。产品经理拿到这种反馈需求背景写起来都理直气壮了这可是客户的的真实需求。 分析这种问题首先得确定目标。如果优化这个功能的入口到底要优化哪个指标是做用户留存率还是功能转化率如果是为了优化用户留存率那现在留存率是多少这个反馈的用户的留存情况怎么样会不会这个用户是一个重度用户留存情况非常好。而常用这类功能的用户都是重度用户优不优化这群用户都会留下来。那这种反馈优先级肯定比较低。而如果目标是提高功能转化率那么看一下目前这个功能的点击率看一下是普遍问题还是这个用户的个别问题。之后再按顺序继续分析即可。还有一类没目标的需求更坑。业务方看到竞品在搞降价促销活动于是提示“我们是不是也可以搞一个降价促销”这类需求根本没考虑清楚搞一个这样的活动目的是什么。是提升销量吗也许竞品搞这个活动的目的是清库存降低库存成本。而你根本没有库存压力直接照抄最后库存也没清掉销售额提升也不明显。如何分析就不赘述了。总结日常的分析需求一般不会超过上述这个分析框架拿到分析需求的时候思考一下这个需求目前拥有的要素然后从左到右推导可以快速组织分析思路。作者Jason 产品、运营、数据是一家