有高度的數據分析，這樣做

很多同學總抱怨：每天工作都在跑數，做出來的東西，總被嫌棄“沒高度”。

啥叫“有高度”的數據分析？都是統計計算，咋就“有高度”了？今天系統講解下。話不多説，直接上案例。

問題場景：某傳統企業的電商部門，市場部領導找到數據分析師，拿了商品當前庫存數據與周銷售數據報表，請幫忙分析。業務方表示：沒有明確分析要求，做一個探索性分析。

問：這個分析該如何做？

一、負分滾粗的分析

環比增長83%，建議搞低。

點評：懶得點評了，大家自行吐槽。

二、一般的分析

• A產品周銷量100，庫存還有400，還能用4周；
• A產品補貨週期為3周，可繼續觀察；
• B產品周銷量100，庫存還有200，還能用2周；
• B產品補貨週期為2周，建議本週開始着手補貨。

點評：知道進、銷、存的數據得連起來看，知道考慮補貨週期，這起碼及格了。

三、有點高度的分析

• A產品有季節規律，目前在週期末尾，預計庫存夠消耗3周，不建議補貨；
• B產品已到產品生命週期後半段，每週銷量遞減，應加速出貨；
• C產品為非季節性標品，周銷量100，庫存200，還能用2周，本週可補貨。

點評：做數據分析工作和上學做作業的最大區別，就是“實際工作中沒有標準考題，只有待解決的問題”；因此並不是説業務部門甩一個數據，就只能看這一個數據的！

並且，產品生命週期、自然週期、是否穩定銷售，是不需要業務部門叨叨，數據分析師可以自己通過數據來發現的；因此想發現問題，沒必要等着業務來教，完全可以自己主動出擊——從業務常識和數據表現兩個角度，發現數據背後的規律。

季節性商品：比如冬季保暖防寒、夏季降温解暑的產品，應季銷量才好，並且如果今年冬天沒這麼冷/夏天沒這麼熱，銷量會打折，表現在數據上如下圖所示：

生命週期性商品：比如電子產品、每季新款服裝，上市後賣得價格最貴、銷量最好，越往後越不值錢，等季節一換，新款一出，只能降價清倉。

表現在數據上如下圖所示：

穩定銷售型商品：比如米、面、油、蛋，紙巾、洗髮水、沐浴露，日常生活都需要，可能每週跟着整體銷量（比如門店客流、網站流量）有波動，但大體上不會大起大落。

表現在數據上如下圖所示：

這些可以在平時日常數據中就發現規律，積累經驗，不用等業務方叨叨才動手（很有可能，業務方自己清楚這些差異，所以自己動手算了數，也不會再問）。

四、這裏有2個小細節要處理

細節一：如果不是經常補貨的產品，而是新款產品，如何預測未來走勢？最簡單的做法是根據產品品牌、價格段，對產品定級別，根據過去同級別、同價格段的產品表現做參考（如下圖）。

細節二：如果週期性銷售產品，受到外部影響，比如下雨了，沒生意，如何評估走勢？最簡單的做法是看影響因素的持續時間，根據過往影響，直接在未來持續時間內做調整（如下圖）。

當然還可以用更復雜的預測方法。有趣的是，這種預測會改變業務方的行為，因此不見得需要特別準地預測，比如二分類預測：2周內能銷完/不能銷完，就已經能促使業務方決定清不清貨了。

這就又涉及到一個關鍵問題：精確度多少能接受。企業裏數據分析工作和做作業的第二大區別，就是：“真實工作需要和各部門溝通，不是完了卷子等正確答案的”。

特別是在本案例的場景裏：業務部門自己都稀裏糊塗，沒有明確目的！此時更不必強行追求計算結果的準確度，而是有了初步結論以後，就能開會溝通一輪，提示風險，瞭解內情。

除非遇到庫存成本特別高且保質期很短的，比如生鮮中進口水果、海鮮，醫療用品中的冷櫃存放的疫苗一類的特殊產品。

一般的產品都有一定週轉空間，因此控庫存的最終目標不是100%壓點清倉，而是把庫存控制在安全範圍內即可。所以與其自己糾結要死，不如看看目前市場部的庫存壓力是否能承受。

那麼，是否有更有高度的分析呢？

五、更有高度的分析

問一個簡單的問題：市場部身為運轉中樞，為啥銷量、庫存這麼核心的數據還要跑來問呀！市場部的人跑上門問，這個動作本身就是大問題。

敏感度高的數據分析師，在跑數之前就應該感覺到不對勁了。事出反常必有妖，事前溝通很重要！

具體情況可能有很多，但有個核心問題要首先解決：業務方到底是真不懂，還是假不懂！

不要笑！不要以為核心數據業務方就真的瞭如指掌；很有可能之前業務發展順風順水，所以大家都習慣拍腦袋了；也有可能之前吃了行業紅利，真的是母豬飛上天。

總之，如果是真不懂的話，就需要：

• 建立數據監控體系；
• 診斷現有問題；
• 提供建議先處理眼前問題；
• 培訓相關人員，建立長效監督機制。

這樣把商品運營的工作從原始狀態，推進到數字化管理的狀態。

如果是假不懂，還要看是缺人手還是缺幫手！

如果是缺人手，需要人幫忙清理數據，這時候牢記：

上產品！

上產品！

上產品！

數據產品才是解決處理數據人手不足的最優方案，不是再招聘幾個Excel boy填坑。Excel boy/Sql boy 的存在，本身就是數據工作的負擔；既浪費成本，又不能體現績效。業務能力強就上數據集市讓他們拖拉拽；業務能力弱就固定看板，然後教他們看。

如果是缺幫手，就得看幫着幹什麼：

• 某幾款產品運作得不好，想提前清掉庫存；
• 某幾款新品想上，想把之前的幾款當標杆，作為支撐依據；
• 某幾款產品想大量補貨，但是怕老闆不批，想多一個人發聲；
• ……

這些目的可不是業務方不表態，數據分析師能直接猜到的。所以業務方想讓數據分析師幫忙發聲，就老老實實表明來意，大家一起合計合計。

確實有業務方，喜歡陰陽怪氣，有想法不説，非讓數據分析師猜，猜不中就説：“好像分析得沒高度，不符合業務期望呀”，這種做法就是在為事後甩鍋做準備，不搭理也罷。

六、小結一下

在企業內談分析高度，和在學校做科研談高度完全不一樣。科研領域才講高精尖，用的方法越複雜、越前瞻、越先進越好。

企業的目的是掙錢，掙錢講究效率，講究配合，講究實用；因此，有高度的順序是：

• 結合業務情況 ≥ 單純計算數字
• 發現業務問題 ≥ 單純鋪陳結果
• 達到業務目標 ≥ 單純就數論數

在這個過程中，需要有基礎業務理解，需要和業務緊密溝通，需要看具體目標量體裁衣，這才是提升分析高度的最有效手段。

#專欄作家#

接地氣的陳老師，微信公眾號：接地氣學堂，人人都是產品經理專欄作家。資深諮詢顧問，在互聯網，金融，快消，零售，耐用，美容等15個行業有豐富數據相關經驗。

本文原創發佈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。