編輯導語：用數據來洞察用戶，了解用戶是做增長的基礎。毫無疑問，增長的過程也是數據挖掘和分析的過程，那麼如何依靠數據分析獲得持續業務增長呢？針對這個問題，本文作者從十個問題展開了分析讨論，希望對你有幫助。

在競争殘酷的數字時代，提出正确的數據分析問題的重要性，甚至可以決定企業的整體成功。收集所有現有信息不僅很重要，考慮準備數據并以适當的方式加以利用，已成為制定成功的業務戰略中不可或缺的價值。

話雖如此，但大多數企業目前正處于數據分析的危機中。盡管組織在使用各種數據分析工具收集和分析數據上花費了數百萬 ，但似乎大多數人都難以以可行的、可盈利的方式實際使用該數據。

提出正确的問題比數據分析本身更重要

但是事實是，無論IT基礎架構多麼先進，你的數據都不會為您提供現成的解決方案，除非你詢問有關數據分析的特定問題。

為了幫助将數據轉換為業務決策，您應該甚至在開始數據收集過程之前就開始準備要深入了解的痛點。根據公司的策略，目标，預算和目标客戶，應該準備一系列問題，這些問題将使您順利地進行數據分析并幫助您獲得相關的見解。

例如，您需要制定銷售策略并增加收入。通過提出正确的問題，利用可以使您挖掘，利用和管理大量數據的銷售分析軟件，将更容易獲得見解。普通的業務用戶和跨部門的溝通将提高其有效性，減少做出可行決策的時間，從而提供一種經濟高效的解決方案。

在開始任何企業工作之前，需要采取最關鍵的步驟：為任何類型的分析訴求，認真分析準備數據。這樣，您公司中的人員将擁有清晰的系統資源庫，最終可以将其轉換為可行的見解。

這可以包括多個過程，例如數據概要分析，數據質量管理或數據清理，但是我們将重點分析提示和問題，以便在分析數據時獲得最有效的解決方案以實現有效的業務策略。

如今，大數據與業務中斷有關。組織不僅為成功而戰，而且為生存而戰。如果您想生存，那就該采取行動了。在這裡，我們将看一下數據分析問題的示例，并詳細解釋每個示例。

在考慮您所在的行業以及您的企業試圖超越競争對手時，應明确定義數據問題。識别不充分會導緻錯誤的解釋，從而直接影響業務效率，總體結果并引起問題。

确保您不會陷入徒勞的“事後”數據處理陷阱，并幫助您以正确的心态開始以适當的數據驅動決策過程，同時獲得可行的業務見解。

01 你到底想通過數據分析，找出什麼？

最好先評估您的業務狀況。在全公司範圍内，同意與您的業務最相關的KPI以及它們如何發展。研究不同的KPI示例，然後與您自己的示例進行比較。想想您希望他們以什麼方式進一步發展。您能影響這一發展嗎？

确定可以在哪裡進行更改。如果什麼都不能改變，就沒有分析數據的意義。但是，如果您發現了發展機會，并且看到可以顯着改善您的業務績效，那麼KPI儀表闆軟件可能是一項明智的投資，可以監視您的關鍵績效指标并提供公司數據的透明概覽。

下一步是考慮您的目标是什麼，以及它将促進哪些決策。從分析中得出什麼結果，您認為會成功？這些介紹性的數據分析問題對于指導您完成整個過程并幫助您專注于關鍵見解是必不可少的。

您可以通過集體讨論并起草有關要發現的數據的特定問題的準則來開始廣泛的工作，可以幫助您更深入地了解您想要獲得的更具體的見解。

讓我們通過一個示例來看看這一點，并通過一些富有想象力的練習來獲得樂趣。

假設您可以接觸到一個可以了解未來的全能商業精靈。這個“阿拉丁神燈”通過他的魔力體現了一個完美的數據分析平台的想法。

現在，使用Data Dan，您隻會問他三個問題。不要問我們為什麼-我們沒有制定規則！鑒于您将獲得對每個人的正确答案，您将要問什麼？讓我們來看看。

• 您： 丹！見到你很高興，我的朋友。不知道你是真實的。
• 丹： 恩，我實際上不是。無論如何–您的第一個數據分析問題是什麼？
• 您： 好吧，我希望您能告訴我如何在我們的業務中增加收入。
• 丹：這是一個相當棘手的問題，但我想我會回答。如何能你提高收入？您可以與一些關鍵影響者建立合作夥伴關系，可以創建一些銷售激勵措施，還可以嘗試為大多數現有客戶提供附加服務。您可以做很多事情。好的，就是這樣。您還有兩個問題。
• 您：嗯，我的意思是–您回答得不好！您隻是給了我一些假設！
• 丹： 我完全回答了你的問題。也許你應該問更好的。
• 您：如果我把我的問題浪費在魔術般的商業精靈上，我的老闆将會生我的氣。隻剩兩個，隻剩兩個……好吧，我知道！精靈–為了使我的業務最成功，我應該問您什麼 ？
• 丹： 好的，您仍然不擅長此事，但是我會很好的，因為您隻剩下一個數據分析問題。聽好哥們–我隻說一次。

提出良好數據分析問題的關鍵。

數據丹： 首先，您希望您的問題非常具體。它越具體，答案就越有價值（和更具實用性）。

因此，您應該問： “我們應該重點關注哪些渠道，以便在不增加成本的情況下增加收入，而又能提高利潤率？”而不是問 “我如何增加收入 ？”。 甚至更好： “本季度我進行的哪項營銷活動都獲得了最佳的投資回報率，我該如何複制其成功？”

分析數據時要問的這些關鍵問題可以定義您發展公司的下一個策略。我們已經使用了營銷示例，但是每個部門和行業都可以從适當的數據準備過程中受益。通過使用多元分析，可以涵蓋不同方面，并定義特定的檢索方式。

02 哪些評估指标，可以幫助你？

你可以以這樣的方式思考：使用商業智能的目标是清楚地看到現實，以便做出有利可圖的決策來幫助公司蓬勃發展。分析數據時要問的問題是框架，可以讓您專注于業務現實的特定方面。

遇到數據分析問題後，您需要具有一些可用來衡量它們的評估指标。例如，假設您想查看上個季度中哪個PPC廣告系列效果最好。正如Data Dan提醒我們的那樣，“盡力而為”的含義太含糊，無法使用。最好根據什麼做？增加收入？推動利潤？提供最大的投資回報率？提供最便宜的電子郵件訂閱者？

所有這些評估指标都可以是有效的選擇。您隻需要首先選擇合适的産品，并在整個公司範圍内（或至少在您的部門内）達成協議即可。

讓我們通過一個簡單的示例來了解這一點。

您是一家零售公司，想知道您的銷售産品，銷售地點和時間–記住分析數據的具體問題嗎？在上面的示例中，很明顯，在設定的時間段内執行的銷售量告訴您需求的上升或下降的時間–您可以得到特定的KPI答案。

然後，您可以更深入地了解問題并建立其他銷售機會，并找出影響産品總體銷售的效果不佳的領域。

現在，讓我們繼續探讨最重要的數據問題之一-數據源。

03 你的數據，從哪裡來？

到目前為止，您已經選擇了一些數據分析問題，并且找到了可以衡量它們的評估指标。我們的下一步是确定需要挖掘所有數據的數據源，選擇需要的字段，為将來可能需要的數據留出一些空間，并将所有信息收集到一個位置。在此步驟中，對數據源持開放态度–公司中的所有部門，銷售，财務，IT等都有潛力提供見解。

如果您覺得大量的數據源使事情看起來很複雜，請不要擔心。我們的下一步是“編輯”這些源，并确保它們的數據質量達到标準，這将擺脫其中一些有用的選擇。

不過，現在，我們隻是在創建草稿。您可以使用CRM數據，Facebook和Google Analytics（分析）之類的數據，公司的财務數據-讓您的想象力變得撲朔迷離。利用商業智能軟件也很有意義，尤其是由于近年來數據集的數量如此之大，以緻電子表格無法再提供獲取更高質量數據所需的快速智能解決方案。

哪些比例适用于您的不同數據集？

警告：這是“數據專家”部分。如果您喜歡或對您而言沒有太大意義，則可以跳過此部分。您需要注意不同變量的度量水平，因為這會影響您可以在分析中應用的統計技術。

衡量指标基本上有4種類型：

名稱：您将數據組織在無法量化或無法排名或比較的非數字類别中。

示例：

數值– GraphPad給出了數據的說明：

“您可能會要求患者以1到10的等級來表達他們所感覺到的疼痛程度。7分意味着比5分更多的痛苦，而3分則更大。但是，兩者之間的區别是7和5可能與5和3之間的值不同。這些值僅表示順序。另一個例子是電影分級，從0到5星。”

間隔–數據按順序分類，并且這些類别之間的距離相等。

直接比較是可以的，可以加減，但是不能對變量進行乘或除。示例：溫度額定值。華氏溫度和攝氏溫度均使用間隔刻度。GraphPad再次提供了一個現成的解釋：“ 100度和90度之間的溫度差與90度和80度之間的溫度差相同。”

比率–具有所有三個早期量表的功能。

像标稱刻度一樣，它為每個物料都提供了一個類别，物料按順序刻度進行排序，并且物料之間的距離（間隔）相等，并且含義相同。

使用比例尺，您可以加，減，除，乘……所有您需要用來創建平均值并獲得一些有用數據的有趣的東西。例如：身高，體重，收入數字，潛在客戶，客戶會議。

04 如何确保數據質量？

如前所述，信息來自各種來源，它們可能是好事也可能是壞事。企業中的所有來源都具有提供數據的動機，因此，确定要使用的信息以及信息的來源應該是有關數據分析的首要問題之一。

請記住：您的數據分析問題旨在使您對現實情況有一個清晰的認識，因為這關系到您的企業更有利可圖。如果您的數據不正确，您将看到對現實的扭曲看法。

這就是為什麼下一步是“清理”數據集以丢棄錯誤或過時的信息的原因。這也是向數據添加更多字段以使其更完整和有用的适當時間。這可以由數據科學家完成，也可以單獨完成，具體取決于公司的規模。

舉一個非常生動的例子，一項針對數據科學家的有趣的調查發現：

• 60％的時間用于組織和清除數據。
• 19％的時間用于收集數據集。
• 9％的時間用于挖掘數據以繪制圖案。
• 3％的時間用于訓練數據集。
• 4％的時間用于完善算法。
• 5％的時間花在其他任務上。

其中有57％的人認為數據清理過程是最無聊，最不愉快的任務。如果您是小型企業主，則可能不需要數據科學家，但是您将需要清理數據并确保适當的信息标準。是的，這很煩人，但是生活中許多非常重要的事情也是如此。

完成以上工作以确保數據質量時，您将自己建立了有用的資産，這些資産可以通過統計方法進行轉換，合并和度量，這些數據集準确無誤。

05 應用哪種統計分析技術？

您可以使用多種統計分析技術。但是，根據我們的經驗，這三種統計技術最廣泛地用于業務分析：

回歸分析 –統計過程，用于估計變量之間的關系和相關性。

更具體地說，回歸分析可以幫助人們理解，當任何一個自變量發生變化而其他自變量保持固定時，因變量的典型值将如何變化。

通過這種方式，回歸分析顯示了自變量中哪些與因變量相關，并探讨了這些關系的形式。通常，回歸分析是基于過去的數據，使您可以從過去中學到東西，以便對未來做出更好的決策。

同類群組分析–它使您可以輕松比較不同組或同類 客戶的行為随時間變化的情況。

例如，您可以根據客戶首次購買的日期創建一組客戶。随後，您可以研究不同時間段的同類群組的支出趨勢，以确定平均獲得的客戶的質量是随着時間的推移而增加還是減少，讓您快速清晰地了解客戶保留趨勢和業務前景。

預測性和規範性分析–簡而言之，它基于分析當前和曆史數據集以預測未來可能性，包括替代方案和風險評估。

如今，諸如人工神經網絡（ANN）和自回歸綜合移動平均值（ARIMA），時間序列，季節性樸素方法和數據挖掘等方法在數據分析中得到了廣泛的應用。我們已經對它們進行了解釋，并将其視為2021年最大的商業智能趨勢之一。您選擇的方法應取決于您收集的數據類型，團隊的技能和資源。

06 誰是你最終分析結果的用戶？

您的數據分析問題中的另一個重要問題是我們分析的最終用戶。他們是誰？他們将如何應用您的報告？您必須了解最終用戶，包括：

• 他們希望從數據中學到什麼
• 他們的需求是什麼
• 他們的技術能力
• 他們可以花多少時間分析數據？

了解答案将有助于您确定數據報告的詳細程度以及應關注的數據。請記住，内部和外部用戶都有不同的需求。

如果這些報告是為您自己的公司設計的，則您或多或少都知道哪些洞察力将對您的員工有用，以及他們可以克服的數據複雜性水平。

但是，如果您的報告也将由外部各方使用，請記住要堅持您的公司身份。您提供給他們的視覺報告應該易于使用且可行。您的最終用戶應該能夠獨立閱讀和理解他們，而無需任何IT支持。

另外：考慮最終用戶的狀态。他們是工作人員的初級成員還是理事機構的一部分？每種類型的用戶都有不同的需求和期望。

07 應該選擇哪種數據可視化方式？

計算已完成，但尚未完成。您可能擁有世界上最有價值的見解，但是如果它們的介紹不佳，您的目标受衆将不會收到您期望的影響。

而且，我們不會生活在一個世界，僅擁有正确的數據就是一切。您必須說服公司中的其他決策者此數據是：

在所有這些領域中，有效的演示工具都可以提供幫助。有數十種數據圖表可供選擇，您可以通過選擇錯誤的數據可視化來阻止所有數據處理工作（例如在餅圖上顯示時間變化），或者通過選擇正确的數據可視化類型來進一步提升數據處理能力。

有許多在線數據可視化工具可以為您完成這些艱苦的工作。這些工具可以有效地準備數據并解釋結果。他們的易用性和自助服務在測試理論，分析消費者購買行為的變化，在沒有分析師或IT專業人員協助的情況下利用數據進行分析的目的已成為當今數據管理實踐中的寶貴資源。

通過足夠靈活地針對最終用戶個性化其功能并适應您準備分析數據的問題，這些工具可以進行大量分析，從而可以幫助您避免忽略任何重要的問題或整個業務戰略。

這些工具中實現的人工智能可對發生的任何異常做出反應，并立即發送數據警報。獲取這些警報還可以激發您提出有關數據的其他問題。

08 應該選擇哪種數據可視化方式？

繼續我們上面說的，您可以使用一些基本和高級工具。如果您更喜歡傳統的靜态方法，則電子表格可以為您提供幫助，但是如果您需要自己修改數據，定期執行基本和高級分析，并具有實時洞察力和自動報告，則可以采用現代和專業工具是必經之路。

随着商業智能解決方案的擴展，要提出的數據分析問題從未如此簡單。強大的功能（如基礎和高級分析，無數圖表類型，快速簡便的數據源連接以及出現問題時與數據進行交互的無限可能性）使用戶可以簡化經常複雜的過程。

無論您需要執行哪種分析類型，指定的軟件都将在使您的數據保持生命力和“可說能力”方面發揮至關重要的作用。

此外，現代軟件将不需要連續手動更新數據，而是會自動提供實時見解，以幫助您回答關鍵問題，并為進行良好分析提供穩定的基礎和前提。

09 我還需要知道什麼？

在結束工作之前，有關數據分析的關鍵問題之一是如何驗證結果。請記住，即使不是以這種方式報告統計信息，也總是不确定的。考慮哪些信息丢失以及如果有的話如何使用更多信息可能是需要考慮的一點。

這樣，您可以識别可能有助于您做出更好決策的潛在信息。還請記住，通過使用簡單的要點或電子表格，您可以忽略已經建立在業務策略中的有價值的信息。

始終回到最初的目标，并确保以整體的方式看待您的結果。您将要确保最終結果是準确的，并且在此過程中沒有犯任何錯誤。在此步驟中，應重點分析數據的重要問題：

• 從總體上講，這有意義嗎？
• 我所看到的衡量标準是否與我對業務的了解一緻？

最終結果與您的流程同樣重要。您需要确定結果是否準确，驗證數據并确保沒有大的錯誤空間。在這種情況下，有一些數據分析類型的問題，例如上面提到的問題。這些類型的問題使您可以查看分析工作的整體情況，并确定需要更多調整或其他細節才能進行的工作。

您還可以對照手動計算來測試分析環境并比較結果。如果存在極端差異，則顯然存在某些錯誤，但是如果結果變得準确，則說明您已經建立了健康的數據環境。

進行這樣的全掃描檢查絕對不是一件容易的事，但是從長遠來看，它隻會帶來積極的結果。此外，如果您從不停止質疑數據的完整性，從長遠來看，您的分析審核将更加健康有序。

10 如何創造一種數據驅動的文化？

“髒”數據使您不堪重負。

無論您是小型企業還是大型企業，數據都能說明問題，并且您應該能夠聆聽。準備有關數據分析的問題将提供寶貴的資源和改進業務戰略的路線圖。它還将使員工能夠做出更好的部門決策，從而創建可幫助您的公司發展的具有成本效益的業務環境。儀表闆是一種建立這種文化的好方法，例如下面的示例：

為了真正地采用這種數據驅動的方法來運行業務，組織中的所有個人，無論他們在哪個部門工作，都需要知道如何開始提出正确的數據分析問題。

他們需要了解為什麼首先進行數據分析很重要。但是，僅希望并希望其他人将進行數據分析是注定要失敗的策略。坦白說，要求他們使用數據分析（不先向他們展示收益）也不太可能成功。

相反，以身作則。向您的内部用戶表明，定期進行數據分析的習慣對于優化您的業務績效是無價的幫助。嘗試 在公司中創建有益的儀表闆文化。

數據分析不是一種訓練您的員工并确定誰對失敗負責的方法，而是賦予他們改進績效和自我完善的能力。

11 總結

我們隻是概述了一個10步的過程，您可以通過使用正确的數據分析問題來建立自己的公司以取得成功。

借助這些信息，您可以概述可幫助您做出重要業務決策的問題，然後建立基礎結構（和文化）以通過準确的數據洞察力一緻地解決這些問題。

這些不僅是查看數據集時要問的好問題，因為如果您整體上使用它們，則可以開發出良好而完整的數據策略。此外，如果您依賴數據，那麼從長遠來看，您就能從中受益，并成為數據驅動的個人和公司。

總結一下，這裡是最重要的數據問題：

• 您到底想找出什麼？
• 您将使用哪些标準KPI可以幫助您？
• 您的數據将從何而來？
• 您如何确保數據質量？
• 您想應用哪些統計分析技術？
• 誰是您的分析結果的最終用戶？
• 您應該選擇哪種數據可視化？
• 什麼樣的軟件會有所幫助？
• 我還需要知道什麼？
• 您如何創建數據驅動的文化？

#專欄作家#

穆甯，公衆号：穆甯Talk，36氪、人人都是産品經理特邀作家。北郵碩士，前京東平台、百度商業化産品經理。

本文原創發布于人人都是産品經理。未經許可，禁止轉載。

題圖來自Unsplash，基于CC0協議。

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部