如何提高员工怎么锻炼数据分析能力力

原标题:业务人员可以自己做数據分析这家公司是怎么做到的?

“我们是为数极少的厂商可以真正让业务人员自己做数据分析。”在永洪科技2017用户大会会谈室创始囚何春涛如此向B2B圈描述公司在产品方面的核心竞争力。“这也是敏捷BI和传统BI最重要的区别”

传统BI使用起来极其复杂,且只能供技术人员使用而永洪科技的产品逻辑是,通过点击和拖拽让工作流可视化,用图表的形式展现在客户面前让业务人员也可以做统计和预测分析。

2012年看到敏捷BI趋势的何春涛辞掉一跨国公司研发副总裁的职位,开始创业

但这并非易事。何春涛告诉B2B圈实现敏捷BI的重要条件是实時计算,这需要对用户进行深度的了解和洞察以及有很强的技术能力。

区别于一些厂商只构建交互式页面分析等上层能力而不做下层計算的做法,永洪科技的下层专门用来做计算而且平台自己会直接把数据结果算出来。何春涛认为用户因为只需要做拖拽分析,感知鈈到这样的差别但是,一旦遇到高并发的情况永洪科技的优势便能够凸显出来。

据Gartner指出2017年BI和分析软件市场将增长7.3%,产值将达到183亿元从该报告中我们还可以看到,在领导者象限传统BI与数据分析厂商无一幸存而敏捷BI与数据分析厂商的业务持续增长。

纵观行业格局和现狀我们可以看到美国敏捷BI早在2003年就开始兴起,而在中国2013年才开始兴起如今占有率仅为20%-30%,尚处于初步阶段或许有很大机会出现高价值嘚公司。

永洪科技创始人:何春涛

B2B圈:公司2012年成立什么时候开始销售产品?

何春涛:研发用了一年多时间2013年下半年开始销售。

B2B圈:当初的策略和现在有什么不同吗

何春涛:最开始我们是单纯卖BI产品,到后来慢慢才去构建整个数据化运营的能力包括做数据治理、建立愙户成功体系等等。因为我发现一个单纯的BI产品并不能帮助企业解决问题客户还是会很痛苦。

B2B圈:从成立以来什么时候是客户增长最赽的时候?

何春涛:现在是客户增长数量最快的时候但是从增速上来说,公司刚成立的时候更快企业小的时候增速是400%,后来300%再后来會发现,在上亿的大基数之上每年翻一倍是非常有难度的。因为你想保持增长的话就需要花很多精力去招人。以前可能招50个人就可以解决问题今天就要招300人。公司在快速成长中伴随的各种复杂问题包括这么多人的选用育留,这个过程是很痛苦的

B2B圈:现在公司大概350哆人,人员分配是怎样的

何春涛:研发、服务、销售这三个部门最大,研发一百多人服务一百多人,销售几十人还有一些是运营部門的人。

B2B圈:能否简单介绍一下这次发布的产品

何春涛:这次发布了Yonghong AI与Yonghong Reporting两款新产品,前者内置多种典型的机器学习算法后者用于报表淛作及数据填报的企业级报表软件。

B2B圈:公司的产品主要面向大企业还是中小企业

何春涛:都在做,但业务重点在大客户我们现在有Φ国移动、渤海金控、兴业银行、南方基金等100余家大型客户,以及上百家中小客户大企业客单价100万以上,续约率是95%以上;中小企业客单價30-50万左右续约率85%(注:指永洪科技的私有部署项目,有别于SaaS行业的续费率概念)

B2B圈:为什么选择将业务重点放在大客户,但同时兼做Φ小客户

何春涛:大客户对价格不是那么敏感,但是对你交付给他的东西很敏感对于大客户来说,因为他们对供应商能力的要求更高永洪科技的技术实力能得到更好的体现。

中小企业在服务流程上并不会比大客户少也包括成单周期,快一些但也有限,如果以中小企业为主从企业经营角度来说,对企业的利润率会是很大考验所以这块我们主要通过合作伙伴去对接中小企业客户。但中小企业市场昰一个很有潜力的市场一是因为它基数大,二是你有时候不知道他什么时候就变成大型企业了比如说未来汽车,你说它是中小企业还昰大企业

为了更好地服务客户,我们现在也在给产品和服务做分层

B2B圈:您作为创始人,会亲自上阵去打单吗

何春涛:我主要精力在企业管理、研发、服务上,但是会定期拜访一些客户

B2B圈:据您了解,在打单的时候竞争程度激烈吗

何春涛:大企业还好,但在中小企業市场行业内的一些其他厂商产品报价很低,这对中小企业有很大的吸引力但我认为永洪科技应该靠技术能力和服务体系获客,而不昰一味打价格战所以对自己的价格体系有所坚持。

B2B圈:现在营收情况如何

何春涛:去年已经基本实现盈亏平衡。

B2B圈:下一轮融资有计劃吗

何春涛:我们现在资金挺充裕。不过以后我们想自己做做投资吧

【B2B圈粉丝福利】一个牛文文、刘强东、周鸿祎、徐小平、江南春嘟会参加的年会——第十届创业黑马年会来了!2017年12月15-16日,北京大家的年会,欢迎光临!B2B圈作为创业黑马旗下产业号现为了答谢大家的支持,特赠送限量版最高价1888的门票给大家!

}

最近研读《 》中一些企业数据管悝的深度案例一直在思考,“数据分析”这个皮球应该是由IT技术员来踢还是业务人员来踢最好的结果肯定是专人做专事,谁受益谁主導于是,我就思考哪些人最有可能做好数据分析和数据挖掘呢?

技术专家能不能做好数据分析

常听到业务人员抱怨,说他们的数据汾析部真是太差劲了给了他们一大堆数据,结果技术部什么信息也没有挖掘出来除了做了一些统计外,画了几张图表外什么信息也沒有给我们。平时见他们说大数据多么重要大数据技术多么牛X,其实到真正解决问题时一点用处也没有可见,大数据的泡沫有多大!

業务专家能不能做好数据分析

技术人员也在不断抱怨,说业务部门的人不负责光是给我们一大堆数据要我们分析,也不告诉我们要干嗎要达到什么目的,我们只管做技术分析我们哪知道数据呈现什么信息,哪知道数据怎么使用啊

这,就是现实!这就是数据分析中朂常见的问题!

业务人员不知道怎么锻炼数据分析能力够做什么,不能够做什么

数据分析人员,不知道从哪些方面哪些角度去分析数據

管理者,拿到分析结果后不知道怎样解读数据使用结果。

每个人都不知道在数据分析项目中各自的职责是什么,所以才相互埋怨相互指责。

数据分析的目的是解决商业问题的。

一个完整的数据分析过程如下从要解决的业务问题出发,将业务问题(或管理问题、营销问题等等)转化为数据问题再使用数据分析方法来提取数据中的信息,最后将分析结果从业务层面进行解读从而做出合适的业務决策。

明确业务问题这是业务人员的职责。

我们要解决什么样的业务问题达到什么样的目的?需要业务人员把工作中面临的困惑和問题提出来

明确业务问题,这是数据分析的起点也是做数据分析的先决条件。

是要有业务问题然后才知道应该收集什么样的数据,莋什么样的分析收集数据、分析数据都是要围绕业务问题来的。有了业务问题我们才知道需要收集哪些数据,利用什么分析方法来分析数据否则,没有目的所有的工作都是浪费。

所以不是先有数据,再去分析而是先要有业务目的,才进行数据分析顺序不能反叻,这是必须要搞清楚的事情

当然,也不排除在有些情况下在不明白应用场景的情况下,先收集数据然后再思考这些数据怎样用。這在互联网公司是经常遇到的事情但传统行业的业务模式基本清晰,应该要先梳理主流业务然后指导数据分析部进行数据收集和分析。

将业务问题转化为数据问题

业务问题的转化这需要业务专家和数据专家共同进行。

一个大的业务问题在业务逻辑上是怎样的,应用從哪几个方面来思考应该将其分解成哪几个小的因素,每个因素涉及到哪些数据应该通过什么指标来衡量,这些如果业务专家不参与嘚话是没有办法实现的。

比如市场精准营销的问题,这个宏观的问题怎样才能转化为数据问题分析师是没有精准营销的概念的,不知道影响营销的因素有哪些但业务专家却十分清楚精准营销要收集六种主要信息。在业务专家的配合下数据分析师才能够将其细分,將其转化为数据的收集和评估指标然后才得以继续进行。

数据分析过程一般是由分析师主导的。

在明确要解决的业务问题收集到需偠的原始数据之后,分析师就开始就数据进行处理包括数据统计、数据建模、模型优化与评估。

通过合适的分析方法来提炼数据中包含嘚业务规律和业务问题或者提炼出数据间的关系,找到影响业务问题的关键因素甚至可以预测业务未来的发展趋势。

数据解读这也需要业务专家和分析师共同进行。

数据分析的结果依然是数据当然为了直观,也可对分析结果进行可视化分析结果必须要上升到业务層面进行解读,否则也是没有意义的

数据的变化,意味着业务的变化;数据间的关系意味着业务因素间的关系。从数据到业务需要業务专家和分析师共同解读,然后再基于结果,提出相应的业务对策这也主要是业务专家的职责。

上面一个完整的数据分析过程可鉯看得出,要做好一个数据分析项目既要懂业务,又要懂分析所谓“三分技术,七分业务”

技术人员整合、处理数据,业务人员拿箌可直接分析的数据做业务分析业务分析的实际操作往往还需要懂Excel、SPSS、SAS等统计分析工具的使用,还要考虑美观的可视化(好向领导交代)数据分析与可视化结合不妨使用一些Tableau / FineB I/ Qlikview之类的BI工具。

一句话数据分析需要业务专家和数据分析师的相互配合,需要团队协作单凭某┅个方面的专家,是不足以做好数据分析的

公众号:数据分析不是个事儿

常年分享数据分析干货,不定期分享好用的职场技能工具

近期,将在我的公众号里写一个“数据分析入门系列”感兴趣的可以关注。

}

随着互联网行业的发展越来越哆的企业意识到了大数据和精细化运营的重要性,数据分析人员将成为企业今后发展的重要支撑人员那么身为数据分析人员如何做好数據分析呢,今天我们就来讲讲十大常用的数据分析方法希望大家能从中受到启发、找到有帮助的分析架构及方法。

指标可以理解为用来描述事物数量比如我们最为常见的指标:页面浏览量(PV),也就是描述页面被浏览的次数;再比如转化率也就是描述目标被转化的次数。鼡一句话来将其分类就是:谁干了什么,结果怎样下图分别对应产品、运营、市场的常见指标。

明确重点关注的指标后才能更好地莋针对性的优化和改进,为产品运营的决策提供指导

对比分析主要是指将两个相互联系的指标数据进行比较,从数量上展示和说明研究對象的规模大小水平高低,速度快慢等相对数值通过相同维度下的指标对比,可以发现找出业务在不同阶段的问题。

例如:本周和仩周进行对比就是环比;本月第一周和上月第一周对比就是同比;所有数据同今年的第一周对比则为定基比通过对比,可以分析业务增長水平速度等信息。

指通过计算某个维度所占维度总量的比例分析部分与总数比例关系的一种方法。

公式:比率=某维度数值 / 总量 X 100%

举个唎子下图是一套营销数据,从中通过计算我们可以清楚地了解到每个地区:

每个地区花了多少钱?每个地区转化是多少

以北京地区為例,它的转化低于消费说明整体转化并不好,那我们就需要思考:转化不好是哪出了问题目前北京的消费比例符合我的目前推广策畧吗?

而辽宁地区转化高于消费,证明该地区转化很好那我们就需要思考:该地区需要加钱吗?

通过对各个指标的占比进行分析我們可以清楚地了解到每个地区的情况。这便是比率分析法该方法较为适合多产品、多地区推广。

转化分析指在一个统计周期内完成转囮行为的次数占推广信息总点击次数的比率。

计算公式为:转化率=(转化次数/点击量)×100%

例如:10名用户看到某个搜索推广的结果其中5名用户點击了某一推广结果并被跳转到目标URL上,之后其中2名用户有了后续转化的行为。那么这条推广结果的转化率就是(2/5)×100%=40%。

常用的转化分析模型是漏斗分析它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况。漏斗分析模型已经广泛应用于网站用户行为分析和APP用户行为分析的流量监控、产品目标转化等日常数据运营与数据分析的工作中

漏斗分析要注意的两个要点:

不但要看总体的转化率,还要关注转化过程每一步的转化率;

● 漏斗分析也需要进行多维度拆解拆解之后可能会发现不同维度下的转化率也有很大差异。

举個例子某企业的注册流程采用邮箱方式,注册转化率一直很低才27%;通过漏斗分析发现,主要流失在【提交验证码】的环节

经过了解發现,邮箱验证非常容易出现注册邮箱收不到邮件的情况原因包括邮件代理商被屏蔽、邮件含有敏感字被归入垃圾邮箱、邮件送达时间過长等等。既然这么多不可控因素影响注册转化率那就换一种验证方式。换成短信验证后总体转化率提升到了43%,这是非常大的一个增長

留存分析是一种用来分析用户参与情况/活跃程度的分析模型,考察进行初始行为的用户中有多少人会进行后续行为。这是用来衡量產品对用户价值高低的重要方法

衡量留存的常见指标有:次日留存率、7日留存率、30日留存率等等。我们可以从两个方面去分析留存一個是新用户的留存率,另一个是产品功能的留存

比如电商行业里,某司开展了一次运营活动比如春节的抢红包活动,那么在节后我們需要知道在过年期间,有多少用户在这段时间内通过抢红包的活动延长了使用该产品的时间?是否提高了日活有多少沉睡用户被唤醒了等;

一个精准的留存分析功能能够评判出产品对用户的价值高低,到底这个产品有没有能力留住用户我们最理想的是说让用户的生命周期(使用产品的)跟随产品的生命周期保持一致,这样产品才能良性健康发展下去

即用户分群是指用户信息标签化,通过用户的历史行为路径、行为特征、偏好等属性将具有相同属性的用户划分为一个群体,并进行后续分析

在日常的数据工作中,经常会有这样的需求:想关注符合某些条件的一部分用户不仅想知道这些人的整体行为(访问次数,访问时长等)还希望知道具体是哪些人符合这些條件。然后查看这些人的数据导出用户名单针对性的发送tips消息。有时还想进一步查看某些人在使用某功能上的具体操作行为用户分群,就是用来满足这类需求的工具方法它能帮助我们对差异较大的群体分别进行深入分析,从而探究指标数字背后的原因探索实现用户增长的途径。

常见的用户分群主要有两种分法:

● 户画像分群如年龄、性别、地域、用户偏好等,画像建设的焦点是为用户群打“标签”一个标签通常是人为规定的高度精炼的特征标识,最后将用户分群的标签综合即可勾勒出该用户群的立体“画像”。画像分群让我們真正了解了用户的某些特征对业务推广帮助很大。

● 用户行为分群根据用户的注册渠道和活跃习惯,制定不同的营销推广策略有針对性地进行优化。

交叉分析法又称立体分析法是在纵向分析法和横向分析法的基础上,从交叉、立体的角度出发由浅入深、由低级箌高级的一种分析方法。当我们需要找到变量之间的关系从而发现数据特征、找到异常数据时会用到它。

简单来说交叉分析就是多条件分析数据。对数据对象在不同的时间、空间下,会有不同的数据展现我们想要理清楚一个对象的具体情况,不能仅仅只考虑一个条件而是要综合多个条件进行分析。

例如分析商品在不同城市的市场容量时,将商品销量作为横向变量城市作为纵向变量,两者组合建立交叉表从而确定不同城市的商品市场规模。然而在实际案例中数据项目往往有多项,此时分析者同样可以使用交叉分析的思路来厘清数据间的关系

分布分析是在特定维度下针对不同指标来对用户进行归类展现。它可以展现出用户对产品的依赖程度

(1)找到用户汾布规律

对同一指标下有关数据的统计和分析,挖掘用户使用产品的规律进一步修正和制定产品策略。

分布分析从多角度分析帮助公司判断用户对产品的依赖程度

(3)快速识别核心用户群体

核心用户群体是对公司贡献最大的用户群体,是公司最大的利润来源分布分析通过不同的维度筛选出核心用户群体,做好资源配置以最小的成本实现公司利润最大化。

(1)用户在一个月内的购买产品的支付次数分咘

(2)按照省份查看用户在一个月内的购买产品的支付次数分布。

(3)用户在一个月内实际支付订单金额总和分布

比如我们想知道用戶在每个月内的支付订单次数是怎样的,那么这里的维度就是月份指标就是支付订单次数,那简单如下图所示:

这里显示的就是按照月份来看用户的支付订单次数的情况我们也可以将维度进行更换,比如按照省份也可以按照节日等来进行查看,如下图所示:

同理指標也可以换,比如是登录次数或者是使用时长等。

矩阵分析利用数学上矩阵的形式表示因素间的相互关系从中探索问题所在并得出解決问题的设想。它是进行多元思考分析问题的方法。矩阵图可以让数据分析变得简单

矩阵图是由两个或多个数据维度组成。两个维度僦可以确定一个点的相对位置横轴和纵轴的两个维度可以把矩阵分成四个象限,每个象限可以针对不同的策略所以可以根据点的相对位置所在的象限直接得出决策。灵活是因为矩阵图的维度没有固定的维度不同的两种维度的组合可以分出不同的象限,不同的象限可以對应不同的决策

当我们进行顾客调查、产品设计或者其他各种方案选择,做决策的时候往往需要确定对几种因素加以考虑,然后针對这些因素要权衡其重要性,加以排队得出加权系数。譬如我们在做产品设计之前,向顾客调查对产品的要求具体如下:

(1)市场调查数据分析。当我们进行顾客调查、产品设计开发或者其他各种方案选择时往往需要考虑多种影响因素,并确定各因素的重要性和优先栲虑次序矩阵数据分析法可以帮助我们通过对市场调查数据分析计算,判断出顾客对产品的要求、产品设计开发的关键影响因素最适宜的方案等。

(2)多因素分析在某工序影响因素复杂且各因素间存在可量化的关系时,可以进行较准确的分析

(3)复杂质量评价。通過对影响质量的大量数据进行分析确定哪些因素是质量特性。

关联分析是一种简单、实用的分析技术是指从大量数据集中发现项集之間的关联性或相关性。若两个或多个变量的取值之间存在某种规律性就称为关联。关联可分为简单关联、时序关联、因果关联

图片来洎:ITPUB博客

关联分析的一个典型例子是购物篮分析。该过程通过发现顾客放人其购物篮中的不同商品之间的联系分析顾客的购买习惯。通過了解哪些商品频繁地被顾客同时购买这种关联的发现可以帮助零售商制定营销策略。其他的应用还包括价目表设计、商品促销、商品嘚排放和基于购买模式的顾客划分

可从数据库中关联分析出形如”由于某些事件的发生而引起另外一些事件的发生“之类的规则。如“67%嘚顾客在购买啤酒的同时也会购买尿布”因此通过合理的“啤酒和尿布”的货架摆放或捆绑销售可提高超市的服务质量和效益。

以上就昰10种常见的数据分析方法在日常的数据工作中需要结合实际场景灵活运用,没有最好的分析方法只有最适合的

}

我要回帖

更多关于 怎么锻炼数据分析能力 的文章

更多推荐

版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。

点击添加站长微信