拒絕無意義加班！高質量的數據分析需求長這樣

01-29

作者：陳老師請勿轉載
公眾號：接地氣學堂
配套教程：求職必勝，提升面試成功率靠譜攻略求職必勝，提升面試成功率靠譜攻略

年底將近，雙十一大促銷在即，數據分析師們又到了一年最辛苦，最悲催的時間段。然而，有多少無意義的加班，是因為業務部門不會提需求所導致的。需求提的不合理，業務部門看了不解決問題，就會反反覆復的再提需求。導致數據分析師們辛苦加班還不落好，背上一個：「分析沒深度啊！」的壞名聲。

為了提高分析質量。陳老師總結了數據分析師可以回答&不可以回答的問題。數據分析師們可以對症下藥，在業務部門思路不清晰的時候，幫他們理清思路，找到他們真正關心的問題。業務部門的同學們自取學習，提升數據能力，能讓你的方案思路更清楚，減少返工機會。思路不清，被老闆退回，反覆改到V28-7F.3版，倒霉的還是業務部門自己。

簡單來說，數據分析師可以回答三類問題：是什麼，為什麼，會怎樣。

數據分析師可以回答：是什麼

是什麼：用數據指標描述某一時間段內的某個問題。這裡有三個關鍵詞：數據指標、時間、問題。第一個關鍵詞是：數據指標。我們常提的，比如PV/UV，用戶數，活躍率，轉化率，留存率都是指標。討論問題如果不能具體到一個指標，就無法用數據量化分析。因此業務部門需要清晰的知道：到底有哪些指標可以用。這裡強烈建議數據分析師們把自己公司常用指標整理一份《業務常用數據字典》，方便業務方統一口徑，也方便業務方新人學習。盡量不要一個項目就新造一堆指標出來。公司內部統一口徑，才是可持續深入分析的基礎。

第二個關鍵詞是時間。業務方往往對時間不敏感，喜歡張口就來：「我們的用戶量是多少？活躍率是多少？」這時候數據分析師必須提示業務方，想清楚自己想看的數據的時間範圍。活躍率是看周活躍率還是月活躍率還是年活躍。如果業務方自己想不清楚，就交代一下業務背景，讓數據分析師幫看看用哪個指標合適。不溝通清楚時間段，同一個指標反覆取數，是導致數據分析師加班的重要原因！

第三個關鍵詞是問題。數據指標有可能能直接說明問題。比如性別指標，直接統計某個時間點上的性別指標，就能看出來用戶男女比例。有些情況下，需要多指標綜合判斷。比如要判斷一個推廣渠道的質量。這裡「質量」兩個字就可能是綜合指標。單純的看渠道帶來的收入可能不解決問題，至少還要看客戶檔次，看渠道成本，看ROI等等指標。有些情況下，還需要多指標對比做出判斷。比如業務方問：什麼渠道質量高。這裡「高」就是一個相對值，需要有一個明確高低的參照物。

遇到綜合指標&對比判斷指標，業務方需要先給判斷邏輯。畢竟業務方才是對業績直接負責的部門。到底什麼指標對業務發展更重要，到底什麼程度才算好/壞，業務方才是最終裁判。對業務開展有利是最終判斷準則。如果業務方暫時沒有清晰判斷，數據分析師可以協助先計算數據分布，提高業務方判斷效率。

數據分析師可以回答：為什麼

為什麼：用數據分析問題產生的原因。需要指出的是，數據分析僅僅是尋找原因的一種手段。因為目前的數據僅能記錄一小部分用戶行為狀態。很多重要的原因無法被記錄。因此，數據分析更適合定位問題。剖析問題找到原因，可能需要用戶訪談，渠道走訪，親自體驗，產品測試等多管其下。

數據分析師70%時間要花在基礎的數據處理、數據計算、報表製作上。相比之下，每天都在一線奮戰的業務方，反而有可能對問題產生的原因，有更直觀的感受。因此，想精準的分析原因，最好的方式是業務方先提供業務假設：基於經驗，可能是在XX方面有問題。數據分析師通過數據進行驗證，質量就非常之高了。

數據分析師可以回答：會怎樣

會怎樣：用數據預測未來可能的情況。這裡必須強調：不要高估所謂大數據、人工智慧、科學演算法的能力。數據分析師們預測未來的基本邏輯，是：過去的情況會重現，過去發生的邏輯未來也一樣。完全憑空飛出來的黑天鵝是無法預測的。本質上看，未來業績是多少，是靠業務方做出來的，不是算出來的。如果業務方不努力幹活，單靠演算法、公式、模型、又能怎樣？

因此，高質量的預測，是建立在業務方準確的提供未來計劃之上。未來業務方將開展的計劃越精細，數據分析師們，就能越準確的衡量得失，判斷內外部因素影響。如果沒有計劃，數據分析師們，也只能假設現在的某些趨勢保持不變，簡單拍拍腦袋。

數據分析師不可以回答：怎麼辦

重要的事情說三遍：

分析「我該怎麼做」不屬於數據分析師職責

雖然也有分析兩個字，但是如何設計解決方案是業務部門的事。運營部門就該做活動方案，產品經理就該出產品方案，銷售部門就該想東西怎麼賣。這才是業務部門的本職工作。吵吵著：「你說我不行，你行你上啊」是玩忽職守的扯皮表現。如果連具體的業務方案都讓分析師來想了，分析師也乾脆把業務部門的工資領了算了。

不靠譜的需求大多長這樣

一份合格的需求，一定要先想清楚：自己到底要什麼。當方案還在策劃階段，最需要了目標客群歷史上的「是什麼」，通過對過往經驗的回顧，尋找下一個方案的想法。有了初步的想法以後，可以測算「會怎樣」，為選擇方案提供數據支持。當方案落地成項目時，可考慮監控當前的「是什麼」，監督項目進度。當項目完成後，可再分析「為什麼」，總結成功失敗原因。

業務方提需求的時候，最忌諱眉毛鬍子一把抓。腦中一堆問題沒頭緒，就一股腦傾瀉給數據部門。嘴裡講的是看一個XX指標歷史數據，心理想的是：「我靠，未來這個指標不會下滑吧」。嘴裡講的是看兩個AB指標的走勢，心理想的是：「肯定是B影響了A」。如果數據結果和想像不一樣，就懷疑是數據問題，又提一堆亂七八糟的新需求。往往取數的邏輯越來越複雜，到最後都已經不記得最初想解決什麼問題。親，想做預測就直接做預測，想分析原因就直接找原因，不用這麼彎彎繞繞。在如何看數據上，數據分析師們有更豐富的經驗，和他們充分討論，出品質量更高哦。

當然，最大的問題還是不會問：「是什麼」。取數分不清指標，分不清時間狀態。平時沒有養成嚴謹的數據習慣，隨口說：「我們的用戶有1000萬」「消費1000以上」「大部分是男性」之類的話說的太多。導致看似有數據意識，實則認識不清。利用數據思路混亂，輸出結果不嚴謹，導致反反覆復取數、核對數據，消耗了大量時間。當然，業務部門沒必要做到專業級的嚴謹，這裡必須靠數據分析師來把關，協助大家提高分析質量。

高質量的需求可以這麼提

不直接問「我要做什麼」，不代表數據分析師不能支持到方案選擇。實際上，合理的提問，可以有效獲取參考數據，啟發思路，提升方案質量。比如把「分析一下我該怎麼干」換成以下問題，就有可能獲得更好的結果：

第一：可以來問是什麼。比如：「我們近2年來採用的，類似XX形式的促銷，ROI表現如何？響應率如何？響應的客群是什麼人？我們去年在雙十一投放的廣告，轉化率如何？在沒有做促銷的情況下，去年的同期業績是多少？我們截止到上個月最新的高端客戶的特徵是什麼？他們喜歡哪些類產品？他們的購買周期怎樣？」

掌握具體情況越豐富，細節越詳細，越可以幫助業務方看清楚哪些方法好用，哪些方法不好用；掌握的目標用戶行為越多，越可以幫助業務方把握目標群體的特點，從而更好的思考哪些方案可行。這裡可能就是基礎的數據分析結果呈現與用戶畫像展示，但對啟發思維是非常有幫助的。

第二：可以來問為什麼。比如：「什麼上個月的活動投入力度那麼大但是響應率不高？是因為宣傳沒有到位還是投放的券力度太小？從環節上看，是訪問率跌了還是轉化率跌了？類似力度的活動，比如去年XX活動轉化率多少？」

找原因的時候，有具體的假設，就能幫數據分析師快速鎖定目標。數據分析師們，可以提供豐富的數據來多角度論證問題。畢竟去偽存真，去偽的難度更低。

第三：可以來問會怎樣。比如：「我已經計劃好了，採取買二贈一的模式，在X月X號-X月X號進行，針對所有用戶開展活動。請幫忙測算一下到時會有多少人參與？到時會不會出現庫存不足？如果參與人不足，在什麼時候再投放一次廣告能彌補問題？」

有了具體的方案以後，數據分析師們就可以為業務量身定製測算方案。可以很細緻的結合具體的活動形式、活動時間、活動群體，來考慮競爭對手的影響，考慮季節性波動與參與率。從而相對精確的給到測算意見，為業務部門行動提供有力的支持。

當然，一個業務技術雙精通的數據分析師，是可以提業務方搞掂上邊所有問題的，不依賴業務方的判斷，因為他自己就是個業務高手，有豐富的實戰經驗與業務能力。但這種人是可遇不可求的。大部分數據分析師還是70%時間處理數據的技術男。

為了提高效率，請珍惜數據分析師的時間，讓他們把智力投入到更有價值的為什麼，會怎樣的分析上，而不是反反覆復的當人肉報表機提數據，那樣分析的結論不深入，既浪費分析師的人力，又耽誤業務部門決策。

業務知識一站通業務知識一站通，懂業務，讓你從技術人才中脫穎而出！
雙11全場5折瘋搶12天雙11全場5折瘋搶12天11.11狂歡
關鍵字：已有800人學習七大案例、七大主題、每月更新、全網唯一