理解业务是做分析最重要的一点,最重要的一个背景知识。而理解业务的关键又在“收集信息”上,因为企业的业务形态千变万化,不可能有一个人、一门课或者一本书,把所有的业务形态归纳总结,做成现成的。在业务是只有创新、创造。因此,学习数据分析,需要了解业务信息和业务背景。
什么是“业务”
数据分析师要懂“业务”
“业务”部门的要求是什么
“业务”方到底有什么期望
全面评估“业务”发展的情况
针对“业务”问题提出分析建议
那么,什么是“业务”呢?
其实通俗一点讲,业务就是企业经营的各种事情(生产,销售,服务……),但是,结合到企业实际就会分三级呈现,复杂无比
具体到个人的一项工作,还会有很多复杂的细节:
思考:作为数据分析师,为什么要去了解这么多细节,而不是单纯的去了解一个数?
因为眼见不一定为真。都是“买一送一”,刷XX卡送咖啡和买牛奶买一件送一件有啥区别?这导致看起相似的东西,背后的逻辑都可能根本不同:商业目的、针对人群、操作方式、考核指标,完全不一样。
什么是“理解”业务
倘若我们把业务也进行一个等级划分
理解: 明白你们在干什么,要学会业务分析,必定先需要理解业务
操作: 亲自走了一遍现有流程
设计: 能针对需求设计一套流程
创新: 加入业务只停留在当前现有的模式,那么业务和流水线生产就没有多大区别,需要对现有流程创新改进
创造: 能发明出不存在的新玩意
对数据分析师而言,做到"理解"就够了。
为什么数据分析师不一定需要亲自下场?
因为本质上,作为数据分析师,我们有我们的特长:识别问题、建立分析逻辑,提取数据、清洗数据、构建模型、输出结论……业务部门有自己的独特能力,这些独特能力不一定是数据分析师所需要的,因此做得好能分析的好。两者没有必然关系
不理解业务的恶果
不懂业务,数据分析的门都入不了
思考:我们经常说数据分析就是Excel,SQL,python,那数据分析为什么叫数据分析不叫ESP?
答案是:所谓的ESP是技能,数据分析是工作。Excel,SQL,python是我们完成数据分析工作时辅助我们分析的工具,我们真正分析的,其实是业务中所出现的问题、带来的结果、结果出现的原因……
不懂业务,找错方向
举个例子
在了解该岗位信息时,我们看见他任职要求是数据挖掘,机器学习……但是,我们仔细研究职责描述
发现其实描述上面很多细节的东西,Excel就可以实现
不懂业务,没法真正发现业务的问题
最常见的:
数据分析师:日报显示昨天业绩没达标,
销售部门:早知道了*1
数据分析师:周报显示昨天业绩没达标
销售部门:早知道了*2
数据分析师:月报显示昨天业绩没达标
销售部门:早知道了*3
数据分析师:月度分析表明不达标是因为客户少
销售部门:早知道了*4
在数据分析师眼里,业绩没达标可能是一个负数,但是在销售人员眼里,可能是:空荡荡的店面。
不懂业务,没法真正给业务建议
数据分析师:可以推出爆款产品吸引客户,你看XX就卖的很好
销售部门:卖的好我当然知道啊,调货都调不到啊,库存不够。
数据分析师:那客户数少,客单价提起来也行,你们可以推XX+XX组合
销售部门:但是对谁推啊!单价上去了,成交率肯定会往下跌啊!
会“模型”是不是就不用懂业务了?
我们知道算法的用途非常广泛,比如:无人驾驶,GPT,人脸识别……算法的刚需不是出现在数据分析这里。数据分析中还有一个更热门的话题:数据预测,所以难免会有人一味的指望模型“续命”
举个例子
老板:“你看,手机销量是可能受到很多因素影响的,比如季节因素、价格因素、市场需求、舆论热度,做个模型综合预测一下,以提高市场部备货准确度。”后面模型做出来了,但是市场部备货堆积率还是很高,是为什么呢?
答案是: 真正接触到货源的是市场部而不是数据分析部。一般数据准不准不是模型说了算,而是取决于市场部门拿了多少货物。
本质上, 业务是在跟人打交道,模型不能解决人的问题。但是在工业应用领域,算法模型可以解决很多问题,因为这些问题跟人没有多大关系,有客观标准:
- 比如图像识别:识别人脸、 物品,是/否
- 比如路线规划:路线畅通、时间最短、换乘最少
- 比如语义识别:型号、款式、数量
- 比如搜索算法:也是做在输入了搜索词以后的(纯机器动作)
那么是不是就代表着模型没有用了呢?不是的,当我们深入了业务场景,处理好业务相关部门之间的关系后,模型是能帮助我们事半功倍的。
优秀的数据分析师必须自己理解业务
理解业务那么重要,为什么没有leader教呢?
第一:业务知识几乎没有企业会教,得自己学
业务部门只招两类人:懂业务的老手,不懂业务的打杂的 (应届生),导致了老人不需要教,新人自己都不懂,所以一般没人能教
第二:单纯从数据部门很难接触到业务
思考:我们自己是做数据的,通过数据不能了解业务吗?
答:只能了解部分业务,因为大部分业务流程是潜在现有数据背后的。就比如我们可能可以获取到商品销售的结果,但是我们可能没办法了解到顾客是否接受我们的广告,成交现场是什么样的……
数据没有大家想象中的强大,也需要队友配合
第三:讲到业务,业务部门关注点的和数据分析师不一样
业务部门往往会关注两大问题:
- 本职工作中的问题
- 本职工作中的重点
直接问业务部门,估计能听到最多的抱怨,其次是鸡汤。完整的流程,他们已经习以为常,不一定能说的出来
数据分析师理解业务,为的是明白三个关键问题
-
哪些业务流程会产生数据
-
数据本身就是在业务流程中产生的
-
本质上,只有三种数据来源:
- 外系统同步
- 用户操作(点击、输入、支付)
- 员工操作(登记、填写、录入)
-
理解数据来源,才能考虑如何利用现有数据,改善未来的数据收集过程。
-
-
哪些业务流程会使用数据
-
业务并非时时刻刻需要数据分析的帮助
- 比如销售,做销售计划的时候,需要数据
- BUT拜访客户途中,他需要的就不是数据而是沟通技巧
- 讲FAB的时候,不需要数据,需要的是察言观色和口齿伶俐
- BUT,进哪个FAB版本,就需要数据帮助
-
-
哪些业务流程会影响数据
-
具体到每个部门,业务能做的事情非常有限。
-
比如销售,他们不能选择产品,不能擅自改价格政策,因此,可能更依赖坚忍不拔的毅力与个人技巧来完成任务
- 坚忍不拔→(陌生拜访数量) (线索跟进次数)
- 个人技巧→个人(出身,外貌)技巧(话术、辅销工具)
-
这就是分析思路的来源。归纳起来就是:
谁(业务部门) | 做什么(主要业务动作) | 有什么(产生什么数据) | 看什么(哪些环节需要数据) | 为什么(哪些行为对数据有影响) |
---|---|---|---|---|
部门1 | ||||
部门2 | ||||
…… |
理解业务的起点:了解最基础的业务形态
两者基本业务形态
在甲方,数据分析师是辅助
在乙方,数据分析师是核心地位
理解业务的方法
- 业务模式
先摸清业务模式,然后照猫花虎
- 四大角色
- 丰富的知识储备库,深入讨论的基础
-
- 产品
- 渠道
- 用户
- 运营
- 部门
- KPI
突破的关键,先看清楚谁,为什么提这个需求
业务模式
简单来说,就是一个核心问题:我们挣的是什么钱
挣钱模式的差异,决定了一系列业务模式差异
三种基本的赚钱模式
挣现金
大部分传统企业是挣现金的公司
这种类型的企业需要关注的是利润
- 利润=收入-成本
- 收入=客户数付费率客单价
- 成本=生产成本+销售成本+营销成本+运作成本
- 提升收入→增加客户数量、寻找高端客户、增加购买频次金额、……
- 降低成本→改善工艺、优化渠道、提升营销质量、减少运作支出、……
- 常规的商业分析都是建立在这一系列逻辑之上
圈资金
大部分互联网公司是圈资金的企业
- 我所在的市场是很有空间的(市场前景)
- 我是有能力占领这个市场的(技术优势、产品优势、运营优势、人才优势、先发优势、……)
- 我正以很快的速度占领这个市场
- 未来还有更大市场可以占领
所以,投资我,能在未来获得更高收益
既然要圈钱关注的就是成长
- 整体市场空间、占有率、集中度
- 成长速度、成长质量(用户量、活跃率、转化率)
- 技术壁垒、人才资源、用户池
利润只是众多指标中一个,所以为什么互联网企业烧钱如此大方。一来眼前小利没那么重要,二来不烧钱,其他指标也上坏去。
四大角色
认清了业务模式以后,我们可以谈围绕业务模式的4个角色
虽然在各个企业里的部门名称可能不同,但一般企业都有这四个角色,这四个角色,是让业务模式运转起来的必备要素。
为什么需要了解这四大角色呢?
- 为了深入的理解业务:不搞清任务和分工,无法真正深入业务。
除了少数草台班子,大部分企业都是由众多部门联合运转的,越大的企业,分工越细,只笼统的说“腾讯”、“阿里”毫无意义。
- 为了细致分析的基础:多因素混合的时候,先搞清楚哪些影响到顾客才能深入。
我们看到一个顾客很happy的购物,然而到底是什么因素让她那么开心?为什么同样环境有些人就不满?
- 提建议的前提:具体的工作得有负责的人干,搞清谁干什么,才能针对性的分析提建议
“我们一要加强品牌,二要加强产品,三要提升服务...”这种假大空的建议背后,是因为对企业部门的不了解
产品
这里的产品不限于传统企业中所提供的日常必需品,也可能是一些无形的服务类似于游戏,娱乐……
产品做什么?
- 由企业提供的
有供应链:完成备料,生产,供货等基础流程。只不过是其实这个流程中也有很多的数据分析,包括很多算法的应用场景像,比如说用料的监控,仓储的规划,物流路线的规划
- 满足某一用户群体的
有明确的使用者
- 某一特定场景下的
有明确的使用时间,使用地点
- 特定需求的
满足特定的物质、精神、信息需求
- 物品&服务
有明确的设计、规格、功能、价格
- ……
产品做事特点
- 产品是第一生产力,对企业发展至关重要
- 新增、修改产品都需要很长的时间与成本
- 产品需要前瞻性和创造性,不然会死相很难看
- 一旦失败,后果非常严重,会是灾难性的
产品往往会做大量的数据洞察,只改一点点东西
产品看什么?
设计前的洞察:消费行为
- 同一产品:重复购买与使用量分析
如:(rfm模型)可以看出哪些人是产品的爱用者,使用方式是什么样的
- 多个产品:交叉购买分析
对功能上的附加要求,比如说当我发现用户经常同时购买两样产品的时候,很有可能是什么是他是有一个组合的需求,没有被实现的
设计中的测试:使用习惯
- 市场调查、产品测试
了解实物,产品的使用,体验情况……
- 网络访问行为分析,ABtest
出了新版本,活跃量会不会提升?用户体验路劲……
设计后的跟踪:热销榜与变换趋势
- 热销榜
是否达到期望的销售高度
- 产品销售生命周期
是否达到期望的持续性
产品有什么?
上图中的数据也可以分为:标签数据,销售数据和使用行为数据
影响产品表现的分析切入点
长期:用户群体洞察→产品线布局
中期:单品竞争力→功能、设计
短期:营销与运作→营销包装、渠道支持、宣传配合
渠道
什么是渠道?
- 链接产品与用户通道
- 将产品提供给需要它的用户
- 将用户的钱带回来
互联网习惯上把网络广告、应用商店等渠道算作网络推广,但实际上这些推广、广告起的作用和传统企业的门J店的作用是一样的,并且互联网公司也支付了类似渠道佣金的巨额推广费
渠道做什么?
货出去,钱回来
渠道的角色只是连接产品和用户,没有过多的设计策略,更多的是行动
渠道有什么?
渠道看什么?
业绩
关注业绩的同时,会关注很多细业绩指标
用户
用户通常指的是产品与服务的最终使用者,但是通常并非如此,我们的开发人员、同事……也可以是用户
用户做什么?
当然,这些是在产品、渠道、运营影响下的共同结果。
用户有什么?
-
企业用户
- 企业规模、经营状况、资金情况
- 需求部门、需求周期,预算范围
- 采购流程、采购周期、决策机制、比价标准
- 合同流程、履约情况
-
个人用户
- 物理特征:性别、年龄、地域
- 社会属性:家庭、婚姻
- 职业特征:从业、收入
- 需求特征:消费品类,消费习惯,
虽然用户供我们使用的数据很多,但是采集用户信息往往需要各种手段
对数据分析的启示:
好数据是运营出来的,不是天上掉下来的
多和渠道、运营沟通合作,相互帮助,提升数据质量,是不断增强分析能力的重要保证。
迷信数据,不如不看数据。解决问题的假设非常重要,把问题缩小到可以用数据解决的范围内。
怎么识别用户?
只要有用户ID ,几乎所有的分析都可以用户为中心展开
用户分析得先明确用户的XX分析(销售、活跃、付费.... )才能进行
为尽快输出结论,做好用户分层(示例如下)
认识用户的忌讳
- 把自己当做用户
“我觉得……”有可能我们自己并不是目标用户
- 把客户当作用户
例如婴儿产品的用户是婴儿,但客户可能是父母或爷爷奶奶……
- 把想象当作用户
“想象中”的用户和现实的用户
- 把ID当作用户
第二件半价活动过后并不能得出用户喜欢购买两件产品的结论
运营
运营是用户、渠道、产品的支持。
怎么支持产品?
商品管理:帮助产品作进销存管理
- 传统企业:产品管理
- 互联网企业:商品运营
产品体验:改善产品体验,优化使用过程
- 传统企业:产品管理
- 互联网企业:产品运营
怎么支持渠道?
销售前品牌宣传:打响知名度,提升档次
- 传统企业:品牌推广
- 互联网企业:品牌推广
销售中促销活动:给小恩小惠吸引购买!直接拉动业绩
- 传统企业:促销管理
- 互联网企业:活动运营
销售后用户维护:小恩小惠提升忠诚度,促进持续消费
- 传统企业:会员中心
- 互联网企业:用户运营
怎么支持用户?
有服务窗口,需要面对用户的地方就有运营
总结起来,运营可以用以下三件事情概括
- 传递信息:能直接推送到用户(无论是通过广告、文章、门店、海报)都能传递信息
- 拉动业绩:能投放促销资源(无论是通过短信推送、电话外呼、网站信息)都能拉动业绩
- 服务用户:能直接与用户互动(无论是通过电话、门店、app)都能服务用户.
运营是可以直接接触到用户的,也可以直接获取到用户的信息
运营部门有什么?
有大量标签
运营部门看什么?
架构/KPI
组织架构,决定了具体在企业里,谁来承担这些角色
了解企业架构是为了了解每个部门对应的角色,了解各部门大概需要什么数据,了解清楚之后就可以拿着KPI去找对应的部门。