如何正确的打开“数据分析”？

上周，我和你谈了一次数据建设，所以一些读者问做好数据分析应该使用什么姿势，然后谈谈10元。1.做数据分析的基本原则必须遵循一定的原则。我简单列出了这些原则，这些原则属于亮哥看重的，但不一定通用。让我们先来看看数据分析的过程。梁哥认为，数据分析应遵循以下流程：也就是说，数据分析需要从问题中回到问题中。事实上，数据分析主要有五个步骤：问题、寻找对象、选择数据、分析和再验证。1、问题：数据分析必须有明确的目的，数据分析必须有非常明确的目的。这一目的可能伴随着一个或多个目标明确的测试动作。例如，原商品登陆页面的购买转化率相对较低，需要使用新的登陆页面来提高流量进入后的购买转化率。这个时候应该有三个问题:当前的商品登陆页值得优化吗？优化商品落地页可行吗？能优化到什么程度？你会发现，在这个时候，原来的目的（找到提高商品登陆页面购买转化率的方法）已经成为三个问题，这三个问题需要指导整个数据分析过程。2、找对象:明确分析的可行性和范围。对于上面的例子，1by1实际上需要解决三个问题，需要找出对象。问题1：目前的商品登陆页值得优化吗？事实上，这个问题的对象不是商品登陆页面，而是商品登陆页面来源渠道的流量和流量到来后商品登陆页面的行为模式。因为，如果流量本身进入较少，样本本身可能没有测试和验证的可能性，但我们需要首先提高流量分配的能力。问题2：优化商品落地页可行吗？这个问题的对象可以是新的登陆页面或旧的登陆页面。只要数据证明登陆页面的调整是否会影响购物转化率，就可以得出结论。问题3：能优化到什么程度？事实上，这个问题现在无法回答。很明显，要回答这个问题，首先有一个前提，那就是调整商品登陆页面，这对提高购买转化率是可行的。这样你就可以识别对象了。3、选择数据:从已经明确的对象中挖掘相关数据选择数据并不难，但前半部分并不容易。涉及时间跨度的选择、对象数据的维度等。一句话，要有逻辑。4、做分析:客观中立，从数据中洞察分析这件事，其实就是讲究，从数据中自然推导出结论，讲究客观中立。不能用结论来收集数据，也不能看起来很困惑，不知道数据想和你谈论什么。5、然后验证:用数据告诉你结论，反过来看最初的问题。我告诉孩子的是，数据应该能够带来:结论假设行动项，也就是说，一个数据分析应该能够帮助你认识到现阶段问题的情况(结论)，帮助你提出下一阶段的可能性(假设)，帮助你梳理下一步要做的事情(行动项)。2.如何建立数据提取的逻辑逻辑是非常重要的。重要到什么程度？我见过刚开始做数据分析的小同学的分析报告，基本上是堆一堆数据，然后说出来，得出结论，结束。我问，为什么要取这些数据？这些数据之间有关联吗？什么样的关系？两天前，我的好朋友也是知乎大V的三水兄弟。他写了一篇专栏文章来反驳三峡的负面影响，这是非常值得一看的。看完后，你会知道有时会堆积的数据根本没有因果关系。然后，在你花了几天时间获取各种数据后，堆叠的只是你认为是正确的结论，这是毫无价值的。要建立数据提取的逻辑，首先要训练自己的逻辑思维能力。轻度和小变态的训练方法是这样的:随便拿起一个现象，开始做「找关系」的训练。例如，如果你喝了一杯咖啡，你可以开始训练：一杯咖啡是美国、拿铁还是其他饮料？美国和拿铁的区别在于，拿铁在咖啡中加入牛奶，而美国在咖啡中加入水，但为什么7-11用机器做一杯美国的时间大于做一杯拿铁的时间，甚至是两倍呢？哪个环节影响了额外的时间？……等等。然后，你必须非常接近业务，能够理解业务场景。例如，停车场。假如我问你，对于汽车来说，什么样的场景最频繁？我相信至少50%的人会告诉我停车、加油和维护，尤其是停车和加油。有些人甚至说停车是最频繁的，因为只要汽车开出去，它就会停下来，停下来需要一个停车的地方。但事实上，我们讨论的停车场是一个非高频场景，因为假设车主是办公室职员，那么基本上在工作日，他没有临时停车需求，对公共停车场没有热烈的需求。因为家里和公司都有相对固定的停车位。但是，如果你不是车主，或者你离停车业务线很远，当你想做数据分析时，你会有一个假设和逻辑，它看起来很好，但实际上是完全错误的。因此，仅仅进行日常培训是不够的，还要充分了解业务，了解业务。3.数据分析实际上只要三页纸这真的不是一个笑话，当然，因为分析工作的深度不同，所需的数据量不同，事实上，三页纸也可以被三个部分取代。所以，第一部分是梁哥反复强调的，分析的背景、目的、选择的样本量、参考资料，以及想要得出结论的假设。例如，在原始商品登陆页面上，用户的购买转化率不到0.01%。我们需要研究这种情况是否能得到改善。因此，我们选择了2000个用户，随机分为两组。A组看到了新的商品登陆页面，B组维护了原来的商品登陆页面。在30天内，比较两组1000名用户的购买转化率，参考对象为：A组VSB组30天内单人日均转化率；A\B组用户看到页面前后30天的单日平均转换率假设商品登陆页面转换率低是由于页面设计不合理，页面内容不满意，经过新登陆页面的调整，改进了页面设计和页面内容呈现的结果，希望通过数据分析，找到优化商品登陆页面，提高购买转换率的可能性。第二部分非常简单，将取得的样本、数据全部列出，进行参考比较，必要的数据解释工作可先备注。第二部分非常简单。列出所获得的样本和数据进行参考和比较。可以先注意必要的数据解释。第三部分更简单。根据数据分析结果，可以反馈结论，提出假设和组织验证。所以，其实每一份数据分析报告，其实都应该是这三个部分。4.理解结论、假设和行动项的最后一部分，举个例子，告诉你结论、假设和行动项。数据专员小王做了一份26页的数据分析报告，围绕现有内部渠道的运行质量进行了数据提取和分析。报告中列出了多个内部渠道，这些渠道在半年多的时间里做了什么，相关的显示率和点击转换率统计，然后结束了。于是小王的领导老毛和小王聊天：1、在过去的六个月里，通过A渠道投放了36次，这36次针对的对象和内容有什么区别？对谁投放什么内容，什么时候投放效果最好？相反，什么时候以什么形式，对于谁来说，什么内容效果最差？你的结论是什么？2、如果你已经从数据中得出结论，在某个时间以某种形式对某一类人群的某一类内容有很好的效果，那么，这个渠道只能在这个时候对这类人群以这种形式投放这类内容有效吗？你能在其他时间以不同的形式投放不同的内容，也能带来效果吗？什么是你提出的假设？3、如果你已经提出了假设，你建议渠道那边的同事接下来该怎么办？是做一系列的测试回收数据，还是提高渠道质量，还是在未来发布前进行一轮用户选择和内容筛选的沟通？你建议的行动是什么？」小王听的压力越大，但也慢慢明白了老毛说的话「不合格」是什么意思？当我们进行数据分析时，我们应该始终有好奇心和责任感。我们可以通过一个小数据来洞察许多问题，这些问题不能局限于提出，甚至看到但忽略，否则数据分析将毫无价值，我们不能这样做。以实际为例。企业A的商业模式是每年收取固定单价的会员费，因此企业A的核心数据是：付费会员率。拆卸此率时，会有两个相关指标：如果在数据分析中发现会员首次付款比例较高，但首次付款比例较低，第一个结论是：企业A提供的会员服务具有一定的价值，但会员服务的表达和刺激用户成为付费会员的形式、文案、交易过程可能存在一定的缺陷。接下来，通过获取这些可能的缺陷点所涉及的过程和数据来观察这些方面是否存在问题。若是，提出假设，并通过行动进行验证。因此，事实上，一旦数据分析开始，它就不是一种单一的行为。它更像是一个实验的启动器。通过启动实验，调整不同的业务发展状态，寻找机会点，消除风险。我希望每个人都能有意识地得出结论，提出假设，并制定行动，这就是为什么我从不单独提及「数据运营」概念的原因，因为每个运营商，只要你有业务模块，你就应该有「数据查询」与「数据分析」职责和主观主动性。只有这样，你才能提高得更快。说完收工。