1.3 数据思维最直观的解释
随着数据分析市场的饱和,企业对于数据分析师的要求越来越高。如果数据分析师只掌握了数据分析工具却没有数据思维,将很难通过数据分析指导业务决策。因此,拥有数据思维,能够快速寻找正确的分析思路是每个数据分析师必备的能力。本节通过几个直观的例子帮助读者理解什么是数据思维。
1.3.1 构建有效的监控体系和客观的评价标准
对于某一块新的业务,建立有效的监控体系和客观的评价标准是数据分析师的重要工作之一。对这套监控体系和评价标准需要哪些数据、哪些指标、指标如何定义、如何选取多个指标构成一套监控体系都涉及很多细节,这些细节设计得是否恰当关系到监控体系是否能反映业务的真实情况。其中需要哪些数据就涉及数据埋点,数据分析师需要在数据埋点文档设计之前,对于需要哪些数据、指标以及如何定义指标了然于心,以便数据分析师在构建监控体系和评价标准时有数可用。以上能力对于初学者来说,可能有一定难度,但是在业务实战中不断地积累经验,就会找到属于自己的方法。
举个例子来说,某公司新推出一款App,需要对这款App构建数据监控体系。这时候数据分析师就可以根据海盗模型(Acquisition Activation Retention Revenue Referral,AARRR)先对所需数据及相关监控指标进行埋点。有了数据之后可以从获取、激活、留存、付费、自传播等不同的阶段对App建立监控指标体系,参考第6章内容。但是由于不同类型App的功能和类型不一样,其监控指标也会有一定的变化,这就需要数据分析师发挥主观能动性对监控体系做出适当的调整。
数据分析师设计数据监控体系的过程是一个考验其数据思维的过程,好的监控体系能够直接从数据反映出业务的问题,从而减少日常的临时取数工作量。至于数据监控体系如何建立,这里不再赘述,详细内容会在第6章进行阐述。
1.3.2 用合理的分析方法探究原因以及评价效果
用合理的方法探究原因是商业智能分析的重要内容之一。“如何利用漏斗分析减少用户流失率”“如何识别作弊用户”“次日用户留存率下降了5%该怎么分析”等问题是数据分析师日常工作中经常遇到的问题,对于这些问题的思考维度和分析思路就是数据思维的体现。
此处笔者以“次日用户留存率下降了5%该怎么分析”为例进行说明。此类问题属于数据异动分析类问题,面对该类问题,数据分析师首先需要判断指标下降是否合理,是否是数据传输故障等原因引起的;其次可以对用户进行拆分,考虑从新老、渠道、地区等维度对用户进行拆分,确定留存率下降的用户群体;当然,也可以通过PEST、SWTO、4P理论、竞品分析等方法分析数据波动的外界影响因素。
本节对于探究原因类问题的分析思路只做概括性说明,数据异动分析类问题的具体分析思路可以参考6.4节内容,流失用户分析思路可以参考第10章内容,这里不再赘述。
1.3.3 综合运用统计学知识对活动效果进行预估
对于互联网企业来说,每做一次营销活动都会付出一定的成本。所以要想达到投入产出比最高,就需要数据分析师根据历史数据对不同的营销方式带来的用户转化率进行预估,以选择投入产出比最高的营销方案。营销活动的预估是统计学知识与数据思维的结合,也是数据分析师在求职面试过程中常见的题目。对于营销活动的用户转化率预估方法会在第11章进行详细阐述,这里仅挑选一道面试题为例进行说明。
估算题在数据分析师笔试中常常以费米问题的形式出现。对这类问题,可以自上而下推,再由某个点横向切入,反推回去,也可以从需求层面和供给层面来分析。例如,估算京东一日订单量,数据分析师需要列出京东一日订单量的计算公式,如式(1.1)所示,即京东一日订单量等于中国网民数量乘以京东的市场份额,除以使用京东购物的天数间隔。
有了计算公式之后,将公开的数据代入公式,即可计算出一日订单量。当然,从其他角度的拆分和计算,只要言之有理也是正确的。
以上的面试题只是从复杂的场景中抽象出来的极为简单的估算题。但是在日常的数据分析工作中,活动效果预估存在更多的影响因素,因而其估算方法和步骤会比费米问题复杂得多,会涉及更多更复杂的统计学知识,具体案例详见11.2节。