8. 數據分析師團隊的分工與合作

個人感覺分析師團隊很不好帶,數據分析師團隊最大的三個痛點是:

1. 散:在公司級別的團隊中表現尤其顯著。由於支持的業務多,而各業務的發展目標不同,導致無法設立一個統一的業務目標,只能按人去設定目標,管理效率很低。

2. 亂:正式由於業務目標散亂,造成分析師之間的工作無法統一和協同。很多時候都是各自為戰,沒有配合,甚至出現目標衝突的情況。

3. 弱:不能影響業務,不能建立話語權。這個在上文中已經說過,此處不再贅述。

這裡面的關鍵是解決散的問題。很顯然,如果把眼光放在部門級的業務上,是無法解決這個問題的。因此,需要把視野擴展到全公司。基於公司統一的發展目標,建立一個統一的分析框架。正如數據分析是服務業務的,分析框架也要基於業務模型來建立。業務模型的標準時:

  • 業務模型要高度抽象化,它是從業務模式中抽取出來的,而不是反應部門職能。
  • 業務模型要能反應實際業務的運營規律、要素和目標。甚至,這個業務模型可以放之行業而皆準。

有了業務模型,現在需要建立分析模型。我的經驗是對著業務模型提問題。首先是公司級的:公司的發展目標是什麼?需要哪些要素來完成這個目標?各要素之間如何互相促進?然後將上述問題分解到部門級。最後可以將問題歸類,可以分為:目標分析、運營分析、要素分析等。這些分類好的問題就是分析師分工的基礎。

傳統的分工方式是分析師按支持業務部門分工,或者按支持的業務模塊分工。

這種分工方式的結果是:

第一、分析師對業務的了解如同盲人摸象,每個人都只能了解到部分業務,不能也不會從整體考慮業務問題,對問題的定位缺乏深度;

第二、分析師的工作是割裂的,自己的分析結果不容易被其他分析師採用。

以電商平台模式舉例,運用上面的方法:

1. 建立業務分析模型:用戶、商品兩個主要要素。鏈接這兩個要素的是用戶購物體驗。用戶自身會有用戶生命周期,商品自身會有商品生命周期。還可以進一步細化:用戶購物體驗包括查找商品信息、下單、配送、付費、售後等體驗。商品生命周期可以包括採購、倉儲、上下架等。商品要素包括定價、分類、功能、用戶評價等。

2. 提問:公司的發展目標?假設公司的發展目標就是追求銷售利潤最大化(實際上很多電商平台不是通過這個模式來盈利的)。要素?利潤的大部分通常是由高凈值人群和高毛利商品貢獻的。要不斷發展壯大高凈值人群和提升高毛利商品的銷量。各要素之間如何促進?高凈值人群不會只買高毛利商品,平台也不可能只賣高毛利商品。鏈接這兩者的是用戶體驗。分析師可以根據分析主題分成兩個大組:一組的分析任務包括識別高凈值人群、分析高凈值人群的購物體驗、分析高凈值人群的生命周期;二組的分析任務包括識別高毛利商品、分析用戶對高毛利商品的購物體驗、分析高毛利商品的生命周期。當然,還可以把購物體驗單獨作為一組或者在上述基礎上進一步細分。比如高凈值人群分為A、B、C等幾個不同特徵的人群,如果其特徵差異很顯著,可以基於人群分組做進一步劃分。

這樣分工的好處是:

第一、分析師是基於分析模型的分組,組內目標一致,組內分析結果是可以共享和互相借鑒的;

第二、組內大目標的設定可以較為宏觀,促使分析師從整體考慮問題

第三、組內對大目標的分解最終會落實到具體業務上,不會太虛

第四、不同分組間的分析師雖然目標不同,但是使用的數據維度基本一樣,很多的基礎性工作是可以共建的,且分析結果也可以互相借鑒。


推薦閱讀:

數據分析師需要學習什麼軟體
數據分析師職業規劃與學習路徑
數據分析師職業規劃:人生本來就應該提前做好準備
R 語言的模塊化
爬取拉勾網,深入了解互聯網金融數據分析師

TAG:數據分析 | 數據分析師 |