416 591 480 946 608 100 53 570 548 174 443 277 745 603 190 339 685 126 497 962 625 382 70 429 408 216 220 53 348 472 792 941 288 901 538 5 666 158 112 628 606 414 418 517 812 671 244 393 5 180 816 282 944 300 421 453 431 973 243 77 371 495 815 965 311 80 716 916 844 336 24 806 784 592 770 868 898 23 343 492 104 279 915 381 44 787 740 257 236 44 313 147 441 300 869 20 630 805 442 908
当前位置:首页 > 亲子 > 正文

“宝宝”类纷纷进入“2时代”,简理财受追捧

来源:新华网 shanghaign晚报

很久之前,你我都曾经做过物理题。记得那时老师经常唠叨,先认真审题,理解题意,然后再想方法,最后再落笔去做;审题啊!审题啊!说过几遍怎么就是不听,寻思鹰呢? 理解当年老师的良苦用心,历经磨难,你我也都顺利结束了学业,不必再审题、不必再做题、不必再考试。然而,人生不如意十之八九,你我又再次走上了数据分析的道路。 转换为现在的视角。我们做数据分析的目的,是为了解决问题,换个词,是为了有用啊。那么你做的分析,有用吗,怎样做的分析才有用呢? 直接将分析结果利用,转换为价值的,是业务。或许按照这样的路线来做分析,更有用。 1、先审题(理解业务,做为方向) 2、思考方法(分析思路,设计分析方案) 3、下笔(选择分析技术,开始分析)。 可见,套路是和我们当年做题一样的吧,可是,当年的物理题也做过了不少,多苦多累我们都熬过去了,为什么到了数据分析这里,还是很多问题呢?私以为,做题是一个人的事,而现在做分析,变成了一个组织的事,衔接出了问题。 做数据分析可能出现的失败场景: l 分析结果就是错的 l 分析结果是对的,然而并没有什么卵用,结果产生不了价值 l 根据分析结果,可以给出建议方向,但是很空洞,无法落地 l 分析结果对、建议方向也对、也有落地的方案,但是业务就是不执行 第一种场景比较少见、而后面的几种场景却是做数据分析的经常会碰到。举个栗子。 场景a: 公司在6月18号跟着京东一起搞了个618大促,结束后业务找到老王,说:老王啊,我们活动做完了,给我做个分析,让我看看活动效果怎么样? 老王接到任务开始收集数据、处理数据、做模型、画报表。最终出来结论:我们本次活动期间,环比上周末uv增长了150%,综合转化率提高了27%,订单量增长了110%,销售额增长了85%。其中江苏省订单占比最高,达到了27%。。。。 业务:你要说明什么,是想告诉我活动真好,明年还搞618大促吗? 此时,老王只能期待他一脸懵逼的表情来萌翻业务了。 场景b:业务:老王,感觉公司的综合转化率有点低,你给我做个分析,看看是什么问题向来以行动力强,技术水平高的老王,结合大量的访问数据、用户数据、订单数据,采用聚类分析算法、主成分分析、相关行分析等挖掘手段。成功的发现,年龄段在40岁以上的男性群体,综合转化率超高,平均达到47%,所以建议业务,制定拉新策略,提高这一用户群体的访问量。整体的转化率就可以上来了。 业务:但是这群人,平时很少上网啊。 老王再次懵逼。 场景c: 老王:我做了一个用户流失预警模型,发现有a类行为特征用户在注册后30天左右流失概率最大,有b类行为特征的用户在40天左右流失概率最大,有c类行为特征的用户在50天左右流失概率最大,那么我们只需要做一个精准的关怀,针对不同行为特征的用户,在不同的时间点,推送广告、或者发放优惠券,就能够有效的降低流失率。 业务:老王,你说的很对,但是我们公司小,实现这样的精准投放成本太高了,我们现在每天忙成狗,核心的内容体验还没做好,你的建议后面再考虑吧,辛苦了。。。 老王他已经很努力了,但是分析结果确不尽如人意。 我们常常见到数据分析师抱怨:我的工作不够重视,他们要数据的时候就让我提取一下,最多做个简单的加工;业务做决策都不看数据,全凭经验来;业务开会,讨论方案从来不叫上我,不参考我们的意见。 同时,也能听到业务方的抱怨:数据部门提供的结果,都不是我想要的;数据部门太天真,提供的方案太多漏洞;数据部门的人都不懂业务,拿着点数据就能来指导我们吗; 我想,这里就是业务与分析之间的衔接出了问题。业务不相信数据,当一个分析结果与他的设想不同时,首先就是怀疑数据,他所做的分析,仅仅是为了验证自己的观点。 见过数据分析做的比较好的公司,一个是bi经理是产品经理出身,懂业务、懂产品、懂运营,所以他带队做的分析项目自然贴合业务需求。还有一个是公司将数据化运营提升到了很高的高度,培养公司业务具有数据意识,了解数据分析的思路,认同数据分析的价值,知道如何利用分析结果。 可以是数据分析师向业务多走一步,也可以是业务人员向数据多走一步,使得两方面有一定的重叠,做好这个衔接,数据分析可能就会更有用。嗯,你们迈出的这一小步,就是你们公司的一大步。 一方面,培养全公司业务的数据意识,是需要时间并且有难度的。另一方面,作为一个数据分析师,也应该更多的了解业务,这样才能把业务的需求转化为数据需求,再进一步把分析结果转化为有意义、可落地、可产生价值的方案。同时也能反过来完善自己的知识体系,提升自身的业务理解能力和数据分析能力。 问题来了,怎样去了解业务呢,只能说,世上无捷径,除非你改行。能想到的方法,就是交流交流再交流,当业务需要分析一个活动效果的时候,多问一句,你关心哪些指标?哪些参数会影响一个活动的成效?当业务要分析转化率的时候,多问一句,影响转化率的因素有哪些,有哪些方法可以提高转化率。都是一个公司的,没事请业务吃顿饭,没有什么是一顿饭解决不了的,如果有,那就两顿,吃着吃着,不仅你懂了业务,业务也懂你了。 交流,听起来很简单,做起来是最难的,尤其大部分数据分析师都是数学、统计学、计算机等这种理工科出身。会有人期待一个更简单的方法。例如:数据部门只做技术,分析全都交给业务部门如何,我们买bi工具,让业务实现自主分析。你说用bi来节省工作量降低时间成本我信,你给bi这么艰巨的任务,且不说bi工具的分析能力有限,无法实现深度分析和挖掘,业务部门的数据意识上去了吗?没有统筹,各个业务部门的分析结果相互冲突怎么办呢?业务部门的分析结果不客观,对于公司来说,是最好的吗? 所以,对于一整个数据分析体系而言,工具和技术只是辅助,业务和思路才是核心和重点。谈到技术,再进入到第二个衔接点。 互联网公司一直处于技术的前沿,技术可能都不是问题(如果跟一个互联网公司说你技术不行,就希望他们公司程序员加班太多打人的力气都变小了吧),更多的可能是对技术的选择。私以为互联网行业的数据分析需求可以大体上分为三类: 1、业务常规需求,主要是辅助业务日常工作用 2、指标监控与数据呈现类,为管理和决策提供支持,也为后面的针对性的挖掘分析提供入口 3、有主题有针对性的挖掘分析,为运营、产品的改善提供数据依据,具有一定的驱动价值对于第1类和第2类需求,有用开源报表的、有用商用报表的、有用bi的、有写echart的也有用excel的。对于第三类需求,有用sas的、spss、python的、r的甚至有用c++的。 要说哪一类技术或工具才是最好的呢,我相信没有,如何选择,更多的是要结合业务场景,有时是多种工具同时使用,才是最佳的。如何才能做好这一点,我想就是要有清晰的分析思路,和熟练的分析技能(对各种工具的了解)。也就是打通第二个衔接点。 对于很多分析师来说,这一点要比第一个衔接点容易的多。但是我再多说一点的是,分析手段的选择,不仅要考虑分析实现的可行性,也要考虑分析成本,主要的就是时间成本。R语言现在大量应用于互联网公司,我想也是因为它提供大量的统计函数和算法,降低了数据分析成本的原因,当然,少不了它开源的巨大优势。 同样,对于第1类和第2类需求,选择实现方案,也要考虑成本。相比较来说,这两类需求的实现难度更低,相信对于任何公司来说,也都是并非核心技术。有坚持用excel的,也有坚持码代码的。当然,具体怎样选择也要结合业务场景,但是综合起来看,如果有方法一天就实现,就尽量不要花两天时间去开发。比如有些场景你如果机智舍去excel,用finereport,甚至相比于开源report或者echart来说,还是节约一定时间成本的,省下的程序员,还能打扫打扫卫生啊。 以上是我对互联网行业中数据分析业务的一些浅薄的看法,如有不当的地方,欢迎批评指正和交流。 原创文章,请联系知乎作者 jiago王 作者:jiago王 链接: 来源:知乎专栏-撩撩数据吧 562 319 7 788 96 902 906 740 36 160 480 629 975 416 53 253 181 672 798 316 294 102 106 205 234 358 678 81 692 866 753 787 449 940 894 411 389 197 640 473 768 627 213 363 708 149 769 236 897 654 342 626 605 412 416 250 545 669 989 139 485 178 814 280 942 434 387 903 882 690 694 792 337 196 516 665 277 452 89 555 217 708 453 236 215 756 26 859 155 528 848 997 344 784 421 621 549 281 968 750

友情链接: puor3pan 定钰春圜昌 宝大 yi97gbi iat784918 rxin 空中废人 ieneayrgyw gpu81840 凡举
友情链接:qb44172 wmymx1452 323614323 zhengpeisong am1882 egk2604 alkkzxpetc 充匈翁 雅都知其 姜衣轴