Trong môi trường này, làm thế nào chúng ta có thể chứng minh giá trị của phân tích dữ liệu?

Làm thế nào để phản ánh giá trị của phân tích dữ liệu trong một tình huống? Tác giả bài viết này chỉ ra rằng phân tích dữ liệu nên được tiến hành dựa trên nhu cầu kinh doanh thay vì chỉ áp dụng các phương pháp phân tích cố định và giá trị của phân tích dữ liệu có thể được nâng cao bằng cách tích lũy kinh nghiệm và phục vụ doanh nghiệp.

Sinh viên thường phàn nàn tại nơi làm việc rằng "phân tích của họ có ít giá trị kinh doanh và không có phản hồi sau khi báo cáo được gửi đi". Làm thế nào để phân tích dữ liệu phản ánh được giá trị của nó? Hôm nay, tôi sẽ giải thích chi tiết dựa trên một tình huống cụ thể.

1. Kịch bản vấn đề

Một người bạn cùng lớp đã tham gia trung tâm thành viên của công ty và mong muốn thiết lập một cơ chế "kinh doanh dựa trên dữ liệu". Để đạt được mục đích này, ông đã lên kế hoạch rất nhiều:

• Thiết lập hệ thống chỉ báo dữ liệu liên kết đầy đủ để phản ánh các điều kiện hoạt động
• Tạo 3.000 thẻ thành viên để làm phong phú thêm chân dung thành viên
• Thiết lập mô hình RFM và phân tầng thành viên
• Thiết lập mô hình dự đoán để dự đoán hành vi mua hàng của thành viên
• Mô hình đề xuất để đề xuất các mặt hàng cho thành viên mua

Sau khi nộp bản kế hoạch, sinh viên này đã bị người hướng dẫn chỉ trích: "Bản kế hoạch này có giá trị kinh doanh gì?!" Cậu học sinh không hiểu gì cả. Bất cứ khi nào phân tích người dùng được đề cập, đó đều là về chân dung người dùng, RFM, phân tầng và khuyến nghị. Có phải có sức mạnh bí ẩn nào đó mà tôi không biết không? Tại sao những thứ này lại bị chỉ trích là "vô giá trị"? ? ? ?

2. Chúng ta hãy bắt đầu với câu hỏi “Giá trị là gì?”

Câu hỏi này bắt đầu bằng "giá trị của phân tích dữ liệu là gì". Nếu chúng tôi là một công ty bên thứ ba, một công ty sản xuất dữ liệu hoặc công ty tư vấn, thì chúng tôi có thể tạo ra một loạt các công cụ trước, chẳng hạn như BI, mô hình dữ liệu, CDP, v.v., rồi sau đó bán chúng cho bên thứ nhất. Đây là sự phản ánh trực tiếp giá trị của phân tích dữ liệu.

Nhưng trong một kịch bản khác, lúc này chúng ta là công ty khách hàng và dữ liệu phục vụ trực tiếp cho doanh nghiệp. Tại thời điểm này, giá trị của phân tích dữ liệu được xác định bởi “mức độ nó giúp ích cho doanh nghiệp”. nếu như:

• Doanh nghiệp có thể thấy dữ liệu chúng tôi cung cấp
• Những dự báo mà chúng tôi đưa ra không hề cần thiết cho doanh nghiệp
• Phân loại chúng tôi đưa ra hoàn toàn không thể hiểu được đối với doanh nghiệp
• Doanh nghiệp không tìm được nơi để sử dụng những bức chân dung chúng tôi đã chụp

Điều đó có nghĩa là nó không có giá trị. Điều này không liên quan gì đến việc “mọi người đều đang thực hiện những phân tích này”. Chỉ cần doanh nghiệp của chúng tôi không sử dụng được thì sẽ không được công nhận.

Do đó, nếu bạn muốn nâng cao giá trị của phân tích dữ liệu, bạn không thể "tìm đinh bằng búa". Trước tiên, bạn nên sử dụng một loạt các công cụ "chân dung người dùng, RFM, các khuyến nghị liên quan, dự đoán hành vi" rồi sau đó xem bạn có thể sử dụng ở đâu. Thay vào đó, bạn nên xem xét: "Doanh nghiệp của chúng ta thực sự cần gì?"

Để ý! Bạn không thể chỉ hỏi xem doanh nghiệp cần gì, vì khả năng rất cao là họ cần bạn xem vận mệnh cho họ.

3. Tháo gỡ các vấn đề kinh doanh

Nếu bạn hỏi trực tiếp doanh nghiệp: “Bạn muốn gì?” bạn rất có thể sẽ nghe thấy:

• Tôi muốn dự đoán khối lượng bán sản phẩm vào tháng tới với độ chính xác 100%
• Tôi muốn biết lý do khiến người dùng mất kết nối với độ chính xác 100%
• Tôi muốn dự đoán số lượng người tham gia một sự kiện với độ chính xác 100%
• Tôi muốn chính xác 100% trong việc xác định những gì người dùng muốn

Cuối cùng, họ thậm chí có thể lịch sự nói với bạn rằng: "Nếu tôi không thể làm được 100% thì 98% cũng được. Đừng lo lắng về điều đó".

Nếu chúng ta thực sự sử dụng yêu cầu này để làm thì chắc chắn chúng ta sẽ không thể làm được. Tại sao? Bởi vì doanh số bán sản phẩm, tỷ lệ người dùng rời bỏ và nhu cầu của người dùng đều là những kết quả toàn diện chịu ảnh hưởng bởi các phương tiện kinh doanh. Ví dụ, ban đầu người dùng không muốn mua, nhưng doanh nghiệp đã gửi phiếu giảm giá và người dùng lại muốn mua. Ở thời điểm này, trước tiên bạn phải biết liệu doanh nghiệp có phát hành phiếu giảm giá hay không và phát hành bao nhiêu phiếu giảm giá để có thể dự đoán kết quả.

Điều này có nghĩa là ngay cả khi bạn có thể lập mô hình và dự đoán, trước tiên bạn phải biết: "Phương tiện kinh doanh là gì?" Điều này rõ ràng là không phù hợp với yêu cầu kinh doanh. Những người này vẫn đang chờ chúng ta đưa ra dự đoán chính xác 100% rồi hành động dựa trên kết quả dự đoán. Vì vậy, đừng đáp ứng trực tiếp nhu cầu kinh doanh mà hãy chia nhỏ nhu cầu kinh doanh và tìm ra những điểm mà bạn có thể nỗ lực.

Ví dụ, “biết chính xác 100% lý do khiến người dùng mất dịch vụ”, hãy hỏi thêm một câu nữa: Bạn có thể làm gì sau khi biết điều đó?

• Một số người dùng đóng góp rất ít. Nếu họ ra đi, liệu có thực sự đáng để giành lại họ không?
• Một số người dùng không còn nhu cầu sử dụng sản phẩm của chúng tôi nữa. Liệu chúng ta có thực sự cải thiện được sản phẩm của mình không?
• Một số yêu cầu của người dùng xung đột với người dùng hiện tại của công ty chúng tôi. Chúng ta có thực sự muốn làm hài lòng những người này không?
• Một số người dùng chỉ đến đây để nhận đồ miễn phí, chúng ta có thực sự phải đáp ứng họ mà không có sự kiềm chế không?
• …

Kết hợp các kịch bản kinh doanh và phân tích các yêu cầu. Bạn sẽ thấy rằng trong hầu hết các trường hợp, có rất ít điều mà doanh nghiệp có thể làm. Đặc biệt để nâng cao một số chỉ số nhất định trong ngắn hạn, biện pháp khả thi là phát phiếu giảm giá/gửi thông tin, vậy thôi. Những cải tiến lâu dài có liên quan chặt chẽ đến kế hoạch kinh doanh tổng thể. Do đó, bằng cách tập trung vào những gì doanh nghiệp có thể làm, chúng ta có thể đảm bảo rằng dữ liệu có thể được doanh nghiệp sử dụng.

Một yêu cầu chung ở đây là phân tích các yêu cầu chứ không phải theo những gì doanh nghiệp có thể làm. Thay vào đó, nó chỉ đi vòng quanh ở cấp độ dữ liệu. Ví dụ, để phân tích tình trạng mất người dùng, chúng tôi sẽ lấy ra danh sách tất cả người dùng mất dịch vụ, sau đó đưa vào một loạt kết quả thống kê mô tả như giới tính, độ tuổi, mức tiêu thụ trước đây, v.v. Điều này có vẻ như là rất nhiều dữ liệu, nhưng nó vẫn không liên quan đến các hoạt động kinh doanh. Các chủ doanh nghiệp vẫn còn bối rối sau khi đọc xong và vẫn hỏi: "Vậy thì sao? Vậy tôi có thể làm gì?"

4. Tìm điểm mù kinh doanh

Sau khi phân tích vấn đề, bạn có thể tìm kiếm thêm những điểm mù trong kinh doanh. Việc tìm ra điểm mù trong kinh doanh rất hữu ích để nâng cao giá trị của phân tích dữ liệu. Vì doanh nghiệp không hoàn toàn không biết gì về dữ liệu, đặc biệt là dữ liệu liên quan đến KPI của họ, nên họ thường theo dõi chặt chẽ dữ liệu này. Nếu dữ liệu bạn đưa ra là thứ họ đã biết thì chắc chắn họ sẽ phàn nàn: "Tôi đã biết rồi, phân tích của anh để làm gì?"

Vì thế:

• Kinh doanh không biết gì
• Những gì doanh nghiệp không chắc chắn về
• Doanh nghiệp muốn thử nghiệm những gì?

Đây là nơi giá trị của phân tích dữ liệu có thể được phản ánh tốt nhất

Ví dụ, trong trường hợp mất người dùng, rất có thể phía doanh nghiệp thường xuyên phát hành phiếu giảm giá hàng tháng và đã nắm vững nhiều dữ liệu cơ bản, chẳng hạn như:

• Có bao nhiêu người dùng bị mất mỗi tháng
• Mỗi tháng có bao nhiêu phiếu giảm giá được phát hành để thu hút người dùng?
• Có bao nhiêu kênh được sử dụng để gửi thông báo đẩy mỗi tháng?
• Tỷ lệ chuyển đổi và tỷ lệ thu hồi của từng kênh

Lúc này, nếu bạn nói lại những số liệu này, ngay cả dưới chiêu bài “xây dựng hệ thống chỉ tiêu hoàn chỉnh”, người ta vẫn sẽ chỉ trích bạn là “tôi đã biết từ lâu rồi”. Vì vậy, dựa trên dữ liệu hiện có, chúng ta có thể đi sâu hơn để tìm hiểu: những điều bổ sung mà mọi người muốn biết là gì?

Ở đây, việc có nên sửa đổi các quy tắc hiện hành hay không là một vấn đề quan trọng. Nếu không có thay đổi nào được thực hiện, hãy thực hiện các hoán vị và kết hợp dựa trên các kênh đẩy hiện có, bản sao đẩy và loại phiếu giảm giá đẩy. Tìm phương pháp có tỷ lệ chuyển đổi cao nhất. Nếu bạn muốn thay đổi các quy tắc thì có thể làm gì về mặt kinh doanh? Ví dụ, tăng mệnh giá, thay đổi thời gian đẩy thông tin, thay đổi phương thức đẩy (như dựa trên sự phân chia của người dùng), thay đổi nội dung đẩy (như không đẩy phiếu giảm giá mà đẩy sản phẩm bán chạy).

Việc có nên sửa đổi hay không phụ thuộc chặt chẽ vào doanh nghiệp. Bởi vì nhiều khi doanh nghiệp không có thẩm quyền thay đổi chiến lược, chiến lược đã được ông chủ đề ra và chỉ có thể thực hiện những điều chỉnh nhỏ. Đôi khi, doanh nghiệp muốn thay đổi chiến lược và trong trường hợp này, cần có lượng lớn dữ liệu hỗ trợ. Trước tiên, cần phải hiểu doanh nghiệp muốn thay đổi theo hướng nào.

Ví dụ, phía doanh nghiệp muốn điều chỉnh theo hướng tăng cường sức mạnh của phiếu giảm giá. Ý tưởng phân tích dữ liệu lúc này là:

• Tìm hiểu nhóm nào có nhiều khả năng được thu hồi bằng phiếu giảm giá
• Xác định các phân khúc có giá trị của các nhóm này
• Tính toán mức tiêu thụ trước đây của mọi người và đưa ra khuyến nghị về sức mạnh của phiếu giảm giá

Về nguyên tắc, những tài năng có sức mua đều đáng được thu hồi một cách mạnh mẽ. Những dữ liệu chi tiết này cần được nhấn mạnh khi các ông chủ doanh nghiệp yêu cầu cung cấp nguồn lực để xoa dịu mối quan ngại của họ. Việc cung cấp dữ liệu ở cấp độ này có thể hỗ trợ đáng kể cho các hoạt động kinh doanh và phản ánh giá trị của dữ liệu.

Lưu ý rằng phân tích ở đây vẫn là:

• Phân biệt mức tiêu thụ trước đây của người dùng và tính giá trị người dùng
• Phân biệt mức độ nhạy cảm của người dùng đối với việc thu thập/sử dụng phiếu giảm giá và gắn nhãn họ là “sở thích phiếu giảm giá”
• Phân biệt tỷ lệ phản hồi của người dùng để đẩy thông tin và tìm ra nhóm có phản hồi cao

Nhưng một khi đã rõ ràng rằng “đây là dữ liệu mà doanh nghiệp đặc biệt cần”, dữ liệu này sẽ được cung cấp và mọi người đều công nhận. Thay vì thực hiện RFM một cách bừa bãi (các quy tắc phân khúc chưa được xác nhận với doanh nghiệp) rồi vứt bỏ, doanh nghiệp sẽ bối rối: Vậy thì sao? Vậy tôi có thể làm gì? ? ?

5. Tích lũy kinh nghiệm

Một điều rất quan trọng khác mà phân tích dữ liệu có thể chủ động thực hiện là tích lũy kinh nghiệm xung quanh mục tiêu. Các phòng ban kinh doanh thường tự cho mình là trung tâm và thường bảo vệ các dự án của riêng mình, dễ dàng bỏ qua những trao đổi giữa các dự án khác nhau. Ví dụ, khi nói đến tình trạng mất người dùng, rất có thể những người dùng mất người dùng là người hâm mộ một số sản phẩm nhất định và có nhu cầu mua sắm theo mùa. Họ sẽ không phản hồi các phiếu giảm giá được trung tâm thành viên phân phối một cách bừa bãi, mà sẽ phản hồi các hoạt động do bộ phận sản phẩm thúc đẩy.

Lúc này, bộ phận dữ liệu có thể chủ động thu thập các hoạt động từ nhiều phòng ban khác nhau và hiển thị toàn cảnh về cách các hoạt động khác nhau ảnh hưởng đến người dùng, dựa trên từng người dùng. Loại dữ liệu toàn cảnh này hiếm khi được nhân viên kinh doanh nhìn thấy trong phòng ban của họ và có thể dễ dàng kích thích tư duy kinh doanh. Do đó, bộ phận dữ liệu đặc biệt được khuyến nghị nên chủ động thu thập nhiều hoạt động kinh doanh khác nhau và tích hợp chúng xung quanh cùng một mục tiêu kinh doanh. Đây cũng là một cách phản ánh giá trị.

VI. Bản tóm tắt

Từ những điều trên, chúng ta có thể thấy rằng phân tích dữ liệu phải dựa trên doanh nghiệp và phục vụ cho doanh nghiệp. Đây không phải là lời nói suông mà chỉ có thể đạt được bằng cách kết hợp các kịch bản kinh doanh và nhu cầu kinh doanh cụ thể, thảo luận cụ thể về phạm vi khả thi của doanh nghiệp, phân tích các vấn đề kinh doanh và trả lời từng vấn đề một.

Tác giả: Thầy giáo thực tế Chen

Nguồn: Thầy giáo thực tế Chen (ID: 773891)