数据分析的价值/层级( 1/2)
本质是解决2W2H的问题,即
what(描述):用数据来描述某个事物
量化(关键指标量化)、对比(基准、参照值)、发现gap值(变化值/差异值/delta值 ) → 报表开发(趋势分析、维度下探、指标拆解 )
why(解释):找出哪些因素引发△Y
通过纵向对比(相对历史数据而言),或者横向对比(某个业务群,两个不同用户群某指标表现差异很大)
除此之外,其他与△Y有关的场景:
为什么某个细类拖了整体的后腿?
为什么业务表现低于预期KPI?
为什么业务低于竞争对手?
通常通过指标趋势分析(纵向对比)、维度下钻(横向对比)、指标拆解(公式拆解、路径拆解)的方式,能做好准确的数据异动归因。
比如,通过对业务关注的核心指标进行趋势分析,又可以分为绝对型指标(常见例如GMV、DAU、首单/首充人数等业务核心指标 )、相对型指标(常见例如 付费率、留存率、客单价等);
然后选定一个维度进行下钻:
通过时间趋势比较各子维度的样本占比是否在异动时间有明显变化;
通过查看是否存在某个子维度异动的指标趋势与其他子维度明显有差异;
进一步查看该子维度拆解指标的趋势与其他子维度是否有明显差异;依次遍历所有重要维度;
一般,可以得出结论,比如某个子维度的样本占比变化导致,抑或是子维度指标变化异常造成,进一步拆解是某个环节的指标异常造成的。
最终,将上面的结论给到业务去寻求业务解读,一般情况是业务动作或研发bug造成的影响。
下个小节,我们讲解:how(控制),how much(预测)