首页 > 代码库 > 数据/方法论固然重要,但人为分析更有价值!

数据/方法论固然重要,但人为分析更有价值!

在工作过程中经常会遇到做决策的工作,客观的数据分析结论和成熟的方法论能提供参考依据。

工作中很多地方都需要用到决策,比如产品功能确定,试行推广试验,产品定价,市场活动策划,那么这些工作一般是如何去决策的呢?

比较常见的切入点是数据和方法论,讲两个案例就明白了。

案例一:再讨论某个产品时,领导提问A功能是否要保留,还是剔除。产品经理依据产品功能的使用率以及功能模块的点击率提出分析:通过走访客户调查到A功能的上线率超80%居前列,说明前期客户选型需求很强烈;但是实际应用是该模块点击率却最低。我们需要在对为什么这个模块使用率低进一步调研,使用上是否要进一步优化简化,完善该功能的学以文档,引导应用。

技术分享

这个就是典型的利用数据说话,根据数据走向,直接得出结论。

案例二:

有一天,领导召集所有市场人开会,问产品如何推广(比如面向企业用户的FineBI这个BI软件)。其中一个运营说了自己的看法:既然产品已经成型就要推向市场,就要召集用户增加用户数(类似UV)。增加用户数可以联络渠道找合作,还可以走线上宣传获取试用客户信息。之后要考虑用户活跃度还有留存率的问题,按照这样的思路去做。

这个就是典型的方法论,通过方法论,把问题逐一拆分来解决。

以上两个案例都分析得有理有据,思路也很清晰,在日常工作中,大部分也都是这么做的。

通过上述某一个方法中的一个,只要说的清楚,基本上团队都会认可。但是我认为,这样的分析往往过于“书呆子气”,认为只要拿出数据,提出方法论,就能得到结论,但其实这里面并没有任何实际的人为分析或场景分析,或者说这样的推理论证并不严谨,考虑的因素并不全面。

比如案例一,有市场经理就提出了,其实A功能之所以上线率很高但是使用率很低的原因,大部分是因为销售在向客户讲解产品功能的时候,把A功能作为亮点和卖点来吹捧,A功能确实很吸引人,也很“花里胡哨”,但实际场景是,技术人员需要花很多的时间去利用这个功能开发,但实际的利用率很低,后续维护成本也很高。

所以,这里认为数据/方法论=结论,其实有误区的,数据并不是全部,不能全依仗数据来说事儿,忽略人依靠业务经验对问题的洞察。应该是通过数据或方法论后,在结合人的实际分析(或场景分析),最后再得出合理化的结论。即:数据/方法论+人为分析=结论。

在我们平常工作中,强调数据事实,作为分析依据固然很重要,但这只是一部分,而不是全部。在实际的业务分析时,依靠业务经验的分析洞察往往更重要,不能到领导问你什么什么问题,你说等一下我去找一下数据。有时候太过追求这些并不是什么好事。

恰逢最近在看《从0-1》,越发觉得好的产品,好的策略不是依靠既有的事实或者通用的规律挖掘出来的,数据的大部分应用也是在对历史数据做分析,总结过去,统计规律。好的创意好的营销玩法,往往有时候是对人性的探索,对某些哲学理念的看透。

当然,这里不是在说数据或方法论不重要,他只是作为决策的一部分。这也是为什么会有数据挖掘学科,去挖掘深层规律,预测未来趋势。也为什么会有很多厂商、数据分析领域的人去“呼吁”业务人员去自己数据分析,尝试使用一些轻型的BI工具如FineBI去把玩手中的业务数据,切换维度做自主的分析,基于业务理解。

以上的想法都是基于个体,站在行业、企业角度可能并不是这样的态度。比如为什么有很多企业去花费大量金钱、人力、时间去搭建数据分析平台体系。这个体系里面包含了方方面面的业务数据,也为千千万万个大小决策提供依据。整体来讲,就是为了提高总体决策的准确性,防范风险。

数据/方法论固然重要,但人为分析更有价值!