“没项目做呀!”
“每天瞎忙啊!”
“业务方:我早知道了,你做的有啥用,你分析得不准确“
一键三连啊。
O(╥﹏╥)o
今天我们先不谈“为啥每天瞎忙没项目做”的问题,就谈“为啥已经开工的项目会失败”。因为认真梳理下会发现,至少四分之三的数据分析项目失败,和这个事有关。
1、问题场景1
需求1:
“我们要建立大数据用户画像”。这个需求很常见,业务部门动不动就“来个用户画像分析”。那么问题便来了,真的做这个需求,有多大概率扑街?
非常大
因为不知道做了到底干啥呀。业务方可能很随意地说:做了用户画像,就知道用户特征了。问题是:这个需求报表不能满足吗!如果真是不知道,直接把用户特征各个维度跑一遍数,列个excel表就好了呀,为哈要费事上一个用户画像项目呢?!
这种需求叫:无目标需求。漫无目标,大概率做完了被人扔一句:“我早知道了!”因为对方确实可以通过日常报表、用户调查、自己体验获得一些数据。这种项目接过来过,哼哧哼哧打标签、整数据、做看板,最后铁定失败。
2 、问题场景2
需求2:
受到场景1启发,有同学会问:做用户画像干什么?
业务方答:做来看哪些用户喜欢A产品
那么,真的做这个需求,有多大概率扑街?
非常大
问题在什么叫“喜欢”???
如果是“过往X个月内购买次数大于X次,购买金额大于X元”叫喜欢,那直接拖一张报表就能满足需求呀,为啥需要起一个项目。
如果是“未来有大概率会购买A产品”,那实际需要的就不是什么用户画像,而是针对A产品的预测。那起个毛线的用户画像项目,直接做预测呀。
这种需求叫:需求不清晰。驴头不对马嘴,这种项目接过来做,分分钟落一个:“你做的没啥用”的评价。找不准真实的痛点,项目必定失败。
3、问题场景3
需求3:
受到场景2启发,同学知道了业务方想预测销售
现在,业务方提出:希望能精准预测销量
那么,真的做这个需求,有多大概率扑街?
非常大
问题在:预测的到底是啥玩意不清楚。
如果预测的是新上市款,压根没数据呀,预测个毛线。这时候,最关键的问题就是:要不要做测试。如果已经有选定产品,需要测试效果,这就是测试问题。直接设计ABtest,拿去测一测效果,收集一波数据再做预测。
如果没有做预测,这时候实际上是:分类问题。基于竞争对手的选择,自身商品管理的判断,过往同价位/同客群/同品类销量走势,对待新品进行评估。由于完全是凭空预测,因此输出的结果必定不能很准。这时候最好的做法是先对产品定性,它的潜力是:爆款、流量款、利润款、补充款、普通款、还是吊车尾。有了定性判断,再看配多少资源,多少人力给它。再看能不能基于资源投入预测。
这种需求叫:需求不具体。看似有目标,但是少了背景条件,甚至一字之差,离题万里。这种项目接过来做,分分钟落一个:“你做的没啥用”的评价。找不准真实的痛点,项目必定失败。很有可能哼哧哼哧塞了一堆现有产品数据,结果发现根本没考虑业务动作,也不能推广到新品,最后落一句:分析不精准啊!
4、问题场景4
需求4:
受到场景3启发,同学问了业务方,得知:
想预测销售,是指导销售团队工作。
那么,真的做这个需求,有多大概率扑街?
非常大
问题在:知道预测结果,人家又能干啥。
如果预测业绩很好,so what!销售还是该干啥干啥呀,说不定还会搞搞阵,藏点单啥的。
如果预测业绩不好,so what!这东西根本不需要预测呀,拖一张报表就能看到做得好不好呀,看到业绩不达标,还需要预测吗,麻溜地开发客户去呀。
所以这个预测值,对于销售部门来说没啥实际用处。这个需求可能只是出于好奇,可能就是随口一说。总之,这叫:需求不够刚性。这不是业务部门的核心问题点,因此项目上了也是白上,最后很容易被批为:分析有啥用。
5、问题场景5
需求5:
受到场景4启发,同学问了业务方,得知:
想预测销售,是指导库存管理。因为供应链不能控制销售,只能被动看订单供货,所以能预测出来销售值就很重要。如果销售预测准了,备货自然能按照销售来备,库存损失也能减少多好!这次是刚需了吧。
那么,真的做这个需求,有多大概率扑街?
非常大
问题在:影响库存损耗的不止一个因素,只考虑销售太过偏颇。
这叫:需求不准确。本质上,供应链损耗受到采购计划、销售能力、生产排期三方面影响,和销售有关,也有可能和领导私心(收了供应商钱,野心过大的扩张计划)有关。因此只抓一个因素,很有可能不能解决问题库存损耗的问题。绕路走,是数据分析头号大忌。
既然预测是为了减少损耗,就直接把目标设为减少损耗。注意:即使再优化,也不可能做到马上进马上出,因为总有一些市场意外,总有一些商品滞销,所以最后控制目标也不是直接压到0,而是控到一个可接受水平,或者控制促使整体损耗下降。这样才是可能成功的目标,梳理到此,可以继续往下做了(如下图)。
6、小结
四分之三的数据分析需求,在开始的时候就注定失败的。因为需求存在各种各样的问题:
- 不清晰
- 不具体
- 啥都想搞
- 不知道做了啥用
- 做了也没啥用
只是听说市面上流行“数字化转型”“人工智能大数据精准用户画像”就急匆匆往上怼。最后自然必败无疑。
有趣的是,识别伪需求的最好方法,就是拖一张报表。通过业务部门对报表的利用情况,可以反向观察:
- 哪些部门真的数据,哪些就是说说而已
- 哪些数据真的能有用处,哪些看了就看了没屁用
- 看了数据能做哪些动作,哪些又是看了也无能为力
这样,即使业务部门没有能力讲清楚需求,数据分析师也能够对项目目标、工作重点、输出内容有自己的判断。所以做数据分析的同学们,不要被网络上爽文洗脑了,报表才是数据分析工作的立命之所。一个会玩报表的数据分析师,才有机会做出高大上的模型。切记切记。