一、現實與Kaggle的區(qū)別

現實環(huán)境的數據分析工作和Kaggle題目之間，最大的區(qū)別在于Kaggle上的問題往往非常清晰。

預測類問題，你只需要把預測做的足夠準確就能拿高分。

但在實際的業(yè)務環(huán)境中，你做了一個很牛逼的預測模型，換回來的只是業(yè)務方一句“這個有什么用？”

有時候業(yè)務方提出的問題也很不靠譜，提需求的時候說是要分析一個問題的原因，結果實際上問題根本就不存在，只是對方的感覺。

所以如果你在Kaggle上可以混的風生水起，那么只能說你對于確定性問題的解題方法掌握比較好。

但到了實際業(yè)務環(huán)境下，識別問題成了一個更重要的能力。

業(yè)務人員提的數據分析需求往往很雜，各種千奇百怪的“是不是、有多少、為什么、能不能、會不會，怎么辦”等問題層出不窮。

到底哪些問題可以歸為一類？這類問題又該如何分析？這是每個數據分析師都想知道的。

我根據自己的經驗和理解，整理了一套定義問題的方法，分享給大家。

二、一個業(yè)務分析需求的必備要素有哪些？

一個業(yè)務分析需求，必備的要素有哪些？

上一篇提到了一個思考框架，業(yè)務流、管理流與數據流。

這里簡單復習一下，一般常見的分析流程：

1. 是什么

用數據流反應管理流，解決“是什么”的問題。留存率是多少，算高算低？如果留存率低的話是哪類用戶低？

我一般把常見的細分分析得出的結論，都歸納成“是什么”。

“為什么購買轉化率低？”，“因為落地頁的轉化率低”。

類似這樣的回答，其實只是對轉化率做了細分，本質上還是“是什么”。

真正的“為什么”是“為什么落地頁的轉化率低？用戶到底在想什么？需求是什么？”

2. 為什么

用數據流反應業(yè)務流，解決“為什么”的問題。

什么原因造成一部分用戶的留存率低？是因為需求無法滿足？還是非目標用戶群體？

如果是落地頁轉化問題，那么現在落地頁上的問題是什么？哪些元素降低了轉化率？

這類問題的答案要落實到具體的用戶需求上。

有時候數據可以反應用戶的實際使用情況，比如用戶在落地頁上停留較長，也愿意查看活動規(guī)則，但是轉化率很低。

那么這種情況大概率是用戶被賣點吸引，但是看不懂規(guī)則，或者實際活動與他的理解不一致。

很多情況下，數據沒法直接反應用戶遇到的問題，必須通過用戶調研實現。

3. 怎么辦

在管理流中找對策解決業(yè)務流的問題，解決“怎么辦”的問題。

如果是需求無法滿足這部分用戶，那么我們可以怎么解決這個問題？增加功能還是優(yōu)化現有功能的體驗？

有時候，這一步并不一定是數據分析師來做的，甚至不是從數據上推導的；上一步的“為什么”如果已經找到非常具體的原因，比如“A類用戶流失主要是由于會員到期”，那業(yè)務方圍繞著如何促進續(xù)費就能改善這一狀況。

4. 目的

除了分析的常見流程，還有一個分析的前提——這次分析的目的是什么。

這個目的往往是改善某一個具體的指標。

我雖然經常吐槽業(yè)務人員沒有數據驅動業(yè)務的思維，但是在KPI問題上，業(yè)務人員對數據思維往往非常好；如果做的事情沒辦法用數據衡量，對業(yè)務人員來說價值不大。

所以，一般來說，一個數據分析需求一共要經過四個階段：

目的：確定分析的目的，優(yōu)化什么指標。

是什么：確認現在的指標情況“是什么”，問題集中在哪個部分？

為什么：現狀為什么是這樣，用戶的需求是什么？

怎么辦：制定什么樣的對策來優(yōu)化指標。

三、常規(guī)的數據分析問題類型

最常規(guī)的問題類型，是業(yè)務方知道前面N個環(huán)節(jié)，需要分析后面的環(huán)節(jié)。

比如最常規(guī)的，只知道目的，后續(xù)都需要分析。

用戶運營找到數據分析師，想要做一個專題分析，主題是如何提升用戶的活躍率。

這個問題的目的很明確——“提升用戶活躍率”。

但是后面的部分就沒那么清楚了，數據分析師可以按照之前提到的四個步驟一步一步地向后推進。

首先要做的是“是什么”，把現有的用戶活躍率的數據提取出來，看一下目前的數據表現如何。

如果數據表現確實不太理想，那么再看看到底是整體都低，還是有部分群體特別低。

之后是“為什么”的階段。如果有部分群體活躍率特別低，那么這部分用戶為什么活躍率低？他們的需求是什么？

最后，針對新用戶的問題，制定對應的業(yè)務動作；如果發(fā)現這部分群體只使用一些基礎功能，那么如何引導他們使用高級的功能？

這樣一個完整的分析基本就完成了。

其中的具體分析細節(jié)本篇暫時不討論，放到下一篇再講，這篇主要講一下整個分析思路的框架。

這類問題是知道前面N個環(huán)節(jié)，分析過程都是類似的，向后分析即可。

四、驗證猜想型需求

其他的數據分析問題，可以用一個表來歸納。

大體分為兩類，一類是有目標的，一類是沒目標的。

有目標的，一般是驗證猜想。

比如，知道“目的”和“為什么”。

業(yè)務方想提升新功能的使用率，提出一個猜想。

新上的功能對于新用戶來說理解成本比較高，想做一些優(yōu)化。

但這只是一個猜想，甚至連問題本身是否存在都不確定。

這類問題需要把缺失的“是什么”補上，

1）是什么：用數據證明新用戶現有的使用率怎么樣，如果新用戶使用率已經較高，那么這個猜想的基礎就不存在了。

如果新用戶使用率確實比較低，那么再驗證新功能是不是理解成本太高。

2）怎么辦：驗證了猜想，再思考怎么辦。

還有知道“目的”和“怎么辦”的。

業(yè)務方想要提升用戶數量，然后看到拼多多的微信裂變拉新搞的很成功，我們拉新是不是也可以微信裂變提升新用戶數呢？

需要做的步驟：

“是什么”：看一下目前的新用戶數。也許現在的新用戶數已經還不錯了，那是不是還有必要花人力去優(yōu)化拉新環(huán)節(jié)？

“為什么”：如果現在的用戶數上不去，為什么整體用戶數上不去？如果因為新用戶的留存和轉化很差，新用戶沒幾個能留下來，那么工作的重點應該是提升留存，而不是拉新。

得出結論：不應該采用裂變拉新，原因是我們的業(yè)務場景和拼多多不同，我們現在無法承接新用戶的轉化，需要優(yōu)化產品體驗后再做會更好。

五、無目標的需求

沒目標的，這類就比較坑了；只知道”為什么“這種問題往往是有一些客戶的反饋，比如用戶反饋一個常用的功能經常找不到入口在哪。

這個反饋比數據分析的結論要準確多了，數據分析最多知道一類人的使用特點是什么，基本不可能知道用戶到底在想什么。

產品經理拿到這種反饋，需求背景寫起來都理直氣壯了，這可是客戶的的真實需求。

分析這種問題，首先得確定目標；如果優(yōu)化這個功能的入口，到底要優(yōu)化哪個指標？是做用戶留存率，還是功能轉化率？如果是為了優(yōu)化用戶留存率，那現在留存率是多少？這個反饋的用戶的留存情況怎么樣？會不會這個用戶是一個重度用戶，留存情況非常好。

而常用這類功能的用戶都是重度用戶，優(yōu)不優(yōu)化這群用戶都會留下來；那這種反饋優(yōu)先級肯定比較低。

而如果目標是提高功能轉化率，那么看一下目前這個功能的點擊率，看一下是普遍問題還是這個用戶的個別問題；之后再按順序繼續(xù)分析即可。還有一類沒目標的需求更坑。

業(yè)務方看到競品在搞降價促銷活動，于是提示“我們是不是也可以搞一個降價促銷？”

這類需求根本沒考慮清楚搞一個這樣的活動目的是什么，是提升銷量嗎？

也許競品搞這個活動的目的是清庫存，降低庫存成本；而你根本沒有庫存壓力，直接照抄最后庫存也沒清掉，銷售額提升也不明顯；如何分析就不贅述了。

六、總結

日常的分析需求一般不會超過上述這個分析框架，拿到分析需求的時候思考一下這個需求目前擁有的要素，然后從左到右推導，可以快速組織分析思路。

至于每一個環(huán)節(jié)的具體做法，歡迎關注，等下一篇詳細說說。

歡迎關注“三元方差”公眾號。