博客为何大部分数据分析都在做无用功？四个策略立即提升有效性

为何大部分数据分析都在做无用功？四个策略立即提升有效性

数栈君发表于 2024-06-12 15:49 519 0

背景与引言

数据分析在现代商业和科技领域的重要性毋庸置疑。然而，很多情况下，数据分析并没有带来实际的价值，甚至变成了无用功。本文将探讨为什么大部分的数据分析都是无用功，并通过提供四个策略，以提高数据分析的有效性。

为什么数据分析常常变成无用功？

1.数据质量问题

描述：数据质量低劣是导致分析无效的主要原因之一。数据不完整、数据错误、数据偏差等问题都会影响分析结果。

示例：某ToB超大公司在进行客户毛利分析使用了不准确的数据源，导致对该客户判断失误，持续亏损超过千万。

毛利率=(收入-成本不含自身人力)/收入，而成本这个指标计算错误。

原因是因为上游的供应链部门问题，少计算了一项设备成本，该成本占比超过30%。所以给这个客户的定价基于一个错误的成本测算，漏了30%的成本。直接导致定价决策错误、毛利率测算错误、公司亏损一直持续了半年才发现。

你可能会有疑问为什么公司财务没发现这个问题？实际情况是参与测算和验证的有十几个人都没发现，当公司越大，数据量和依赖越复杂的时候，靠人是很难发现问题的。

2.目标不明确

描述：很多数据分析项目在开始时并没有明确的目标和问题定义。没有目标的分析就像在黑暗中摸索，很难得出有价值的结论。

我们首先要理解，目标是在有效范围时间内的基线基础上进行增减，而问题就是目标和基线的gap。数据分析在这两个明确的基础上去分析有效策略。

示例：一个电商平台试图通过数据分析提升收入，但没有明确分析的具体方向和目标，最终未能找到有效的策略。

月环比提升10%的收入，月同比提升10%的收入是完全不同的，因为基线变了，问题也变了

3.方法不当

描述：选择错误的数据分析方法或模型，往往会导致错误的结论。不同的数据类型和问题需要不同的分析方法。

示例：针对时序数据，使用线性回归模型分析非线性数据，导致预测结果偏差较大。

4.缺乏业务理解

描述：数据分析师对业务缺乏深入理解，无法将数据分析结果转化为实际的业务策略和行动。

示例：某公司数据团队提出的优化建议无法在实际业务中实施，因为这些建议没有考虑到公司的实际运营情况。不理解业务的数据分析是没话语权的，因为你提的策略不被认可。

5.沟通不畅

描述：数据分析结果无法有效传达给决策者，导致分析结果无法被应用到实际决策中。

示例：数据团队提供的分析报告过于复杂，决策者无法理解其中的关键结论。这真的是大部分数据分析被认为无用的很重要的原因，前期的所有工作最后都会汇总成一个报告，这个报告的一字一句，每个数字的呈现都值得斟酌。

如何避免无用的数据分析？

1.统一组织与机制提升数据质量

组织上：通常在一个能闭环的业务部门建议，建立统一的数据团队。专业的人做专业的事，组织驱动业务，否则各个团队各自为政，数据体系无法进行标准化。数据质量的一大问题就是搞数据的人参差不齐没有标准。当然如果公司比较小则数据团队可以相应缩减。

机制上：建立统一数据仓库和完善的数据治理和质量控制体系，确保数据的准确性和完整性。数据多了需要分层分类，不同的主体和数据类型需要用不同的存储形式。消费数据和生成数据需要多数据源校验。

2.SMART明确分析目标

SMART原则：在开始分析前，明确分析的具体目标和问题，确保每一步分析都有明确的方向。使用SMART目标设定工具。

1.Specific明确

示例：

不具体的目标：提高销售额。
具体的目标：通过优化营销策略，在下季度将年轻客户群体的月度平均购买金额提高10%。

应用：

确定目标的具体内容：谁、什么、哪里、何时、为何。
问自己：目标是否明确、具体？

2.Measurable（可度量）

示例：

不可衡量的目标：提高客户满意度。
可衡量的目标：通过实施新的客户服务计划，在六个月内将客户满意度评分提高到85%。

应用：

确定衡量目标达成的指标和标准。
问自己：目标是否可以通过具体指标来衡量？

3. Achievable（可实现的）

示例：

不可实现的目标：在一个月内将销售额翻倍。
可实现的目标：通过增加广告投放，在两个月内将销售额提高15%。

应用：

评估目标的可实现性，确保目标在现有条件下可以达到。
问自己：目标是否在可用资源和时间范围内实现？

4. Relevant（相关的）

示例：

不相关的目标：提高社交媒体的粉丝数量（如果与业务无关）。
相关的目标：通过提高社交媒体互动率，增加品牌知名度，从而在六个月内增加10%的新客户。

应用：

确保目标与公司的长期战略和业务目标一致。
问自己：目标是否与业务需求和策略相关？

5. Time-bound（有时间限制的）

示例：

无时间限制的目标：改进客户服务。
有时间限制的目标：在三个月内推出新客户服务计划，并在六个月内将客户满意度提高到85%。

应用：

设定明确的截止日期或时间框架。
问自己：目标是否有明确的时间限制？

示例目标：通过应用SMART原则，我们可以设定一个清晰的分析目标：

具体的：在下季度，将18-25岁客户群体的月度平均购买金额提高10%。
可衡量的：使用销售数据和购买记录来跟踪和评估月度购买金额的变化。
可实现的：通过优化针对年轻客户的营销策略，并增加广告预算，确保目标可实现。
相关的：该目标与公司的总体营销战略一致，旨在提高年轻客户的购买频次。
有时间限制的：目标将在下季度结束时完成，并在每月评估进展

3.根据不同场景选择合适的方法

根据不同的数据和类型，选择合适的分析方法和模型。整体分析方法

常见的面向C端用户的分析方法汇总

常见的面向B端用户的分析方法汇总

4.深入理解业务

建议：数据分析师应深入了解业务运作和行业背景，将数据分析结果与实际业务结合。要做到比业务团队更了解业务，比数据团队更了解数据。

进行跨部门合作，定期参与业务会议
参与业务运营，观察和记录业务流程。
建立和维护数据字典，记录业务术语和数据字段的含义，构建指标体系
自学并虚心请教业务产品、客户、资源结构，提升对为什么做的背景理解。

5.有效沟通分析结果

建议：简化分析报告，使用可视化工具，将复杂数据结果转化为易于理解的图表和结论。

1.简化分析报告

方法：

清晰简洁：避免使用过多的技术术语和复杂的统计数据，确保结论清晰明了。
逻辑结构：按照问题、分析方法、结果和建议的逻辑顺序组织报告内容。

示例：在报告中使用清晰的标题和子标题，帮助读者快速找到所需信息。

2.使用数据可视化工具

方法：

图表展示：使用柱状图、饼图、折线图等图表，直观展示数据和分析结果。
可视化工具：使用工具如Matplotlib、Seaborn、Tableau或Power BI，制作专业的可视化图表。

示例：一个好的图表一定是一眼就能看到问题，这是一个销售团队每个人销售额和目标达成率的分析，左边的图比较乱有网格，达成率用的是折线表示，在这个场景就看不出问题。改进后的图目标用短的虚线，针对完成率，好坏用不同颜色标识，更清晰

http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/88d05481bf8a590c8ac587d0c8706bdd..jpg

3.针对不同受众调整报告

方法：

了解受众：了解报告接收者的背景和需求，调整报告内容和表达方式。
分层报告：为不同层级的管理者准备不同深度的报告，详细信息供技术团队参考，简洁结论供决策者参考。

示例：为高层管理者提供摘要报告，重点突出结论和建议；为技术团队提供详细分析报告，包含数据和方法细节。

4.强调关键结论与业务影响

方法：

突出结论：在报告开头和结尾明确指出关键结论。
业务关联：说明分析结果对业务的具体影响，提供可操作的建议。

示例：“通过分析，我们发现提高社交媒体广告投放可以将年轻客户的购买频次提高15%。”

3.使用故事化表达

方法：

故事情节：将数据分析结果嵌入到一个连贯的故事情节中，帮助读者更好地理解和记忆。
实例说明：使用具体案例和实例说明分析结果和建议的实际应用。

示例：“假设我们增加了10%的社交媒体广告预算，预计在接下来的一个季度内，年轻客户群体的购买频次将提高15%，这将直接带来约20万元的额外收入。”

结论

虽然大部分的数据分析可能会变成无用功，但通过提升数据质量、明确目标、选择合适的方法、深入理解业务和有效沟通分析结果，我们可以显著提高数据分析的有效性。

数据分析的核心在于将数据转化为有价值的洞察，帮助企业做出更明智的决策。

通过上述改进措施，我们可以避免无用的数据分析，真正发挥数据的价值。

本文系转载，版权归原作者所有，

转载自公众号数据分析螺丝钉，如若侵权请联系我们进行删除！

《行业指标体系白皮书》下载地址：https://www.dtstack.com/resources/1057/?src=bbs

《数据治理行业实践白皮书》下载地址：https://www.dtstack.com/resources/1001/?src=bbs

《数栈V6.0产品白皮书》下载地址：https://www.dtstack.com/resources/1004/?src=bbs

想了解或咨询更多有关袋鼠云大数据产品、行业解决方案、客户案例的朋友，浏览袋鼠云官网：https://www.dtstack.com/?src=bbs

同时，欢迎对大数据开源项目有兴趣的同学加入「袋鼠云开源框架钉钉技术群」，交流最新开源技术信息，群号码：30537511，项目地址：https://github.com/DTStack

数据资产管理能力数据资产管理标准实施电站安全数据资产管理标准数据资产管理标准规范数据资产管理标准数据资产管理系统个人数据资产管理软件大数据资产管理研究数据资产管理为何大部分数据分析都在做无用功？四个策略立即提升有效性

0条评论

上一篇：数据中台系列报告：数据资产管理

下一篇：数据资产管理：开启企业数字化转型的关键钥匙

我要提问

分享经验

社区公告

大数据领域最专业的产品&技术交流社区，专注于探讨与分享大数据领域有趣又火热的信息，专业又专注的数据人园地

最新活动更多