数据分析思维:为什么要做细分拆解?

释放双眼,带上耳机,听听看~!

为什么要写【数据分析思维】这个系列文章?还是回到一个最根本的问题上:数据分析师到底是干什么的?

我相信不仅是想入门的小伙伴,已经入行很久的数据分析师可能多多少少还是会有些不清楚。数据分析师是每天被各个业务方呼来唤去的提数工具人么?还是被各种不靠谱的可视化软件蹂躏的报表maker?还是好不容易做了个专题分析,却被业务方嫌弃不说“人话”的,只会纸上谈兵、指手画脚的外行?

我相信每个数据分析师都会多多少少经历以上的心路历程,直到某天突然明白数据分析的终极奥义,才能跳出这个让人迷茫的怪圈。原来数据分析是要:熟悉业务,在此基础上基于对业务的理解发现业务上的问题,然后提出分析的方案,然后再是用工具提数分析,最后给出结论和建议,并推动相关方实施落地,进而解决问题,完成从业务中发现问题,再回到业务中解决问题的完整闭环。这才是数据分析的真正意义。

明白了这些,你可能就会发现,区别于其他的开发类工作,数据分析是以业务、思维为主、工具为辅的工作,重要的不是你会多么高端牛逼的工具和算法,而是你怎么发现问题,怎么形成分析思路,这才是数据分析师拉开差距的关键所在,至于剩下的就是怎么具体实施,这个,找个实习生也能做,哪部分工作含金量更高、被取代难度更大,一目了然了吧?

这也是我写【数据分析思维】系列文章的原因,数据分析本身就是业务和思维为重,授人以鱼不如授人以渔,清晰完备的思维可以让你事半功倍,知道怎么做远比实际做要重要的多,代码未动,思维先行,懂得运筹帷幄才能走得更远。

01、为什么要做细分拆解?

数据分析很重要的一个任务就是基于业务数据对当前的业务现状进行诊断,业务是是良性向上还是恶性萎缩?当前的业务发展是否与预期一致?

为了回答以上问题,我们就需要用一套标准去评价业务现状,这一套标准也就是我们常说的业务指标体系,何为体系呢?我们首先可能就会想到金字塔或者逻辑树的形式,但无论是何种形式,它都是一种总分的思路,有了完善的业务指标体系,我们就可以清晰地知道当前业务到底是好还是不好?好的话到底有多好?不好的话到底有多差?

但是仅仅知道这些就够了么?肯定不够,老板肯定还会问:为什么突然就好了?背后的原因是什么?这个好是否可持续?为什么突然变差了?哪些环节出了问题?是否可以优化?

也就是说,我们不仅要知其然,还要知其所以然,不仅要知道现状,还要知道导致现状的原因,只有知道了原因,才能让数据指导业务的方向,为工作提供可落地执行的依据,现状才可以优化,这才是数据分析的最终目的。而探索这个原因的

过程,其实就是细分拆解的过程,不是有位专家曾经说过这样一句话嘛:

“无法拆分,就无法优化”

–非著名专家:沃兹基硕德

02、宏观指标vs细分指标

一般来说,我们通过指标体系去判断业务发展的现状,一般用的都是一些概括性的宏观指标,或者我们叫做北极星指标,这种指标一般来说就一个,它像北极星一样指引着业务的方向,一个指标足以概括性地反映整体情况,避免过多细化的指标晕晕乎乎不知道该看哪一个。所以宏观的指标可以告诉我们是什么?怎么样?

但是如果要探索导致业务现状的原因,制定细化的执行方案,一个北极星指标就没法给出答案了,我们就需要对北极星指标按照一定的逻辑进行细分拆解,层层拆解,直到我们发现问题的症结所在,对应到具体的执行动作,所以细分指标能够回答我们为什么?怎么做?

在指标体系中,这些指标所在的层级不同,所代表的含义不同,能够告诉我们的信息也不尽相同,宏观指标可以告诉我们现状如何,而细分拆解的指标则可以告诉我们为什么会导致这个现状。

例如电商平台的营收流水GMV就是一个宏观指标,它能告诉你这个月销量是好是坏,但是销量的好和坏可能是流量和转化率等细分指标导致的。

下面我们就以短视频某音的涨粉活动为例,详细说明细分拆解的实现过程。

03、细分拆解案例-自媒体涨粉

抖抖是某短视频公司的新媒体运营,负责公司旗下10W 粉丝的抖音号。老板让她在接下来的 3 个月内(3-5月)做到 25W 粉丝,就意味着 3 个月要净增 15W 粉丝。结果, 3月的工作开启了 2 周,抖抖盘了下抖音号的粉丝数据,发现 2 周内的粉丝净增数只有 2000 ,按照这个趋势发展下去,根本完成不了指标。经过前辈提醒,抖抖打算从数据分析入手,希望能找到线索,让自己的工作计划更加清晰。那么, 15w 的指标该如何达成呢?

目标:3个月从10W做到25W,就意味着要做15W的新粉丝,平均每个月5W的新粉丝。

拆解:新增粉丝数=自然增长粉丝数+内容增长粉丝数+活动增长粉丝数

数据分析思维:为什么要做细分拆解?

基于以上拆分,我们把过去三个月的自然增长、内容增长和活动增长的粉丝数据进行分析,各细分的粉丝数据组成如下图所示

数据分析思维:为什么要做细分拆解?

那么接下来就要思考:

  • 自然增长:参考历史数据预估3-5月,每天自然增粉200
  • 内容增长:保证产出文章数据数量,提高内容质量,预计每月带来5000新粉
  • 活动增长:由于投入产出较复杂,下面展开细说

数据分析思维:为什么要做细分拆解?

以上自然增长和内容增长基本上是常规的增长方式,即只要保证正常的产出数量和质量,基本上能够达成,且投入较低,无需过于担心预算费用问题。而对于活动增粉,则变数较大,因为一般活动投入费用较大,且效果浮动区间较大。为此,专门对活动增粉进行细分拆解。

活动增粉细分为以下几种方式:

  • 裂变活动:参考行业数据
  • 广告投放:参考预算
  • 流量置换:参考历史数据
  • 创意活动:参考历史数据

各种方式的涨粉预估如下:

数据分析思维:为什么要做细分拆解?

至此,经过以上的层层细分拆解,将接下来3个月的涨粉目标进行了细化,对应的自然涨粉、内容涨粉和互动涨粉的目标分别为:

数据分析思维:为什么要做细分拆解?

有了这个细分的目标和执行计划,涨粉是不是就变得清晰多了呢?

05、其他细分拆解

当然除了上面的案例之外,还有一些非常经典的指标拆解的案例,比如电商领域的GMV拆解,社交类产品的DAU拆解,都是非常典型的指标拆解案例,方法和思路类似,就不一一展开了。

如收入指标GMV可以按照以下的方式进行拆解,GMV=流量*付费转化率*客单价

数据分析思维:为什么要做细分拆解?

对于社交类/工具类产品的DAU也可以按照以下几种不同的方式进行拆解,拆解方式并不是固定不变的,不同的拆解方式对应不同的执行动作,因为拆解完需要进行对应的运营策略,所以拆解方式也就有所侧重,但万变不离其宗的是,拆解都是为了更清晰地分析问题、制定方案,拆解只是手段,优化才是目的。

数据分析思维:为什么要做细分拆解?

以上就是数据分析思维—细分拆解部分的内容,其他数据分析思维请翻看历史文章,更多数据分析思维的文章持续更新中,敬请期待,如果觉得不错,也欢迎分享、点赞和点在看哈~

相关阅读:

数据分析思维:漏斗分析
数据分析思维:RFM用户分层

本文转载至互联网,其版权为原作者所有,如稿件涉及版权等问题,请与我们联系删除或处理。

人已赞赏
数据运营

数据科学商业分析的五种方式

2021-3-31 9:41:32

数据运营

数据分析方法和思维:漏斗分析

2021-4-1 12:42:13

图片水印:图片水印仅用于防盗防刷,无其他含义。
版权声明:本文由互联网用户自发贡献,其版权均为原作者所有,如内容、图片有任何版权问题,请联系(tzhubo@foxmail.com)淘主播删除处理。稿件内容仅为传递更多信息之目的,不代表本站观点,亦不代表本站赞同其观点或证实其内容的真实性,更不对您的投资构成建议。题图来自Unsplash,基于CC0协议。

0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧
个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索