作者介绍

@周哈哈哈

数据分析专家,10多年工作经验。

先后任职于艾瑞咨询,电信,网易,美图等。

现于某互联网独角兽担任数据部门负责人,

致力于企业数据化管理和应用,

利用小团队,创造大价值。

“数据人创作者联盟”成员。


系列往期文章回顾:

【系列】如何管理数据团队01

【系列】数据团队价值实现路径02


书接上文,数据团队核心价值是3PSA,实现通道则是ABC矩阵,那么对于非数据团队的人员,要如何去利用数据团队,为自己的业务赋能和创造业务价值呢?本篇是谈价值的最后一篇,主要面向非数据从业者,希望能够有助于数据团队与非数据团队更好地合作。

  • 务必尊重数据生产规律
“哈总,这个数据非常急,老板下午就要。”
“喵喵喵?”
“数据不都是现成的么,拉一下就好了。”
“喵喵喵?”
“对个口径为啥那么多时间,我就是要个转化率啊”
“喵喵喵?”

以上场景来自于数据工作日常,几乎所有的分析师或者数仓都会遇到类似的质疑,但非数据团队的宝宝们,数据和其他所有的产品一样,也是要产线工人(BI)生产出来的,咱们买披萨不会在它还是团面的时候就交付吧?所以,请务必尊重数据生产规律,就像我们也尊重运营、产品、市场等都有其专业性一样。

具体而言,数据的生产过程可以简化成5个部分,数据采集、数据清洗、数据存储、数据分析和数据呈现,就像披萨的生产一样,数据采集就像基本的采购环节,所有生产的来源,数据采集的来源主要是业务库;

数据清洗顾名思义就是洗菜,如果没有洗净残留的农药什么的,那么很容易得急性肠胃炎甚至扑街,当然如果说买过来的就是净菜,那么清洗的成本是可以大幅降低,但是采购的成本就不低了,也就是在数据采集的时候业务库的数据要足够干净;

数据存储可以理解成洗干净的菜需要有地方存储,以方便使用,在数据生产流程中通常是数仓来承担这部分功能;

数据分析包括了数据提取和分析,包括了从仓库里取出洗净的原料,有时候可能是仓库里的也不干净,也会包括二次清洗的环节在里面,同时,也包括了完整的烹饪过程,每个分析师的角度观点不同,取的数据和分析的结论不同,就像不同的厨师做出来的披萨也不尽相同。当然,如果是统一流水线的披萨,限定了时间、克重、步骤的,那是数据产品实现的内容,比如自助取数类的产品,这种场景下业务自己就可以根据条件获取数据。

数据呈现是菜品的摆盘,好的披萨色香味俱全,那么摆盘也是其中比较重要的环节,放在纸盘还是木盘,给顾客的感觉是不一样的,同样的,越精致的摆盘越消耗时间。

总体而言,想要有价值的数据,就跟想吃美味的披萨一样,需要时间,否则要么烫死、要么毒死、要么难吃死,也就是数据要么残缺、要么无效、要么整个都得推倒重来,得不偿失啊宝宝,浪费的是大家的时间和精力。

那你要问我,老板的紧急需求来了怎么办?讲道理,一开始就是需要降低老板预期的,错的数据会导致错误的决策;如果真的那么急用来的决策的数据,一下子拿不出来,那么说明平时的积累不够,又或者这个需求本身就是存疑的。
如果你非要,我可以堆人来做,但是准确性概不负责。

《哈总数据团队管理手册》数据生产规律

  • 了解基础数据思维_农场思维
“哈总,作为我们数据小白,要怎么去学习数据分析呢?”
“哈总,有没有什么数据的入门知识可以分享?”

作为非数据专业从业者,了解数据分析,理解数据工作,提升数据思维,最基本的建议是,掌握农场思维。这不是让大家去运营一家农场,而是五种基本数据思维的合集,具体而言,主要是流式思维(flow thinking)、锚定思维(anchoring)、剃刀思维(Occam's razor)、多维分析(Multi dimensional analysis)和结构思维(Structural thinking)。

《哈总数据团队管理手册》数据分析-农场思维

(1)漏斗图是典型的流式思维演示,其中应用最广泛的是海盗模型AARRR,把整个用户运营流程分成不同的漏斗,获取(Acquisition)、激活(Activation)、留存(Retention)、营收(Revenue)和分享(Referral),每一步的转化漏斗都是可以用来分析和改进的地方,既是业务流,也是数据流。深入理解业务流,并且转化成数据流,是一种很好的数据思维。

(2)瞄定思维核心在于对比研究,不知道大家是否还记得罗老师扇巴掌的经典桥段,起因是跟星巴克店员关于中杯、大杯和超大杯的辩解,罗老师说的很对啊,我要的是这三杯里面较小的一杯,这就是锚定思维,小不是绝对的,而是相对而言,中杯相较于大杯就是小,且没有更小的话,他就是小杯,你要说espresso也有杯子的话,那也就是看锚定物。

(3)奥卡姆剃刀的核心是,“如无必要,勿增实体”,原本是产品设计里面的经典理论,但同样也适用于数据思维的场景之下。我们经常会碰到的情况是,非数据从业者或者说需求方,拿了个一百来字段的报表需求,要求数据团队开发跟进,其中很大比例的是想到哪儿就是哪儿,或者为了字段而凑字段,觉得这个数据我也要看,那个数据我也想了解。宝宝,真的给你做成看板的话,你看不过来的,给你10个指标你记得住就很让人佩服了,一百多指标,这真不是叠罗汉。所以,还是多多寻找北极星指标吧。

(4)多维分析适用于不同对象和场景,主要是基于业务和经验的尝试,无论是上卷、下钻、切片等方式,不断去寻找数据分析的切口和角度,既不能一叶障目,也不能钻牛角尖。简单的多维分析例子,比如说销售额下降,可以去看区域的数据、单品的数据、人群的数据、渠道的数据、转化的数据等等,总之,去寻找到更贴近实际情况、更具有可解释性的角度。

(5)结构分析即下探拆解的穷举,金字塔原理中的MECE法则,即对于一个重大的议题,能够做到不重叠、不遗漏的分类,而且能够借此有效把握问题的核心,并解决问题的方法,这也是数据思维的重要组成部分。另外,财务领域常见的杜邦分析,也是典型的结构思维的应用。

  • 如何与数据团队合作
首先,请务必尊重数据生产规律,就像尊重你自己的专业一样;其次,明确数据需求,至少要配合数据团队来了解数据需求的背景,协助你明确数据需求;最后,如果可能的话,多了解学习数据的基本知识,多沟通、多思考。

归根结底,合作本身是包含了双方,不是单方要求,而是双方配合,共同完成某件事情。

点赞(307) 打赏

Comment list 共有 0 条评论

暂无评论
立即
投稿

微信公众账号

微信扫一扫加关注

发表
评论
返回
顶部