作者:FineBI
发布时间:2024.2.20
浏览次数:816 次浏览
在当今数字化时代,数据分析已成为塑造业务成功的关键元素。而当企业主或数据分析师们提出“如何利用数据分析更好地解决业务需求?“的疑问时,我们提供的参考答案一般从以下三部分入手:
通过这三个方面的深入探讨,我们旨在为企业提供全面而切实可行的方法,使其能够更好地利用数据分析来解决复杂的业务需求,实现在竞争激烈市场中的持续成功。
每个数据分析师,不论身处哪个行业,都可以用一套标准的方法理解业务,并进而理解数据表和分析需求。
1.「业务-数据-分析框架」
业务理解包含三个关键部分:业务对象、业务过程和业务规则。业务对象是在交易过程中可见的实体,在数据中以“字段”的形式进行表达,如客户、门店、产品等。除此之外,还存在着许多用于持续衡量业务过程的字段,通俗地称为“值”,在分析层级上则称为“度量”(measure)。同行业的业务过程和业务对象基本相似,差异主要体现在业务规则,这些规则对应于管理活动。
在分析师和业务人员之间存在一个关键差异,即分析师站在数据角度,以抽象的视角自上而下看待业务,而业务人员更关注真实的业务对象和业务过程。在当今信息时代,八零后、九零后和六七十年代的领导之间存在差异的一部分在于,后者直接观察业务过程,而我们直接处理业务数据。业务数据是对业务过程的反映,需要注意的是,“反映”只是“记录”,并非创造新的元素。
从这个角度你去看所有行业,业务和数据的关系都是一样的。
分析是对数据的抽象,是“升华”,这是数据分析师的起点。“从业务到数据”是IT的工作,他们负责把现实世界发生的事情以数据的方式记录下来;分析师则借助于数据总结业务世界的规律、指导业务的改进。
新行业和老行业的一个关键差异是对业务的抽象化水平不同。例如做传统零售的时候,一般很少做客户流失数据分析,客户流失了就是流失了,也很难去追踪具体流失的用户是哪些人;但是我们去看新零售、消费金融业务就不一样了。比如你在银行办了一张信用卡,哪怕你这个卡现在是 0 元,它的余额依然每天滚动记录。
同样,做过新零售的人回过头再去看传统零售,就会感觉简单很多,因为“新零售”的抽象程度更高。借助于互联网平台和数字化技术,它可以很快分析出来流失客户去哪里了,有哪些特征,应该做什么策略调整去进行挽回,但传统零售分析的人都不会做,很多企业也都做不到将数据如此分析,是因为它们的数据太乱了,乱到无法进行利用。
说到这里,你就可以完整地理解上面的“业务-数据-分析框架”,这是分析师理解业务世界的基础。
2. 穿过数据,理解业务的需求
有了上述的分析框架,我们再来看领导的各种需求。要把客户的需求置于宏达的分析框架之中,看到领导需求背后的潜在需求,不能领导说最后做个表,就真的只是给他一个表。
如果领导要个报表,你就给他一个报表(Report),在领导眼里你就只是一个做报表的人。报表只是简单的呈现,你需要理解问题、展开分析,真正的分析应该超越显而易见的需求。
什么叫“显而易见的需求”?领导“显而易见的需求”是一个report,但其实最终他的需求是:为什么用户下降了,应该做什么措施?这一个部分是最难想明白的,所以很多人进了一个新行业,慢慢就变成了螺丝钉。
这里有两句经典名言。
数据分析师也是一样,领导想要的不仅是一张“报表”,领导想要的是“能够指导业务决策的敏捷分析”。也只有从这个角度出发,你才能讲好一个数据故事,故事才会有“灵魂”。否则技术最好、展现再炫酷,都只是“形式主义”的胜利,我们后续的讲解也都是无用功。
在分析实践中,我们发现很多分析师都难以理解业务领导的需求,或者看似理解了,但是实现方式各不相同。在长期的时间过程中,我们尝试总结了很多方法,其中效果最为显著的是“问题的标准结构”。
可以说,所有问题必须由三个部分构成:在哪里分析?分析的对象是什么?分析的答案?这三个部分分别称之为分析范围(筛选)、问题详细级别(维度)、问题答案(度量)。
很多时候,分析出现偏差的首要原因,是领导的抽象问题,没有被具体到一个可以落地的问题上。
分析是对业务的抽象概况,是对数据的抽象处理,抽象处理的最基本方式是聚合。所以说分析的本质是聚合,没有聚合就没有分析。
举个例子,假如你是一家银行的资深数据分析师,你的领导交代你完成一份银行客户分析,从数据中发现贷款业绩下滑的问题点并寻找机会,这时你会想如何理解、转换、实现领导的需求?
首先我们要揭示,或者说去衡量“业绩下滑”的程度有多少。其次,我们要看,业绩下滑是由客户数量的减少导致的?还是客户数量没有变,但人均的产能下降了?
再者,当已经知道用户下滑的影响最大,那接下来要分析哪一类的客户下滑了,是普通卡还是个人银行?是金卡还是钻石?不同的等级它对企业的贡献是不一样。
基于这样的逻辑,我们就可以明确地整理分析的问题:
在这个案例数据中,首先我们应该关注的是绝对值指标,之后逐渐分解为比率型指标——比率型指标更能业务的效率因素。
当然,上述的分析还是只是简单的概述性问题,一旦发现线索,分布分析、相关性分析就成为新的分析方法,典型问题如下:
随着分布、相关性问题的出现,分析就算进入中级阶段。它们要解释多个指标或者多个维度的结构性关系,是从基本问题走向高级问题分析的“桥梁”。
用什么可视化类型来表达数据信息是有科学依据的,很多人说这个图表也行,那个也行,其实是缺乏方法论的表现。图表取决于人的视觉,所以最佳可视化是由普适性规范的。过于复杂的分类、枚举性质的可视化路线,只会让分析变得复杂。我们应该从问题出发,从问题中包含的业务对象之间关系出发,来选择合适的可视化类型。
这就是所谓的的“从问题到图形的可视化分析”,我们不推荐“先选择图形再填充字段”的IT方式。
所以从这个意义上讲,“炫酷图形”在实际业务中并不适用,因为炫酷的只是“图形”形式,增加了领导识别有效信息的负担。假设你做了个复杂图表,但会发现要先给领导讲 5 分钟如何查看这个图形,领导愣了半天,才能反应过来,这就是错误的方式。
我们如何用交互降低问题的复杂性呢?
对于复杂问题而言,我们可以拆解为更基本的问题,之后借助两个基本图形实现,用交互来表达它的关系。另外,分析的关键是筛选、变量传递,甚至高亮显示、跳转、导航等交互方式。
如果要问,交互是什么?交互是证实和证伪的过程。在交互过程中,业务领导才能建立假设、证实或证伪假设,最后辅助业务决策。所以有“灵魂”的数据故事,一定是有交互的数据故事。这就是“好图形”和“卓越图表”的差异,“卓越的可视化”让你更快地发现问题、走向决策。
对于分析而言,内容一定比形式重要。必要的交互是关键“内容”之一。
简单总结这次的主题:
第一部分,怎样理解领导的需求?务必要从业务开始,要理解业务的对象、过程、规则是怎样的。
第二部分,怎样把一个抽象需求转变成可实践的具体问题?问题的结构是关键。
第三部分,交互是关键,是业务假设验证的过程。可视化应该减少“形式主义”,不管是复杂报表还是炫酷大屏。
最核心的,数据分析人员要有层次概念,我们每一个人都是“现实世界”和“数字世界”的“使者”,或者说是“虚拟世界”的创造者。我们看见的业务世界是计算机帮我们虚拟化的,然后我们借助于敏捷BI工具进一步总结、抽象、升华业务理解,再反过来指导业务改进,改进后的业务系统生成新的数据和假设,能够实现这个循环的企业才是真正实现“数字化转型”的企业。
希望本篇文章能为您数据分析思路与逻辑提供帮助!
在数字化与信息化高速发展的时代,FineBI——市场占有率第一的BI数据分析软件,旨在帮助企业的业务人员充分了解和利用他们的数据,加速企业数字化转型,提升市场竞争力。得益于FineBI强劲的大数据引擎,用户只需简单拖拽便能制作出丰富多样的数据可视化信息,自由地对数据进行分析和探索,让数据释放出更多未知潜能。
商业智能BI产品更多介绍:www.finebi.com