优秀的数据分析项目不是一大堆数据的堆砌,而是要有具体的产出。这需要数据分析师搞清楚为谁服务、找到合适的时机、在开工之前确认好项目需求再开始分析工作,并在最后结合项目目标做好个性化汇报。
上一篇我们普及了数据分析项目是什么。今天我们系统讲解一下:如何做一个优秀的数据分析项目。
首先大家要明白,并不是所有的项目,都需要找一个万人大会堂,拉着横幅,董事长总经理轮流上台鸣锣开道的。只要满足“在特定时间、特定条件下有具体产出的”都是项目。
因此,做项目的关键,不是图个名号,而是有具体的产出。有了具体产品的产出,KPI/OKR文档好交差;领导对你满意度提升;升职考评的时候有更多资本;跳槽也有更多可以写简历的东西。这才是我们要争取的。而所谓“优秀”的项目,指的是比“我跑个数据”更有说服力的产出。
企业回大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。大数据技术的战略意义不在于掌握庞大的数据信息,而在于。
那么,第一步该从哪里开始呢?
第一步,认识服务对象
Step3:数据清洗 在工作中,90%以上的情况,你拿到的数据都需要先做清洗工作,排除异常值、空白值、无效值、重复值等等。这项工作经常会占到整个数据分析过程将近一半的时间。如果在上一步中,你的数据是通过手工复制/下载。
做项目,最重要的当然是搞清楚目标;搞清楚目标,第一步当然是搞清楚为谁服务。这是数据分析新手与老鸟之间的最大差异。往往没入行的小白,满脑子都是“模板、模型、公式”。以为只要对着模板copy一份就算是完成工作了。刚入行的菜鸟们喜欢笼统的说:业务。可业务并不是一个孤零零的、独立的个人。业务两个字背后,是非常具体的、复杂的含义(如下图所示)。
具体问题具体分析,是数据分析的最基础要求,也是做好项目的第一步。因为这五大要素和它们的具体形态,决定了我们的数据分析可以做到什么程度,应该做成什么样子,明星数据怎么做,做成什么样才能满足需求。具体的关系,如下图所示:
理清具体问题非常重要。过去我们常说传统企业如何如何,互联网企业如何如何,在渠道融合发展的今天,实际上二者之间边界越来越模糊。如果不具体分析,往往会闹出很多笑话。
比如:
曾是toC互联网企业,现在要发力toB,完全不知道怎么和客户打交道;
名为互联网产品,可服务对象是实体老板,销售还在用最原始的电话外呼;
名为互联网行业,可运作的仍是实体产品,进销存量收利一样都不差;
名为新零售,可数据采集一塌糊涂,连传统连锁店都比不上;
名为传统企业,可在做数字化转型,玩的是分销、裂变;
以上种种复杂场景,不是大喊一句“我是互联网AARRR思维”就能搞掂的。指望套模板结局就是死翘翘。况且经过这几年的历练,很多运营、产品经理、策划都学会了基础数据分析概念,这时候还抱着充满“SOWT、PEST、5w2h”一类空洞口号ppt模板,数据分析师就等着下岗吧。具体问题、具体分析,怎么强调都不为过。
第二步,找到发力时机
数据分析项目,最大的敌人是:日常工作。所以,并不是所有事情都适合立项目来做。时机非常重要。
往往我们要挑业务部门的以下时机入手:
想做创新
想改良现状
新工作两眼一抹黑
遭遇问题不知所措
三板斧砍完不见效
在这些战机时刻,抛出系统的解决方案,一鼓作气独立把问题解决掉(如下图所示):
第三步,确认项目需求
具体方法如下: 1、在做分类汇总前,需要先对数据进行排序,否则无法进行分类汇总,如下数据:我们要对物料编码进行分类汇总,则可以先对此列进行排序。 2、选中D列数据,在插入-排序和筛选命令下选择升序或降序进行数据排序,。
找好发力时机以后,与具体业务方谈妥,准备动身开工。在开工前一定要确认好项目需求,具体来说就是项目铁三角:
这里有三点要注意:
数字、模型、报告本身不是产出。业务从不了解情况到了解,从没有办法到有办法,从不知道怎么选到知道怎么选,从没有准备到一二三级预案,这才是产出。所以不要脱离问题就数论数。从数字里推出结论。
时间千万别忘了。时间紧,尽量快速出结论;时间宽,就要分步骤输出,企业不是学校留大半年给你慢慢憋论文。
有多大锅下多少米。如果数据质量差、人手不足、缺乏分析经验,就沉住气一步步做,不指望一次解决所有问题。
这三点对于项目成果至关重要,过往历史中有太多数据分析师沉迷于折腾“科学方法”,忽视了项目管理,忽视了时间-投入,结果画的饼大,煎的饼小,最后灰溜溜收场。
比如:
你帮我想个办法呗(找你要执行方案)
一定是对手/天气/运气……(企图甩锅)
我想分析用户心智资源(压根没数据)
只要有人工智能用户就会买单(方法不切实际)
一、 具备基本的数据素养 1. 具备基本的统计学概念 先来说一下最基础的概念:平均值,中位数,百分位数,众数,离散程度,方差,标准差。这里不一一赘述,只简单说一下均值和中位数的差异。 均值:即平均数,优势是,均。
所以,靠谱的做法,是一步步梳理需求,引导到数据分析可以解决的问题上,正本清源,客观解决问题(如下图)。具体引导方法有很多细节可以讲,稍后我们结合具体案例,详细的说。
2、数据收集,这里不做过多的说明,一般情况下,数据来源都会可靠有效。我们要做的只是把我们需求的数据get即可。3、数据处理:主要包括数据清洗、数据转化、数据提取、数据计算等方法,数据分析的前提是要保证数据质量,如果数。
第四步,开展分析工作
做完需求,后续就是正式工作。具体内容和分析议题有关,这里不展开讲的。如果前期梳理清楚,中间过程自然顺利。这里只强调一点:数据分析工作切记憋大招。憋得越久,人们对你期望值就越高,最后失望就越严重。因此,只要项目工资超过1周,就得有周汇报,通知大家进度;时间超过1个月,一定要有月总结,拿中间过程和大家碰一下。
特别特别是用到算法的项目,往往一听到算法业务部门都以为是神兵下凡,所到之处必然望风披靡。所以,算法项目死于业务期望值过高的例子,特别特别多。过程中,具体的算法过程不用向业务汇报,但是遭遇的困难和期望输出的结论,要经常保持沟通,适当控制业务期望,避免最后一刻才发现货不对板,最后身败名裂。
第五步,工作汇报
这里不展开说了,陈老师刚刚更新一个数据分析报告系列连载,大家可以参阅。总之,汇报的时候,要考虑目标听众的身份、目的、结合项目目标做个性化汇报。这样才能取得好效果(如下图)。
基于听众的思考,使得即使同样的数据,同样的结论,也能有不同的表达形式,最后抓住听众眼球,让大家感兴趣,给项目完美收工。
做数据方法:使用数据分析工具来做数据分析,简单的数据分析可以使用Excel,复杂的可以使用SPSS、SAS、MATLAB、SQLserver等分析工具。做好数据分析的前提是要收集有效的原始数据,必要时可运用一些统计方法进行数据的有效性判定和剔。
小结
大量的业务不是科学问题,而是实操问题。O2O平台如何管理商户,新媒体平台如何发展本地客户,直播电商怎么选款等等问题,都得把数据知识和实际工作结合才能输出结论。更不用说,大家混职场都夹杂了办公室政治,如何出人头地少背锅的诉求。因此才有了我们今天的讨论,才有了各种推动项目的方法。这是每个做数据的同学从校园到职场的必经一步。
接地气的陈老师,微信公众号:接地气学堂,人人都是产品经理专栏作家。资深咨询顾问,在互联网,金融,快消,零售,耐用,美容等15个行业有丰富数据相关经验。
本文原创发布于人人都是产品经理。未经许可,禁止转载
题图来自Unsplash,基于CC0协议