数据驱动业务的18个策略

CrazyPM产品经理社区  阅读数  47  2021-07-31 22:23:34

编辑导语:数据分析是推动项目业务正常进行的一个重要步骤,然而,数据驱动业务并不能只作狭义理解,在业务驱动过程中,战略、组织等能力的加持也十分重要,对业务对象的理解也会影响数据驱动的价值。本文作者总结了关于数据驱动业务的18个策略,一起来看一下。

数据驱动业务的18个策略

一、第一条

数据驱动业务中的“数据”广义来讲不仅仅是指存储在大数据平台的那堆数据(反映客观事实),也包括战略、组织、机制、流程、人性、认知、客户的想法、一线人员的技能等等,即使它们还没有被量化或者无法量化,也不能当成看不见,否则就会得出每天看K线的股民比凭经验决策的老板更懂数据的谬论。以下如非特别说明,都指狭义的那个数据定义。

二、第二条

数据驱动业务中的“业务”不仅仅指产品或业务线,还包括公司战略制定、组织优化、机制变革、流程优化、商业模式重塑、规划投资、精细运营、精准营销、精准建设等等,因此不要总在一个方向猛干,适当地抬起头,俯瞰下全局,也许能找到更合适的驱动对象。

三、第三条

数据驱动业务的策略制定来源于直觉与客观事实(数据)两个方面,驱动的策略应该依赖【直觉驱动】还是【数据驱动】取决于企业所处的阶段。

业务开展早期,【直觉驱动】成功率更高一点,但随着业务发展,好的直觉不再足以驱动业务继续增长,这个时候【数据驱动】的价值就会变大,但不能因此否定直觉。

四、第四条

数据驱动业务有二种情况,驱动自己的业务与驱动别人的业务。

驱动自己的业务由于一切数据(广义)都在掌控中,因此比较容易实现,驱动别人的业务则相反,没一定的策略往往头破血流。

当然有一种情况例外,即公司领导亲力亲为顶你,但这种机会可遇而不可求,恰好大鱼碰到过一次。

五、第五条

数据驱动业务有其不可克服的弱点,如果把数据驱动业务比作开飞机,那么数据就是传感器、仪表盘、报警灯,传感器获取数据,仪表盘展示数据、报警灯进行预警。

但飞机主要还是靠发动机驱动,数据仅仅是个辅助角色,当然你说驱动也勉强可以,但很多业务的开拓跟数据真没关系,比如从0到1的产品创新,因此不要神化数据驱动业务。

六、第六条

用数据驱动别人业务的不二法则:帮助其完成KPI,即使你胸怀天下,也要很谦卑地从帮助别人完成KPI开始,大致可以分为四步:

  1. 做好KPI和过程指标,让别人看得见;
  2. 做好报表或BI,让别人看得爽;
  3. 找到KPI指标的痛点,产生共情,与别人共生;
  4. 对痛点进行分析,给别人提升的建议,让别人获益。

天下熙熙皆为利来,天下攘攘皆为利往,用数据驱动他人业务,最后玩的还是人性和利益。

七、第七条

数据分析的方法有四步:

  1. 第一步:业务理解,就是确定业务目标,理解业务流程,分析每个业务节点;
  2. 第二步,量化指标,就是从业务节点中定义衡量指标,明确分析维度;
  3. 第三步,指标对比,就是在抽丝剥茧的层层指标比较中发现异动;
  4. 第四步,假设建议,就是针对末端叶节点的指标异动给出假设,一般要基于业务的常识进行推断,然后给出针对性建议。

八、第八条

理解业务要有三大格局:

  1. 中观:业务对象、业务流程、业务数据和业务问题;
  2. 上观:行业、战略、愿景、组织、机制和流程;
  3. 下观:围绕中观对象刨根解牛,拆解拆解再拆解,直到拆解到常识能理解的程度。

我们习惯于在下路猛干,往往事倍功半。

九、第九条

掌握一些分析模型让我们理解业务事半功倍,这些分析模型包括PEST、5W2H、SWOT、波士顿矩阵、SMART原则、波士顿五种竞争力分析模型、价值链模型、逻辑树方法、鱼骨图等等。

十、第十条

现代管理学之父彼得·德鲁克说:如果你不能衡量它,那么你就不能有效增长它。对于业务也一样,如果你不能用指标描述业务,那么你就不能有效增长它。

十一、第十一条

好的指标有两个特征。

第一是具有核心驱动的特点,一般从战略开始,然后识别到关键成功因素,再推断出核心指标,比如用户数和活跃用户数两个指标,显然后者于业务成功更有价值。

第二是比率或者比例,因为有比较才有鉴别。我们经常看到绝对值指标也会属于企业的核心指标,一方面是因为其也是比对的结果,只是老板把这个比对过程隐藏了;另一方面是宣传的需要,在任何数据分析中给出一个绝对值而不作特别说明,会让老板觉得莫名其妙。

十二、第十二条

指标体系的构建也是有模型可参考的,这里提供5个:

  1. PLC模型,指产品的市场寿命,即一种产品从开始进入市场到被市场淘汰的整个过程。产品的生命周期有探索期、成长期、成熟期、衰退期。
  2. OSM 模型,是指标体系建设过程中辅助确定核心的重要方法,包含业务目标、业务策略、业务度量,是指标内容横向的思考。
  3. 指标分级模型,根据企业战略、企业组织及业务进行自上而下的分级,对指标进行层层剖析,比如一级指标:公司战略层,二级指标:业务策略层,三级指标:业务执行层。
  4. AARRR模型,就是海盗模型,也是用户分析的经典模型。它反映了增长贯穿于用户生命周期的各个阶段,即获取(Acquisition)、激活(Activation)、留存(Retention)、变现(Revenue)、自传播(Referral)。
  5. RFM模型,该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。

十三、第十三条

数据分析的本质就是将复杂的数据分解到0或1(代表人的常识能判断的对或错)的建模过程,与机器学习不同的是,这个过程是人主导的、结构化的,线性可理解的。

十四、第十四条

优秀的数据分析师要有二个执念:

  1. 第一,业务是我的生命线,在一个企业内,最容易拉开数据分析师差距的,往往是独特的业务理解力。
  2. 第二,我既要理解他人的需求,更要理解他人的问题。平庸的数据分析师则用效率来掩盖自己思维上的惰性,取数机器就是这么来的,好比一头拉磨的骡子,每天在那里转同一个圈。

十五、第十五条

要想成为一个好的数据分析师,可以问自己五个问题,认知有没有差别?技能有没有差别?效率有没有差别?信息有没有差别?资源有没有差别?

随着数据开放和基础设施的普及,数据分析师在操作技能、工具使用、信息获取、数据资源上的不对称优势逐渐消失,唯一的差异化就是认知,这也是你读这篇文章的原因。

十六、第十六条

一般的数据分析师用狭义的数据驱动业务,但广义的数据驱动业务需要战略、组织、机制、流程、业务等等能力的加持,因此数据分析师的职场最终归属一般是业务和管理,如果你执着于做狭义的数据分析师,那BI总监也许就是天花板了。

十七、第十七条

数据驱动业务的四个阶段:

  1. 第一阶段:从零到一,直觉驱动业务野蛮生长;
  2. 第二阶段:增长放缓,实验评估助力业务小步迭代;
  3. 第三阶段:增长遇到瓶颈,数据驱动业务找到新目标体系与增长发力点;
  4. 第四阶段:数据持续驱动细分人群的差异化策略迭代。

十八、第十八条

赵括有那么多的数据,信息甚至知识,但他还是无法打胜仗,因此,数据本身无法驱动业务,信息不行,人工智能也不行。

事实上,数据只有转化为智慧才能驱动业务,上面的十七条也许有助于你找到智慧之路。

 

本文由 @长弓又曰日 原创发布于CRAZYPM产品经理社区,未经许可,禁止转载。

题图来自 Unsplash,基于CC0协议

 

赞助商推荐:数极客是新一代用户行为分析与数据智能平台,支持用户数据分析运营数据分析留存分析路径分析漏斗分析用户画像SEM数据分析等16种分析模型的数据分析产品,支持网站统计网站分析APP统计APP分析等分析工具,以及会员营销系统A/B测试工具等数据智能应用,支持SAAS和私有化部署,提升用户留存和转化率,实现数据驱动增长!

 

【独家稿件及免责声明】本站原创文章如需转载请联系我们,未经书面许可禁止转载,本站转载文章著作权归原作者所有,如有侵权请通过邮箱editor@kaifou.com联系我们。

增长工具