数据分析中“如何给落地建议”一些思考和见解

2022-08-18

---

形成“分析思路”直接奠定了数据分析结论准确、是否实用、是否落地。但要解决实际业务场景中遇到的问题，要先“定义问题”，才能针对性的思考相应的分析思路。

那么，当完成了什么样的分析得到什么数据，接下来该如何给落地建议？在实际数据分析场景中，如何给出合理落地的建议呢？本篇以实际场景为例，梳理在数据分析中，如何根据分析结果给出落地建议的一些思路和见解！

在实际工作场景中，数据分析人员可以把分析思路讲得逻辑清晰有条理，但是在讲落地建议方面，却很大一部分给出的结论不能执行推动或者成果落地难。因此，懂得如何根据分析结果给出落地建议是每个数据分析人员必须具备的软实力。“落地建议”本质上就是根据实际需求场景有效推动数据分析结果执行，有价值，给业务赋能。

那么，我们以一个实际的工作场景为例来梳理一下“如何落地建议”的思路：

互联网产品，负责运营的同事找到数据分析人员，说“昨天次日用户留存率明显下降了，帮忙看看”

1、定义问题

与运营伙伴沟通后，根据前面【如何定义问题】的步骤，进一步明确了问题如下：

2021年4月21日次日用户留存率下降5%，而正常波动范围是±1%，因此认为有显著下降。此次分析的目标在于找出下降的主要原因，并在当日解决。

主要考虑：

问题主要出现在什么用户群，次日留存这个指标是对新客而言的，新客还可以从哪些维度进行细分？

发生在什么终端(app\pc\wap)或者哪个业务环节？

什么时候开始降低的，降低的幅度有多大？

2、如何形成分析思路？

根据前面【如何形成分析思路】的步骤，简化的分析思路如下：

●首先，确认次日用户留存率下降了 5%的准确性 ；

●然后，了解次日留存率的业务指标，观察留存规律，要结合产品所属行业的整体趋势；与头部产品比较数据差异性以及产品差异。根据留存趋势表现，留存率能够帮助我们快速定位问题，是否是某渠道的用户质量问题，某一日或几日外部事件导致的留存变化。如果是用户质量问题，那么该批次用户次日留存率、二日、三日等留存率都会偏低；如果是外部事件导致的，那么就是不同批次用户在某一统计日的留存率会表现的都很低。

●对用户进行细分，包括新老、渠道、活动、画像等多个维度，然后分别计算每个维度下不同用户的次日留存率。通过这种方法定位到导致留存率下降的用户群体是谁；

先看历史数据趋势：

以前有没有出现类似情况？当时是发生了什么？

是否具有周期性，比如是否遇到节假日就会下降？

再做同期群分析——出问题的这段时间和先前的正常时间段来的用户在上述特征中存在什么差异？同期群分析时候要注意群体的匹配性，比如用户属性、运营活动、产品策略上要具有可比性。

●其次，对次日留存影响因素进行梳理，功能需求满足、获客等；

●再通过，异常范围定位后，要根据业务进一步做假设，实际具体情况具体分析。对于目标群体次日留存下降问题，具体情况具体分析。计算出各个维度的留存率，定位哪些维度的留存有异常。

如，哪个渠道用户的留存比较差？留存较差的渠道的用户画像是什么样的？什么类型的用户留存差？这类型用户的留存为什么差？在app上的行为和留存好的用户有什么差异？行为差异的原因什么？

具体分析可以采用“内部-外部”因素考虑：

a：内部因素分为获客（渠道质量低、活动获取非目标用户）、满足需求（新功能改动引发某类用户不满）、提活手段（签到等提活手段没达成目标、产品自然使用周期低导致上次获得的大量用户短期内不需要再使用等）；

b：外部因素采用PEST分析（宏观经济环境分析），政治（政策影响）、经济（短期内主要是竞争环境，如对竞争对手的活动）、社会（舆论压力、用户生活方式变化、消费心理变化、价值观变化等偏好变化）、技术（创新解决方案的出现、分销渠道变化等）。

●最后，假设-检验，并进行预测未来是否还会下跌？应该采取什么方式避免下跌？与业务沟通反馈分析结论，探讨后续方案的执行。

3、落地建议

根据前面【如何根据分析结果给出可执行的落地建议呢？】的步骤，具体如下：

第一、确认分析的数据逻辑性，可靠性，准确性。

客户使用咱们公司的产品，时间越长越好，越长带来的现金流或者利润越高，这就是提高留存的核心意义。

第二、认清事实，清晰各个部门落地目标。

数据分析结果在各个部门里落地生根，利用STAR 模型（ situation(情境)、target(目标)、action(行动)、result(结果)）把公司目标-部门目标-项目目标串起来，使得各个部门人员配合落地执行。

第三、结合业务动作，提出切实可行的方案。

◆优化引导流程关键点：减少摩擦、清晰表明进展情况、构建社交网络、提供奖励、提供用户案例、使用简短有用的教程；自己在工作中做的引导模块，也用到了提供奖励和清晰表明进展这两点。

◆利用推送通知真正有意义的推送，是触发用户的互动行为。而且注意要把推送通知的质量和数量控制在用户可以容忍的程度关键点：

✔非强制，有打开或关闭按钮

✔围绕最有意义的事件进行推送，不能滥用；自己在做方案的时候，一开始把所有用户都考虑在被推送的范围之内了，比如流失用户、沉默用户也进行推送，没有考虑到推送的内容是否真正能引起他们的兴趣，所以这样的做法意义就不大；

✔个性化通知，推送与用户相关或真正感兴趣的内容

第四、获得领导的支持和认可。

领导认可才会分配相应的资源，交给相应的人员去实施。我们首要证明分析是正确的；其次有非常准确可靠的价值描述；最终，必须有清晰明确，成本可控的落地方案。

第五、上线测试，复盘效果，优化迭代。

◆猜测原因，如首页推荐更新频率太低，每周一次（这里想起了工作中遇到的排行榜的问题，当时leader也提到，如果这个模块更新频率低，则不会吸引用户点击，还有分析用户搜索频次、结果和点击率，猜测搜索结果不符合用户预期

◆实验改进，优化迭代：1）今日推荐改成每日推荐，每天都更新 2）优化算法，让排序在前的结果符合预期

小结

数据分析结果只有落地，才能产生价值。还原真正的业务场景，将理论与实际业务相结合，给业务赋能。但真正在执行的时候领导认可支持以及同事的配合执行才是最大的推动力，这其中包括了数据分析人员必备的软实力！