沒有資料,咋做分析?偷偷給你三大法寶

編輯導語:說到資料分析,大家第一反應肯定是資料,不少人都認為資料分析沒有資料是做不成的。但是,如果真的遇到了沒有資料或者資料不足的情況,應該如何推動資料分析呢?本文作者為我們總結了這三大法寶。

沒有資料,咋做分析?偷偷給你三大法寶

有個朋友私信我,找我抱怨他的苦惱。他花了5位數報了一個數據分析班,分析思路、方法論學了一大堆,結果在公司用不上!原因是因為沒有相應的資料!

他一邊哭訴無良培訓班,一邊心疼自己的血汗錢。搞的我這也很尷尬,同理心瞬間爆發,直接代入到培訓班老師角色了,各種安慰起來。聊天記錄就不發了,太尬了!

不過事後一想,這事情不是這麼簡單的,我不是給培訓班洗地哈,因為這個問題還真值得說一說。

一、從鬥地主說起

也是,都說資料分析師能開啟上帝視角,統攬全域性,然後進行科學決策,最大程度的提升企業競爭力。但是哥們說了,沒資料你說個毛線啊!沒資料,這上帝視角彷彿也被烏雲給遮住了,只看個隻言片語,咋分析啊!

不過,誰說不能掌握全域性資訊就不能科學決策了?各位過年鬥地主贏錢了嗎?我整個假期都在寫原創文章,可沒功夫玩鬥地主。但是不妨礙咱拿鬥地主說事兒。你是不是覺得有些搞笑,鬥地主跟資料分析、科學決策有啥關係啊?

這關係可大了去了!可以說鬥地主就是一個非常經典的資料分析應用場景啊!你看:每個人抓牌之後,只有17張牌,地主20張牌。每個人都並不掌握全域性的資訊。目標又很清晰,需要三方決戰,己方獲勝才行。

每個人能看到的資訊只有手上的17張+3張底牌,也就是說每個人都是在資訊不足的情況下進行決策,期望率先出完手中的牌,獲得勝利。新手打牌呢,基本上就看著手上的牌機械的對應出牌,能管上就管,管不上就過。

老手打牌呢,就會拓展所有資訊來源,擴充自己的資訊資源,僅憑已知的牌就能推斷出非常多的資訊。

比如,手上17張牌,起碼能判斷出自己的斷張牌,這些都能識別為風險;根據手上的王、2、A、K的張數,能推斷出大牌的大致牌力分佈;根據手上的3帶、4炸的分佈,可以確定其他二位的斷張情況,從而推斷其他人的牌型。

比如你手上有3張或者4張7,再根據自己手上的牌,那基本上可以確定上下手的小牌大機率會比較零散。除了這些之外,老手還會看地主、農民的位置,3張底牌也是很重要的資訊。到現在,才是觀察自己的牌型分佈,找到牌權,確定控場策略,規劃出牌戰術。

這還不算完!因為以上這些,都是剛拿到牌的時候可以瞭解的資訊。在上下家不斷出牌的時候,老手會不斷的收集新的資訊,幫助他不斷確定上下家手中的牌,甚至還會主動出手試探。

比如你是地主,手上有1個2,就可以先出一個A試探2的具體分佈。出2管你的大機率也是一個2,另外一方基本上就是一對2了;如果有人直接出小王管,那基本上可以肯定外面3個2在一起了。

這時候如果手中有大的3帶,就得找機會出,消耗掉對方的3個2,這樣我們其他稍微小一些的牌就能拿到牌權了。

你可能會說,這不夠精準啊,會猜錯的,萬一就是有人有2就是不管咋辦?

咱推測的前提是大家都是正常人哈,搗亂的不算,但是更不怕了。我看過不少精彩牌局,有經典牌局霸氣到直接判定逃跑的一方手中只剩對4,炸完對方打牌後,打對4挑釁對方的場面,他們判定的真的非常精準。

當然,超強的記牌能力也是必不可少的。2020經典牌局第一名,打到最後,三個人手上只有一張2,其他全是7以下的小牌。就這還驚心動魄的來了三四個來回,最後拿2的穩若泰山,巍然不動,堅決不出2,逼地主出對3,放隊友對4贏得比賽。

二、資料生崽術

所以,沒資料咋辦?咱學鬥地主啊!你看,鬥地主也是缺乏資料對吧?我們是怎麼做的?

充分讀懂手上的牌,怎麼讀?區分牌權、大牌、7/10等關鍵牌、斷張;

結合角色、位置、手牌和底牌,推測其他角色手牌牌型分佈;

結合自己的牌型、牌權、單張、角色和位置,規劃出牌戰術,如果是農民,需要確定主跑還是配合;

在後續出牌的時候,一方面要記關鍵牌,另一方面可以不斷推測其他雙方手中剩餘的牌力牌型,然後針對性的進行攔截、攻擊、引誘和試探。

咱把這些抽象一下,然後應用到資料分析領域上:

充分讀懂已有資料。怎麼讀?給現有資料打標籤,讓資料生個崽兒;

結合市場動態、業務場景、參與方等資訊,推測其他參與方資訊,作出粗略判斷;

結合自己已有的資訊,規劃運營策略;

佈置運營策略監測指標,不斷觀察其他參與方(如客戶)的反應,推測其根因,然後針對性的進行運營策略調整。

比如最簡單的一個場景,咱拿到了一個這樣的資料,資料量有幾十萬:

乍一看,資訊量太小了,啥也沒有,根本啥也代表不了麼。我先給你一個法寶:資料生崽兒術,咱先給讓資料生個崽兒,咋生?

1. 打標籤

所有的日期可以打標籤吧?月末、月尾、工作日、星期、週末、節假日,這些都是常規的,弄個日期維全都有了。

所有的時點也可以打標籤吧?出行的:早高峰、晚高峰;吃飯的:午飯、晚飯、夜宵高峰;人群活動的:上午、中午、下午、夜晚、深夜、凌晨等等。

所有的地區也可以打標籤的吧?一二三四線城市、旅遊、文化等等。

訂單數也是可以分級分類的吧?小單量、中等單量、大單量、爆單等等。

2. 其他參考資料

打標籤這件事情咱可以想很多很多,但是這還不夠!咱還可以找到一些引子,引出更多可以參考的資料。比如我們有時間,是不是可以引出去年同期的資料?

去年的資料沒有啊?那我們還有城市,可以引出城市相關的其他資料,常住人口、人均收入、GDP等資料;同時,我們還能引出該城市的行業資料。

如果咱分析的是餐飲資料,那就可以看看商圈、餐飲分佈、平均消費能力、口味偏好等資料;如果咱分析的是出行資料,那就可以看看職住情況、平均擁堵、平均路程消耗、私有車保有量、天氣情況等等資料。

這些都是公開資料,也不需要你花多少時間,都能拿到手。

3. 業務資料

咱除了這一張表格之外,是不是還能獲取更多的相關的資料?

一方面可以橫向拓展,這是業務表現,是最終結果。往前是業務運營,各種活動的資料,再往前是客戶運營等等。單從業務表現往下深挖,訂單的前後環節(訪問、加購、下單、付款、退款等),訂單的構成(產品類目、客單價、渠道等)。

啥?你說沒許可權拿到業務資料?行。沒問題,咱還有招!

三、業務反推術

資料現在變多了吧?啥?你說好像還是沒啥分析思路?這裡我得多問你一句,什麼叫分析思路?是分析套路?分析模型?我認為都太片面了。

我理解的分析思路是用資料抽象、整理出真實業務場景的路徑。你看AARRR、客戶生命週期、杜邦分析法、OSM模型等。所以想要分析思路,咱得逆向從資料中反推出真實業務場景。

當然,但從資料上並不能完全推斷出來,所以我們還得用另外一個法寶:業務反推術。我們從資料上能反推出一些,但是現有資料不夠啊,所以我們還得繼續獲取資訊,獲取這些資訊最好的方式就是找業務人員聊。

哥們說了:我這是在面試啊,沒辦法訪談業務人員咋辦?放心,面試本質上就是一個溝通、談判的過程。不是高考答題,不讓你問問題。沒有業務人員,你可問面試官。

1. KPI分析法

問那些呢?

一個取巧的方案:KPI,KPI有非常多的好處,一方面體現了公司的發現方向;另一方面也會告訴你當前業務的核心點。

因為沒有那個傻子把KPI設定成跟業務沒關係的指標上的,而且最關鍵的是這些KPI之間是有非常重要的關聯關係,並且有評判標準!這是非常有價值的資料。我們不僅可以反推商業模型,甚至連業務流程都能梳理出來了!

2. 業務流程分析法

當然如果是在面試,問KPI就沒啥用了。我們可以直接問背景、業務目的、業務流程和其他業務特徵。然後再結合資料,就能反推出完整的商業模型、業務框架、業務邏輯了。

四、分析模型構造大法

可能你還是會說:我現在非常理解公司的業務,但還是沒有分析思路啊,更不用說上面那個例子中的那些資料了。

怎麼說呢?你說在第一個資料分析模型/思路出來之前,這世界上是咋編出來資料分析模型/思路的呢?這不是廢話呢麼?當然是人想出來的啊!

對啊,你我都是人,我們怎麼不能想出來思路呢?分析模型/思路越通用,在使用的時候就越不得勁啊!來,我來給你第三個法寶:分析模型構造大法!

1. 代入業務流程

一些資料擺在具體的業務場景中,這含義就會非常清楚。所以有一大類資料分析思路其實就是業務流程式分析,AARRR、生命週期等都是。

2. 橫向對比

如果還想進一步分析,那就做橫對比,時間層面同比、環比,看增長;地區層面同級別對比、區域性對比,看差異,其他維度同理。

3. 縱向深入

按照MECE的原則,一步步縱向拆分指標資料。其實杜邦分析法、構成、下鑽等分析方都是縱向深入的好工具。

4. 業務重構

根據我們對業務的理解,進行解構、重組,最後抽象出來,就有了各種業務分析套路,比如人貨場、三流、OSM等等。只要業務理解深,抽象手段熟練,模型思路要多少有多少。

五、總結

完美的上帝視角是不存在的,因此資料分析永遠是在缺少資訊的情況下不斷逼近真實情況,做出精準決策的過程。

鬥地主其實就是一個非常典型的資料分析應用場景,同樣沒有完美的上帝視角,同樣缺少資訊,但是又得做出精準的判斷。

新手打牌只會看手中的牌,老手不但會分析手牌,還會看位置、角色,從而規劃自己的戰術,還會不斷被動、主動收集各種資訊,進行準確判斷,不斷修正出牌策略,最終獲得勝利。

我們做資料分析也是一樣一樣的,用“資料生崽兒術”拓展更多資料,可以用打標籤、獲取參考資料和業務資料等方法;再用“業務反推術”不斷逼近真實業務場景,可以使用KPI分析法、業務流程分析法等方法;最後用“分析模型構造法”建立分析思路,提煉對應策略,有代入業務流程、橫向對比、縱向深入、業務重構等具體手段。

這些招數一用,再少點資料,我們也能說出個12345來,不信你試試?

作者:大資料架構師,公眾號:大資料架構師,國藥國華大資料總監,擅長BI、數倉、資料中臺產品規劃領域

本文由 @大資料架構師 原創釋出於人人都是產品經理。未經許可,禁止轉載

題圖來自Unsplash,基於 CC0 協議

頂部