数据|干货 | 如何避免输出没用的数据分析结果结果|输出|结论|问题|占比|渠道

文章图片

CDA数据分析师出品
作者：宋天龙
编辑：Mika
大家好，我是触脉咨询的合伙人宋天龙。今天给大家分享的主题是关于如何避免输出没用的数据分析结果。
我们先通过例子来简单看一下，在日常的数据分析工作中，所需要步骤和过程的分析结果的基本情况。
这个分析结果有用吗？
层次一
先来看第一个，是比较初级的数据分析师经常会输出的结果。

文章图片

跟2020年相比，非媒体新用户的占比稍有提升，但留存率有下降。
这个结论其实是基于数据得到的。非媒体指的是非通过费用的方式投放得到的，也就是一些正常的合作渠道。通过比较可以发现， 2021年的值有所提升。留存率方面，指的是21年的9.3%比20年的13.5%有所下降。
这个结论相当于在现有图表的基础上，用文字把结论念了一遍。这是初级分析师比较容易输出的结果。但是可以发现，他只是把数据结果用文字的形式重复了一遍而已，其实是没有结论的。
层次二
下面看第二个层次的。在上面结论基础上，有的分析师会有一些带有结论的定义输出。

文章图片

基于上面留存率和新用户占比的变化，可能给出结论， “这是正常现象” 。 “正常现象”本身就是对于前面所有数据描述的概括，这是一个结论。
后面又分析了从用户成分上， 2021年的渠道为什么会导致新用户占比的提升。可能投放就以拉新为主，因此新用户占比提升是正常现象。同样的，新用户的比例提升就会导致留存率的下降，拉低了整个网站的留存率情况。
这里把在刚才第一句的基础上增加结论句——这是正常现象。然后下面增加了分析过程。分析过程里涵盖了：新用户的占比为什么提升，老用户的整体留存率为什么下降，并有分析的过程。这比刚才整个的结论显然要好很多了。但是仍然不够。
层次三
下面再看第三个。在刚才的基础上，又有了进一步的结论。

文章图片

结论是，但是新用户的比例提升26% ，留存率下降31% 。按照过去6年的新用户成分与留存率的关系计算，留存率下降的比例过高。
新用户的比例提升26% ，这里是基于28.9% ，减去23.4%的值，再比上23.4%得到的。同样的也可以计算出新用户留存率下降31%的结果。
通过这个结论，基本上已经发现了一个问题。刚才得出“这是正常现象”的结论，只是对于新用户的提升跟整个留存率下降的解释。
但是一增一减的过程中，按照过去整个长期数据规律的测算，这其实是不符合规律的。这是在之前的分析里没有提到的点。这个是一个问题，新用户的比例上升，对于整个的留存率下降来讲是不成比例。在这里发现了问题，但是仅有这个结果仍然是不够的。
层次四
再往下看。下面又增加了一个分析的部分，发现其中B渠道的新用户的数量比较大的，同时其新用户的占比可能比较高。但是留存率比较差，可能会严重的低于整个2011年新用户的留存率。

文章图片

整个新用户的比例跟整个留存率下降是不成比例的。这是什么导致的？在这里面发现了问题的根源性渠道，就是B渠道导致的。 B渠道新用户的量比较大，同时占比较高，留存效果较差。这里同时考虑了量的因素和各个比例的因素，两个因素同时作用下导致了问题出现。
这里已经发现B渠道是有问题的，但只有这样仍然不够。我们继续往下看。
层次五
再经过分析发现， B渠道的投放策略有问题。这是由渠道营销和运营的这些人决定的战略行为。

文章图片

通过站内行为分析一下B渠道投放的用户，当中用户的转化预期和转化路径等方面是否符合期望，这是一个特别重要的分析部分。
在留存过程中是不是存在某些漏斗环节比较严重，也就是说假如留存的周期较长，当中需要分几个步骤共同去实现，是否有某个步骤问题较大，就会导致整个留存过程中出现短板。
最后我们就会得到落脚点，建议针对上面这些问题我们该怎么做。最后这一步才是真正的分析问题，解决问题，提出建议的过程。
综合一下看看刚才五个层次的过程。依次经过了先描述了数据事实，去年跟今天的对比，之后形成结论，这是个正常现象，然后做了基本的分析。
同时在结论基础上发现了问题，通过问题继续往下去探究其成因。以及最重要的就是有落地，发现问题之后，建议通过几个方面去做改善和提高。这个过程才是有用的分析结果输出。
大部分的分析师其实是比较初级的，只是把数据摆出来。稍微进一步的分析师会把数据结论进行简单总结，做简单分析，这是大部分的初中级分析师现在做的基本程度。再往下的中高级分析师，会发现一些潜在的问题，找到成因，最重要的就是最后会输出一些落地的建议，而这个落地的建议才是评估它是否有用的标准。
因此数据分析师的输出，无论是PPT、Excel、邮件等形式的数据分析报告。这是不够的，只是存在于业务员脑子里。要能真正有能够落地的建议才是有用的。
错误的KPI驱动：一开始就错了
下面来讲一讲，会导致数据分析结果没有用的一些主要影响因素。

文章图片

第一个因素是错误的KPI驱动一开始就错了。第一步如果错了，后面每个步骤都会出错。
常见的错误KPI：

Display广告过度追求转化率
拉新以“新用户占比”为KPI指标
追求利润阶段，选择销售额作为KPI指标
库存商品的销售KPI为利润率

右边截图是海底捞在2021年11月底发布的公告。里面提到了一点，在之前运营过程中，由于经营不善导致了很多店面亏损，所以决定要收缩店面做精细化的运营。里面反思的一条是，过度相信连住利益的KPI指标以及企业文化建设不足。大家可以看到，KPI定义的不准确会导致整个运营过程中步步都有问题。
如果方向错了，执行再对也是错的。因此方向是最重要的开始。
使用相关性指标来改善KPI：单纯的相关可能导致偏离预期

文章图片

现在在大数据时代，可能很多人会强调相关性而非因果关系。这种思想会对的实际工作造成严重的数据应用误导。
如果天很热，会导致冰棒和汽水的销量比较高，这是一个常识。同时天很热的话也会带动比基尼销量的增加，因为夏天很多人会去游泳，去海边去度假，因此比基尼的销量也会提升。
天很热会导致冰棒和汽水销量增加，这是由客观的外部环境决定的。天很热也会导致比基尼销量增加。这个过程中单纯分开看这两个因果关系都没有问题，但如果基于这三个一起去做分析的话，就会这样的结论。
冰棒、汽水的销量和比基尼的销量会成高度的正相关关系。如果基于相关性的指标去做KPI改善的话，从而得出结论，提高冰棒、汽水的销量，就能提升比基尼的销量。这就是错误的。
常见的错误相关性应用有：

利用增加访问深度来提升订单转化率
利用增加网站停留时间来提升订单转化率
利用增加老用户占比来提升销售额

使用相关因素来代替因果因素，没有抓住核心因素
通常企业在做完营销活动后，会进行复盘。如果这次活动比较好的话，到底是为什么会导致这次运营结果比较好呢？
很多分析师如果没有经验的话可能会这么分析。比如把所有能拿到的维度都统一的细分对比分析一遍。

文章图片

因此会输出图中左侧的结论。
把所有现在拿到的数据维度，从各个角度上做统计分析和对比。这么做没有错，但是没有本质上解答问题。
如果是有经验的分析师会怎么做呢？他会着重分析运营相关的因素，从而找到里边的经验。
这里以用户运营为例，CRM推送里老用户的销售额贡献占了79% 。接着重点去分析用户运营里做了什么或者做对了什么。

人群选的对

通过预测模型得出，人群比较精准，因此选对人是一个重要的因素。

商品选的对

通过推送时，商品跟用户购买商品的匹配度会比较高，因此商品选的对，也是一个特别重要的因素。

推送时机、推送渠道、标题策略……

从而通过这样的分析，告诉用户运营部门，当中做了什么样的事情，做对了什么，哪些地方可能没做对，因此之后需要把对的继续保持，错的要做修改和优化去提升。这是能够直接从因果关系的层面去分析到底这个活动结果为什么好。
没有画龙点睛之笔，没有业务的落脚点。

文章图片

这里面没有业务落脚点就包含两个场景，第一个就是没有落地建议，你只给了他的这种结论分析过程，甚至好多这种模型算法解释，但是分析完之后就没有结果落地建议。第二类就是没法落地的建议，给出一些比较难落地的建议。
因此，我们建议分析师一定要去了解业务，业务方的整个运营流程是怎么样的，以及评估之后，业务方到底有哪些事情可以做，以及它的范围内可以做。这些都是你在落地里面需要去考虑的因素，而并不是说基于数据去单纯的做分析和建议，你需要把业务的背景知识和业务的权力范围，以及业务的需求点放到你的建议里面去。
单因素的因果逻辑，因为差所以要改善

文章图片

举个例子，这是网站的真实客户的情况。从用户到站，最终要让用户完成抽奖的过程，但是抽奖前给设置了几个中间环节，比如到站之后，需要关注，留下电话号码，最后再来抽奖。如果说按这个流程的话，其实只需要一步行了，用户达成之后直接进行抽奖，不要中间这个过程，一定会发现抽奖率是非常高的，它就会高于现在四个步骤。
抽浆转化率会有一定的流失，但是我们获得了大量的关注，留下电话号码的用户的粉丝和销售线索。这个时候其实它是一个平衡的状态，我拿流失的抽奖转化率的用户，换来的是粉丝和销售线索的增加。
大多数业务场景下，我们不能只居于一个因素去做考量，因为那是太幼稚的一个想法了。
讲自己不懂的故事，我们不会比运营方“更懂”业务

文章图片

分析师的重点或者核心竞争力，不是在于多么懂业务，而是懂得如何通过数据去驱动业务，实现更好的数据化运营，这个是数据分析师的价值所在。
在输出结果的时，避免给班门弄斧，除非有数据的支撑。数据分析师不应该讲如何运营，而是讲如何通过数据更好的实现运营。
超出报告服务对象的执行范畴：无意义的越俎代庖