银行核销是什么意思(银行贷款核销是什么意思)
编辑导语:无论是身处什么行业什么领域,数据分析越来越成为一向必不可少的技能,而运用数据思维进行决策更能产生形成高质量的决策结果。本文作者结合自身经验向大家分享了数据分析方法论以及两个数据思维的原则,希望对你有帮助。哈喽,大家好,我是一丁!最近几年一丁已经不从事具体的数据分析工作,但是在工作中也免不了要和数据打交道,具备良好的数据分析思维能够很好形成决策判断。本文简单分享一些数据分析的方法论,结合日
编辑导语:无论是身处什么行业什么领域,数据分析越来越成为一向必不可少的技能,而运用数据思维进行决策更能产生形成高质量的决策结果。本文作者结合自身经验向大家分享了数据分析方法论以及两个数据思维的原则,希望对你有帮助。
哈喽,大家好,我是一丁!
最近几年一丁已经不从事具体的数据分析工作,但是在工作中也免不了要和数据打交道,具备良好的数据分析思维能够很好形成决策判断。
本文简单分享一些数据分析的方法论,结合日常工作中的刻意练习,逐步形成超过90%同行的数据思维能力。
面对问题,通常的想法是零散的。方法论就是“能将零散的想法整理成有条理的分析思路”的方法。
简单总结一丁的数据分析方法论,就是知轻重、有条理、会拆解、多对比。
一、知轻重
如果一个人在为人处世上能够做到知轻重,那可以说是一个成熟的人,对于数据分析师也一样,每个人的精力都是有限的,如果你选择了一个并不重要的专题进行研究,耗费大量精力,结果可能收效甚微。
推荐通过矩阵分析法将问题进行划分,该方法以属性A为横轴,属性B为纵轴,组成一个坐标系,在两坐标轴上分别按某一标准进行刻度划分,构成四个象限,将要分析的每个事物对应投射至这四个象限内,进行交叉分类分析,直观地将两个属性的关联性表现出来,进而分析每一个事物在这两个属性上的表现。比较经典的就是波士顿矩阵模型。
矩阵分析法的本质是通过不同维度的排列组合,可以是二维,也可以三维、四维甚至更多,取决于你分析事物的复杂程度。
通过矩阵分析,可以将我们面临的问题进行轻重缓急排序,并针对性地部署相应的策略,你的精力放在哪个区域,决定了你成就的天花板。
如链家创始人左晖的名言,做难而正确的事情,他就是把事情按照难易程度和正确程度进行划分,他选择了难而正确的这个象限。
回到数据分析这个话题,如果看到指标有波动,到底要不要深入地分析一下呢,这个时候就可以波动幅度作为横轴,是否趋势性作为纵轴进行划分。
毫无疑问,右上是最重要和最迫切需要解决的问题,但在日常工作中一般不会频繁出现,而左上角是需要持续投入精力研究的。
二、有条理
通过知轻重,能够对分析的话题进行划分,确定优先级,第二步就需要开始分析,在数据分析过程中常常遇到的问题是,数据太多了导致在分析的过程中忘记了自己最初的目标,钻到了牛角尖中,花费了大量的精力但是收效甚微。
更理想的做法是,借助类似思维导图工具,围绕分析目标将各个分析方向进行穷举,在分析过程汇总,围绕思维导图进行分析,避免分析到哪里算哪里佛系分析法,也避免在细枝末节处穷追猛打,浪费资源。
在画思维导图的时候,向大家推荐MECE分析法,全称Mutually Exclusive Collectively Exhaustive,中文意思是“相互独立,完全穷尽”。也就是对于一个重大的议题,能够做到不重叠、不遗漏的分类,而且能够借此有效把握问题的核心,并成为有效解决问题的方法。
比如一丁之前分析过如何增加贷款余额,贷款余额=贷款投放-还款-核销,然后再围绕这个基础公式按照产品维度展开,保证分析维度不重不漏。
三、能拆解
每个人的拆解能力决定了他能否有效处理和解决复杂事务,拆解能力简单来说,就是把一个复杂问题拆解成一个个基础元素,你通过研究这些元素,控制和改变基本的元素进而解决复杂的问题。
以下介绍两种基础的拆解方法:
1. 维度细分
细分简单地说,就是按照各不同维度进行拆分,定位变化因素最大的细分领域。比如获客下滑了,就可以区分是线上渠道下降还是线上渠道下降,进一步可以发现是具体某一个渠道下滑,这样分析更具针对性。
细分思维除了能定位问题外,更重要的是如果我们只看数据整体,可能注意不到“数据内部各个部分构成的差异”。
如,本月新房5万/平,上月新房2万/平,大家看了惊呼房价暴增,但如果通过结构拆分,会发现本月交易新房80%集中在中环内,而上月60%是在外环外,房价完全不变的情况下受交易结构的影响产生了误导。
2. 流程细分
最直观的就是漏斗图,漏斗图是一个适合业务流程比较规范、周期比较长、各流程环节涉及复杂业务过程比较多的管理分析工具,漏斗图是对业务流程最直观的一种表现形式,并且也最能说明问题的所在。
比如获客就是一个链路比较长的业务场景,涉及到电销人员外拨、客户接通、客户意愿、填写信息便捷性、审批效率、审批通过率、用户激活等一系列业务环节,通过漏斗图可以很快发现业务流程中存在问题的环节,确定业务瓶颈。
四、多比较
最后就是多比较,就像我们说的,没有对比就没有伤害,比较是数据分析中非常重要的一部分,下面介绍几种常见的比较方法:
1. 与同业比
一般指的就是和行业的龙头比,弄清楚自己和行业标杆的差距。
一般来说,同业的数据来源主要公开发表的数据,包括上市公司的财报、主动披露的数据等等,数据的信息源不同其准确性也会存在各种差异,但是通过仔细分析还是能得到一些自己想要的东西,取决于每个人数据思维能力的高低。
2. 与自己比
一般来说,会进行同比、环比等,通过趋势图观察一段时间的走势,这是常见的比较思路,但是注意不要忘记最初设定的目标。
在工作中会发现有个问题就是有时候我们会发现同比环比之后,指标都上涨了,营造出欣欣向荣的局面,但其实并没有达到我们的目标,只是基准值太低,这是一种典型的目标侵蚀。
3. 细分对比
简单来说,就是按照各种维度细分之后的对比,比如按某个特征,将数据分为不同的组,然后比较各组的数据,比如一丁在工作中经常进行相似群体随时间的变化,产品会随着你的开发和测试而不断迭代,这就导致在产品发布第一周就加入的用户和后来才加入的用户有着不同的体验。
每一组用户构成一个同期群,参与整个试验过程,通过比较不同的同期群,你可以获知:从总体上看,关键指标的表现是否越来越好了。
以上是一丁分享的一些简单的数据思路,最后和大家分享两个数据思维的原则:
(1)对于数据行业从业者
要有敏感性,要能够合理怀疑,拿到的数据不能盲目相信,而是先怀疑数据是否准确,对一些异常的数据尤其如此,这就需要通过时间培养数据常识,学不来,只能刻意练习。
(2)对于一些外部数据
获取的时候非常困难,不能过于求全责备。没有人有上帝视角,静下心处理你能够拿到的数据,可能数据存在偏差,但数据背后的趋势、原则和机遇,这些骗不了人。
本文由 @一丁 原创发布于人人都是产品经理,未经许可,禁止转载。
题图来自 Unsplash,基于 CC0 协议
如若转载,请注明出处:https://www.anshangmei.com/7954.html