领导对数据的期望值太高了!该怎么破?

编辑导读:这几年,随着数字化进程的加快,越来越多的企业开始重视数据分析。但是,很多领导都是外行人,指导工作的时候难免会期望值过高,让数据分析师特别头疼。本文作者基于自身工作经验,对这个话题提出了自己的一点看法,与你分享。

做数据的同学们,最怕被人喷:“你做的没有用!”

十个“你做的没有用”,至少七个和期望值过高有关。

特别是越不懂数据原理的人,对数据的期望值越高。

悲剧就是这么来的。怎么破?今天系统讲解。

问题场景:

某零售企业开始互联网转型,已上线微商城,并配套建设CDP,对微信端用户信息有一点采集(仅限于用户ID+购物行为+七零八落的互动行为)。现在负责微商城的领导找到数据分析师,表示:我们啥都有了,就差一个高深莫测的分析了,希望你能做出有价值的用户画像模型来提升业务。

问题1:听了以下五位领导的发言,你觉得他们“不懂数据”的程度排序是……

  1. A:我们啥都有了,就差一个高级建模了
  2. B:你要做人工智能大数据分析下用户画像模型
  3. C:我们日常的商城报表来来回回就那几个数,也看不出来啥
  4. D:微商城的留存效果不好,用户复购低,得分析下问题
  5. E:比如,买过护肤品的用户,可以看她多久能复购一次

一、什么算不懂数据

拜各路网络文章、网络课程所赐,现在一提起数据,新人们满脑子都是:excel,sql,python,tableau,hadoop,spark,sklearn,tensorflow,那么既然这五位领导一行代码都不会写,那么答案就应该是:A=B=C=D=E=0咯,只有我才是精通数据的大神……

或者还有些新人认为:模型最牛逼,那肯定提模型的领导最牛逼了。所以是B≥A≥D≥C≥E,领导都说了要大数据人工智能用户画像模型了,看我不模他个天翻地覆!

大错特错!

生产数据是数据部门的事,但应用数据是每个部门的事,甚至很多资深的业务,要比每天跑数的表哥更懂数据的含义和用处。所以从一开始,就不能拿技术能力去要求业务部门,而是得看这些人懂不懂如何用数据。

应用数据最大的瓶颈,当然不是建模,而是采集数据。没有好的数据质量,一切分析建模都是扯淡。而数据质量又和业务流程、建设时间、投入力度息息相关。如果业务方总急着上马新功能,不认真做埋点,不认真清理数据,那数据就是一坨屎。

一大坨屎也很大,但是它还是屎,变不成米饭,这是基础常识。没有数据,无法分析,这也是常识。

因此不要听业务方吹什么“我的数据很大,都在那了”,他如果不了解到底手头有什么数据,说的分析思路基本都是屁话。

超级产品经理

所以真正能考察业务方到底懂多少数据的,是看他对已采集的字段了解多少,他对数据指标关注多少,对数据指标背后的问题思考多少。

  1. 了解字段的≥了解指标的
  2. 了解指标的≥了解数据问题的
  3. 了解数据问题的≥了解业务问题的
  4. 了解业务问题的≥“就差一个用户画像模型了”
  5. 所以这一题的真在答案是:E≥D≥C≥B≥A

如果你面对的领导/客户/同事,对自己的系统到底有什么字段,什么指标毫不清楚,却很希望你建立用户画像,精准预测模型,那可得小心了!这跟指望你炼救命仙丹没啥区别。

就比如本场景里,虽然名义上是微商城,可真实采集到的数据只有用户ID+交易行为,这跟线下门店的数据没啥区别,稍微复杂一点的模型都建不了,用户特征更是无从谈起。这时候反而E领导提的,基于某些交易行为做预测,还有一定可行性,面对其他几位,降低期望值才是正道。

问题一答完了,来问题二。

问题2:听了以下五位领导的发言,你觉得他们“期望太高”的程度排序是……

  1. A:要是数据分析做的好,肯定业绩蹭蹭蹭
  2. B:有了用户画像模型就能精准营销,极大提高用户购买率
  3. C:至少得分析出来一些,我不知道,但是很重要的问题
  4. D:用户复购原因,得分析的很深入,搞清楚
  5. E:先把复购周期算出来看看

估计不思考,也能看出来E的期望值是最低的,那么问题是,ABCD四位的要求算不算高?数据驱动业务,数据就是生产力不是人们都挂在嘴边上的吗?

二、什么算期望太高

首先,数据驱动业务,这句话本身没有错。

但是主语是:老板用数据驱动业务。作为一个用户,你永远不可能为了某个公司的某个程序员敲出来的代码买单,你只会在一个具体的时间、一个具体的地点,以一个具体的价格,买一个具体的商品,满足一种具体的需求。

因此数据想要发挥作用,就得结合宣传渠道,产品配置,价格定位,推广方式,这些需要一个系统化运作,而不是一个程序员敲几行代码。所以,所有指望敲几行代码就能业绩飞涨的行为,都算期望值高,而且是不切实际的高。

超级产品经理

其次,没有数据能不能分析问题。

答:能,绝对能。实际上数据是分析问题最缓慢的手段,你还得采集数据,得清理,得存储,得计算。春江水暖鸭先知,在业务一线的人始终能更快速、更细致的感受到问题,并且依据经验、洞察力、测试等手段找到一些答案。

所以,指望数据分析,分析出来业务完全不知道且重要的问题,是非常不现实的。如果真是这样,只能说明公司的业务都是蠢猪,那这些蠢猪采集回来的数据自然也不能信咯。

超级产品经理

再次,数据能分析出多少原因?

答:主观类原因都几乎分析不出来。本身人的行为和内心想法就不太一致,经常有口是心非或者欲扬先抑一类做法,目前数据无法记录人内心,只通过行为反推很有缺陷。其次,用户行为经常分散在各个平台,单一平台记录数据不全,因此除了投诉、退货、参与团购、登记缺货、付款预约这种指向性明显行为外,其他行为也很难指向某个内心想法。所以在分析原因的时候,很有可能只能落到某个事件、某个行为上,真正的原因很难得出来。

超级产品经理

所以综上,本体答案是A≥B≥C≥D≥E。同学们可以简单记住如下难度顺序:

  1. 直接提升业绩≥提能提升业绩的建议
  2. 提能提升业绩的建议≥精准预测走势
  3. 精准预测走势≥深入分析问题原因
  4. 深入分析问题原因≥评估问题状况
  5. 评估问题状况≥了解现状

业务方提的难度越大,越需要沉住气一步步做,特别是争取到业务部门的参与和支持,把数据融入到业务过程里,才能看到作用。有同学会问:到底怎么实现把数据融入业务过程,关注接地气的陈老师,我们下一篇分享,就还拿用数据分析提升微商城销售业绩为例,看看能怎么做,敬请期待哦。

作者

接地气的陈老师,微信公众号:接地气学堂。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。

关键字:数据分析

版权声明

本文来自互联网用户投稿,文章观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符,请点击 举报 进行投诉反馈!

相关文章

立即
投稿

微信公众账号

微信扫一扫加关注

返回
顶部