一、数据监控是啥
举个简单的例子,开车的时候,开个导航,导航就是个数据监控产品。只要设定好终点,导航可以根据定位自动显示起点,然后一路上提醒你:
- 距离目标还有XX公里
- 当前路段限速80,您已超速
- 前方拥堵,已为你推荐新路线
瞧,多好用!
从这个小例子里,能看出来数据监控四要素:
- 监控目标(目的地)
- 当前情况(到达时间、速度)
- 业务行动(坐什么车,选哪个路)
- 预计判断(基于当前拥堵预判)
而现实中,这四样东西很可能不存在,这就是所谓“无理取闹型diss”。
二、无理取闹的diss
无理取闹一:没有监控目标。
喊着让监控DAU,那么,DAU每日目标是多少?丫自己都不知道!喊着让监控销售额,销售额每日目标是多少?丫也不知道!这就好像要开车了,打开导航大喊:“导航导航,你快分析出来我想去哪里!”亲,你需要的不是导航,是魔法扫除哈。
无理取闹二:标准来回变化。
定了每日目标,但是丫觉得“你看,昨天超标5%,今天超标1%,不行不行,肯定有问题!”还是回来吐槽。结果过两天,业绩不达标了,他又觉得“你看前几天都超标,真好!”这种反复横跳,让人目标名存实亡,还咋积累经验。
无理取闹三:忽略周期规律。
这种人最喜欢盯着一个数字大呼小叫,今天涨了1%啦,明天跌了0.5%啦,上蹿下跳逼着你深入分析。如下图,业务本身就是有周期变化的呀,如果整体走势没啥大问题,纠结一天能得出啥结果来……
无理取闹四:故意回避变化。
这种人和上一种是反着的。上一种人神经过敏,这一种人神经大条。如下图2,非要拖到数据跌得不行了,才意识到问题。说穿了,就是不想直面问题,能耗就耗着。
以上种种,本质上是业务部门自身缺少数据思维,拍脑袋决策拍习惯了导致的。不过有一个更深入的问题,还在后边。
三、深层本质
问:如果导航只收集一辆车的行车数据,能不能显示出整条路哪里堵,哪里不赌?当然不行!它得把所有车的数据汇总起来,才容易看出问题。这就是做数据的时候“长袖善舞,多钱善贾”的效应。
做业务监控同理。如果只收集了总销售收入结果,那就只能提供结果监控。如果有对组成销售收入各个渠道,各个客群做数据收集,就能看到是哪个部分出问题;如果对销售转化过程有数据记录,就可以看到哪些节点出了问题。越详细的记录,监控的时候发现问题就更具体。
同理,影响结果的原因非常多:用户需求、业务行动、外部环境等等。并且,这些原因不见得能直接用某个指标+维度量化,需要打业务标签,做长期记录观察,才能总结出规律。
比如做个促销,大家都知道业绩会涨。但到底涨多少,和以下因素都有关系:
- 促销力度
- 促销形式
- 目标数量
- 用户响应
- 执行过程
要把过去做过的活动,打上业务标签,一一对比,才能看出差异(如下图)。
这种活,只靠一次分析,一天的监控肯定搞不掂。需要长期积累。如果缺少积累,大家只是口头上笼统讨论“为啥上活动了,业绩还不涨?”那肯定讨论不出来个东西。
很多时候,业务会说:数据有很多,就是没用起来。注意!业务部门经常把数据的条数多,当成“数据很多”。而数据分析口中的“数据很多”指的是过程指标+分类维度很多(如下图)。
这里的区别是巨大的,过程指标+分类维度,才是深入解读的数据的关键。
- 有过程指标,才能看到问题发生节点
- 有分类维度,才能做个体对比找差距
- 有业务标签,才能快速抓住重点问题
光有一个结果指标,数据的可分析程度是很稀薄的,也就看看周期规律,没了。
当然,还有些场景,是数据分析师自掘坟墓,引火烧身。
四、自掘坟墓招diss
最大的自掘坟墓行为,当然是:闭门造车,不懂业务。
- 有的上网到处问“GMV波动的标准是啥呀”
- 有的拿着1%波动差异和各种维度交叉试图看大小的
- 还有的一门心思研究指标是不是符合正态分布,2倍标准差在哪的
结果这么选出来的“异常值”,不是自然波动,就是业务在上活动。除了引来一句“我早知道了”以外,别无他用。
五、小结
业务上的数据异常,指的是实际业绩数据,超过业务的期望值。
- 在期望值内的,哪怕数字上波动很大,也不见得引发焦虑。
- 超过期望值的,哪怕数字小,哪怕是上涨,也会引发疑问。
- 没有期望值的,标准反复横跳的,丫当然会天天焦虑。
因此,想让监控做得好,需要一个系统工程:
- 量化业务目标
- 按时间/部门拆分目标
- 了解目标指标的周期规律
- 了解业务部门到底干了啥?
- 收集过往业务行动效果
结合业务行动+趋势变化,解读数据。
这样才能充分评估形式,做出准确的判断。当然并不是每个公司都有这么好的氛围,甚至经济下行压力之下,有些公司的业务就是喜欢把锅乱甩,所以作为数据分析师,我们做好本分工作,我们自己不要犯四种无理取闹错误,多积累经验即可。换工作的时候,也能充分证明自己的实力。请大家放宽心,学到的本事,始终是自己的。