Đây là chín phương pháp tốt nhất để phân tích dữ liệu

Giới thiệu: Tác giả của bài viết này chủ yếu giới thiệu một số phương pháp phân tích dữ liệu, từ những phương pháp cơ bản đến các chỉ số đơn lẻ và dần dần mở rộng sang nhiều chỉ số. Bài viết có ý tưởng rõ ràng và chứa nhiều phương pháp thực tế. Tài liệu này rất đáng đọc đối với những ai muốn mở rộng thêm khả năng phân tích dữ liệu của mình.

"Phương pháp phân tích dữ liệu của bạn là gì?" Cho dù là trong công việc hay trong buổi phỏng vấn, câu hỏi này sẽ làm nhiều sinh viên bối rối. Ôi trời, bạn có thể tìm ra điều đó chỉ bằng cách tính toán mỗi ngày, nhưng phương pháp luận là cái quái gì vậy! Tóm tắt thế nào đây! Hôm nay tôi sẽ giới thiệu cho các bạn chín phương pháp cơ bản, chuyên dùng cho phỏng vấn, báo cáo hiệu suất và khoe khoang!

01 Phương pháp cơ bản là gì

Về bản chất, hầu hết mọi công việc đều liên quan đến dữ liệu và ít nhiều đều yêu cầu một số phương pháp phân tích dữ liệu. Nhưng bản thân dữ liệu cũng có ngưỡng. Nhiều người sợ các lớp toán khi còn đi học, chưa nói đến các lý thuyết phức tạp.

Do đó, phương pháp phân tích dữ liệu cơ bản được gọi là:

• Nó không liên quan đến toán học nâng cao, thống kê, nghiên cứu hoạt động và các nguyên tắc thuật toán.
• Không liên quan đến logic kinh doanh phức tạp hoặc logic suy luận nhân quả
• Không giới hạn ở các kịch bản kinh doanh cụ thể, phổ quát

Nói tóm lại, phương pháp cơ bản là phương pháp mà mọi người đều có thể sử dụng. Dựa trên khái niệm này, chúng tôi đã biên soạn chín phương pháp phân tích cơ bản đơn giản và dễ sử dụng cho bạn.

02 Bắt đầu bằng một chỉ báo

1. Phương pháp phân tích định kỳ

Phương pháp phân tích cơ bản nhất có thể bắt đầu bằng một chỉ số, đó là "phương pháp phân tích theo chu kỳ". Cái gọi là "phương pháp phân tích theo chu kỳ" rất dễ vận hành. Là kéo dài thời gian quan sát một chỉ số để xem liệu nó có mô hình thay đổi theo chu kỳ hay không.

Phương pháp này dễ phân tích nhưng rất thực tế. Bởi vì người mới thường trở thành trò cười vì họ không biết cách đọc những thay đổi theo chu kỳ.

Chẳng hạn như:

"Tôi nhận thấy chỉ số giảm mạnh vào ngày hôm qua" - Hôm qua là cuối tuần, vì vậy nó phải giảm (chu kỳ tự nhiên thay đổi)

“Tôi thấy sản phẩm A bán rất chạy” – Sản phẩm A vừa mới ra mắt nên chắc chắn sẽ bán chạy (vòng đời sản phẩm)

Thông thường, các chỉ số chúng ta xem xét là các chỉ số tổng thể, bao gồm nhiều phần, chẳng hạn như:

Trụ sở chính - Chi nhánh A, Chi nhánh B, Chi nhánh C Tổng doanh số - Sản phẩm A, Sản phẩm B, Sản phẩm C

Do đó, sau khi xem chỉ số tổng thể, bạn có thể chia nhỏ tổng thể theo các thành phần và hiểu được thành phần của từng phần. Đây là phương pháp phân tích cấu trúc (phân tích cấu trúc bên trong của tổng thể).

2. Phương pháp phân tích cấu trúc

Phương pháp phân tích cấu trúc hữu ích trong nhiều trường hợp. Ví dụ, nếu bạn hỏi: "Tại sao hiệu suất lại giảm?" Trả lời: "Vì khu vực XX chưa được làm tốt!" Bằng cách nhìn vào cấu trúc, bạn có thể nhanh chóng tìm ra người chịu trách nhiệm.

3. Phương pháp phân tích phân cấp

Ngoài việc chỉ nhìn vào cấu trúc, mọi người còn thích xếp hạng và phân biệt giữa cấp độ cao, trung bình và thấp. Đây là phương pháp phân tích theo thứ bậc.

Nhiều sinh viên nhầm lẫn giữa phân tầng và cấu trúc. Chỉ cần nhớ hai câu sau:

Cấu trúc tồn tại một cách khách quan, chỉ cần hỏi rõ ràng. Sự phân tầng mang tính chủ quan và bạn cần xác định mức cao và mức thấp.

Ba phương pháp này là cơ bản của cơ bản. Đầu tiên, tất cả đều phân tích một chỉ số và thứ hai, chúng đều dựa trên các tuyên bố thực tế và không yêu cầu bất kỳ tính toán nào. Khi mới đến một công ty hoặc lần đầu tiếp xúc với dữ liệu mới, chúng ta có thể sử dụng ba phương pháp này để thiết lập kiến ​​thức cơ bản.

03 Từ một chỉ số đến hai chỉ số

1. Phương pháp phân tích ma trận

Khi số lượng chỉ số tăng từ một lên hai, phương pháp tốt nhất là phân tích ma trận. Phương pháp phân tích ma trận xây dựng một ma trận phân tích thông qua giao điểm của hai chỉ số và sử dụng giá trị trung bình để cắt ra bốn góc phần tư để phát hiện vấn đề (như thể hiện trong hình bên dưới).

Ưu điểm lớn nhất của phân tích ma trận là trực quan và dễ hiểu. Có thể dễ dàng tìm ra vấn đề khi so sánh chéo hai chỉ số. Đặc biệt khi hai chỉ số này là chỉ số đầu vào/chi phí, hai loại chi phí cao + thu nhập thấp và chi phí thấp + thu nhập cao có thể chỉ ra trực tiếp hướng cải thiện cho doanh nghiệp, do đó tránh được rất nhiều tình trạng "không biết đánh giá tốt xấu".

Nhiều công ty tư vấn thích sử dụng phương pháp này, tương tự như mô hình KANO hoặc Ma trận Boston. Bản chất là tìm ra hai chỉ số đánh giá tốt, xây dựng ma trận bằng cách xây dựng chéo hai chỉ số và phân loại doanh nghiệp. Hiệu quả phân loại rất tốt và được phổ biến rộng rãi.

04 Từ 2 chỉ số đến nhiều chỉ số

Khi có nhiều chỉ số phân tích hơn, nhiệm vụ quan trọng nhất là tìm ra mối quan hệ giữa các chỉ số này. Có hai mối quan hệ điển hình.

1. Kiểu thứ nhất: quan hệ song song

Một số chỉ số độc lập với nhau và là thành phần của các chỉ số ở cấp cao hơn. Ví dụ, chúng ta thường nói: Hiệu suất = Số lượng khách hàng * Tỷ lệ tiêu thụ * Giá trung bình cho khách hàng Trong công thức này

1. Chỉ số chính: hiệu suất
2. Các chỉ số phụ: số lượng khách hàng, tỷ lệ tiêu thụ, giá trị đơn hàng trung bình
3. Số lượng khách hàng, tỷ lệ tiêu thụ và giá trị đơn hàng trung bình không phụ thuộc vào nhau

Tại thời điểm này, số lượng khách hàng, tỷ lệ tiêu thụ và giá trị đơn hàng trung bình là ba chỉ số song song và đều là các chỉ số phụ của hiệu suất.

2. Kiểu thứ hai: mối quan hệ nối tiếp

Một số chỉ số có mối liên hệ với nhau và theo trình tự thời gian. Ví dụ, chúng tôi thường nói: Số lượng người dùng mới đăng ký = số lượt xem quảng cáo * tỷ lệ chuyển đổi trang đích * tỷ lệ chuyển đổi trang đăng ký.

1. Chỉ số chính: Số lượng người dùng mới đăng ký
2. Các chỉ số phụ: số lượt xem quảng cáo, tỷ lệ chuyển đổi trang đích, tỷ lệ chuyển đổi trang đăng ký
3. Người dùng trước tiên phải xem quảng cáo, sau đó nhấp vào quảng cáo để vào trang đích và sau đó hoàn tất đăng ký

Tại thời điểm này, các chỉ số của trang quảng cáo, trang đích và trang đăng ký có mối liên hệ với nhau và người dùng phải thực hiện từng bước.

Hai mối quan hệ này tương ứng với hai phương pháp phân tích cơ bản:

Mối quan hệ song song: phương pháp phân tích chỉ số, bằng cách phân tích chỉ số cấp một, có thể tìm ra vấn đề từ chỉ số cấp hai.

Phương pháp phân tích phễu: Bằng cách quan sát một loạt các quy trình, hiểu được tỷ lệ chuyển đổi của quy trình và tìm ra điểm yếu của tỷ lệ chuyển đổi.

3. Phương pháp phân tích chỉ số

Phương pháp phân tích chỉ số thường được sử dụng nhiều hơn trong phân tích kinh doanh. Để đưa ra một ví dụ đơn giản, một trung tâm thương mại mini có doanh số là 1,5 triệu vào tháng trước và 1,2 triệu vào tháng này. Nếu bạn chỉ nhìn vào kết quả, bạn sẽ không biết gì ngoài việc thiếu 300.000. Nhưng sau khi phân tích các chỉ số, bạn có thể tìm thấy rất nhiều thứ (như được hiển thị bên dưới)

Sau khi phân tích, có thể thấy rằng mặc dù số lượng người dùng đăng ký tăng trong tháng này nhưng tỷ lệ tiêu thụ lại giảm đáng kể, do đó doanh thu cũng thấp hơn. Chúng ta có thể suy nghĩ thêm về cách tăng tỷ lệ tiêu thụ.

4. Phân tích phễu

Phương pháp phân tích phễu được sử dụng phổ biến hơn trong phân tích sản phẩm/khuyến mãi/hoạt động trên Internet vì các sản phẩm Internet có thể ghi lại nhiều dữ liệu người dùng hơn và do đó có thể trình bày toàn bộ quá trình chuyển đổi người dùng để phân tích.

Một ví dụ đơn giản, khi chúng ta thấy một quảng cáo sản phẩm trực tuyến, chúng ta rất quan tâm và nhấp vào đó để mua hàng. Bạn cần trải qua một số bước: trang quảng cáo → trang chi tiết → giỏ hàng → thanh toán. Với mỗi bước bổ sung, một số người dùng sẽ bị mất, giống như một cái phễu vậy.

Tại thời điểm này, bạn có thể sử dụng kênh chuyển đổi để biểu diễn mối quan hệ này một cách trực quan (như được hiển thị bên dưới).

Với kênh chuyển đổi, chúng ta có thể phân tích sâu hơn kênh để hướng dẫn cải thiện hoạt động kinh doanh:

• Liên kết nào bị nhiều người dùng bỏ lỡ nhất và cần cải thiện?
• Hình dạng phễu cho các sản phẩm khác nhau là gì và hình dạng nào phù hợp hơn cho việc quảng cáo?
• Số lượng người dùng bị bỏ lỡ có giảm đi sau khi sửa đổi sản phẩm mới không?

5. Phân tích tương quan

Tất nhiên, có một số chỉ số có thể không có mối quan hệ song song/nối tiếp trực tiếp, nhưng trong thực tế, tôi cũng muốn biết liệu chúng có liên quan hay không, chẳng hạn như:

• Đầu tư quảng cáo và hiệu suất bán hàng
• Mưa, gió và lưu lượng giao thông
• Lượt nhấp chuột và hành vi tiêu dùng của người dùng

Lúc này, bạn cần nắm vững phương pháp phân tích tương quan. Lưu ý: Các chỉ số có thể có mối tương quan với nhau. Có ba dạng tương quan bẩm sinh phổ biến:

• Trong phân tích cấu trúc, mối quan hệ giữa chỉ số tổng thể và chỉ số riêng phần
• Trong phương pháp phân tích chỉ số, mối quan hệ giữa chỉ số chính và các chỉ số phụ
• Trong phương pháp phân tích phễu, mối quan hệ giữa các chỉ số bước trước và bước tiếp theo

Ba tình huống này được gọi là: liên quan trực tiếp . Tương quan trực tiếp không yêu cầu tính toán dữ liệu và mối quan hệ có thể được nhìn thấy rõ ràng thông qua việc sắp xếp chỉ số. Phương pháp phân tích tương quan chủ yếu sử dụng biểu đồ phân tán/hệ số tương quan để tìm ra các mối tương quan tiềm ẩn (như thể hiện bên dưới).

Nhưng xin lưu ý: tương quan không đồng nghĩa với quan hệ nhân quả. Cách diễn giải hệ số tương quan cần phải kết hợp với ý nghĩa kinh doanh cụ thể và bạn không thể rút ra kết luận một cách ngẫu nhiên.

05 Từ chỉ số đến logic kinh doanh

1. Phương pháp phân tích nhãn

Tất cả các phương pháp trên đều dựa trên tính toán chỉ số dữ liệu, nhưng trong thực tế kinh doanh, nhiều mối quan hệ không thể được thể hiện trực tiếp bằng chỉ số dữ liệu.

Ví dụ:

• Các cửa hàng cộng đồng có kinh doanh tốt hơn các cửa hàng trên phố đi bộ không?
• Liệu lưu lượng truy cập miền riêng có chuyển đổi tốt hơn lưu lượng truy cập miền công cộng không?
• Doanh số bán hàng có tốt hơn khi trời gió và mưa so với khi trời quang đãng không?

Lưu lượng truy cập vào các cửa hàng cộng đồng/tên miền riêng/dù mưa hay nắng, rất khó để đo lường chúng bằng một chỉ số dữ liệu duy nhất. Nhưng những yếu tố này vẫn có tác động đến hoạt động kinh doanh. Chúng ta nên phân tích chúng như thế nào? Điều này đòi hỏi phải sử dụng: phương pháp phân tích nhãn.

Để đưa ra một ví dụ đơn giản, ở một tỉnh phía Nam, mưa lớn thường xảy ra vào tháng 8. Mọi người đều nghĩ rằng mưa sẽ ảnh hưởng đến hiệu suất hoạt động của cửa hàng. Vậy làm thế nào để phân tích nó? Theo phương pháp năm bước, chúng ta có thể phân tích các cửa hàng tại tỉnh này như sau:

Vì vậy, chúng ta có thể kết luận rằng mưa ít ảnh hưởng đến hiệu suất và thế là hết.

Lưu ý rằng trong ví dụ trên, các nhãn rất thô sơ, chỉ có hai loại đơn giản: mưa/không mưa. Ngoài mưa, còn có thể có bão, mưa đá, nhiệt độ cao, v.v. Do đó, độ chính xác của việc dán nhãn quyết định độ chính xác của phân tích nhãn. Việc có thể chọn được nhãn phù hợp hay không sẽ kiểm tra sự hiểu biết của nhà phân tích về doanh nghiệp.

Cho đến nay, tổng cộng có tám phương pháp cơ bản đã được giới thiệu. Trong công việc thực tế, người ta thường sử dụng kết hợp nhiều phương pháp. Bởi vì những câu hỏi mà doanh nghiệp đưa ra có thể rất phức tạp và liên quan đến nhiều chỉ số và nhiều nhãn. Đến thời điểm này, có rất nhiều điều cần phải suy nghĩ. Để sắp xếp suy nghĩ của mình, bạn phải sử dụng phương pháp thứ chín: phương pháp MECE.

2. Phương pháp MECE

MECE là viết tắt của (Mutually Exclusived Collectively Exhaustive), ám chỉ nguyên tắc phân loại "độc lập lẫn nhau và hoàn toàn đầy đủ". Bằng cách phân loại các vấn đề theo phương pháp MECE, bạn có thể giải quyết vấn đề một cách rõ ràng và chính xác, giúp việc tìm câu trả lời trở nên dễ dàng hơn.

Phương pháp MECE là ranh giới giữa phân tích cơ bản và phân tích nâng cao, đồng thời cũng là kênh nâng cấp từ cơ bản lên nâng cao. Mọi vấn đề phức tạp cần được phân loại cẩn thận và chia nhỏ thành những vấn đề nhỏ có thể giải quyết được. Cái gọi là mô hình phân tích kinh doanh thực chất là sự phân tích MECE của các vấn đề kinh doanh.

Tất nhiên, một số học viên chắc chắn tò mò: Sau khi thành thạo chín phương pháp này, chúng ta có thể đi sâu hơn như thế nào? Nhìn chung có ba cách để phân tích chuyên sâu.

06 Sau khi nắm vững các phương pháp cơ bản

1. Lộ trình 1: Mô hình phân tích kinh doanh

Mô hình kinh doanh được sử dụng để giải quyết các vấn đề như định nghĩa mơ hồ, dữ liệu kém và nhu cầu hướng dẫn kinh doanh. Ví dụ, doanh nghiệp đang gặp khó khăn:

• Chính xác thì nó có tác dụng gì tốt hơn cho người dùng?
• Làm thế nào chúng ta có thể thúc đẩy doanh số bán hàng?
• Hoạt động này có tác động lớn đến mức nào?

Những câu hỏi này nghe có vẻ đơn giản, nhưng định nghĩa thực sự lại rất mơ hồ. Thế nào được coi là tốt? Nó hoạt động thế nào? Liệu những động lực không cần tiền có thực sự hữu ích không? Nhiều vấn đề khác nhau rất phức tạp và có thể bị lẫn lộn với những suy nghĩ riêng của bộ phận kinh doanh. Do đó, cần phải phân loại cẩn thận logic kinh doanh và đưa ra logic giải quyết vấn đề khả thi.

2. Lộ trình 2: Mô hình phân tích thuật toán

Các mô hình thuật toán được sử dụng để giải quyết các vấn đề có định nghĩa rõ ràng, dữ liệu phong phú và quy trình tính toán phức tạp.

Ví dụ, vấn đề xác định người dùng có giá trị cao đã được xác định rõ ràng trong doanh nghiệp:

• Những chỉ số nào được sử dụng để đo lường giá trị người dùng?
• Tiêu chí nào được sử dụng để đánh giá giá trị của "cao"?
• Dữ liệu phong phú được thu thập (giới tính, độ tuổi, sở thích, sản phẩm liên quan, tương tác, bình luận, v.v.)
• Có một nhóm người dùng "có giá trị cao" được dán nhãn thủ công là mẫu dương tính

Tại thời điểm này, nhiều thuật toán khác nhau có thể được sử dụng để lập mô hình. Mục đích của việc lập mô hình không phải là để tăng chiều sâu phân tích mà là để cải thiện hiệu quả từ phân tích đến ứng dụng kinh doanh. Với khả năng phán đoán mô hình tương đối chính xác, doanh nghiệp có thể tự động kích hoạt các quy tắc tiếp thị thông qua CDP+MA mà không cần phải viết PPT dài mỗi lần.

3. Lộ trình 3: Suy luận thống kê

Phương pháp suy luận thống kê được sử dụng để giải quyết các vấn đề được xác định rõ ràng, không có dữ liệu và đòi hỏi phải thử nghiệm và thu thập dữ liệu.

Ví dụ, để ra mắt phiên bản mới của sản phẩm, doanh nghiệp đã xác định phiên bản mới là tăng thời gian trực tuyến trung bình của người dùng (bài toán trung bình). Bây giờ cần phải thử nghiệm và phải chọn một trong hai phiên bản sơ bộ. Lúc này, chúng ta cần sử dụng phương pháp kiểm định giả thuyết so sánh trung bình quần thể kép.

Tất nhiên, các vấn đề thực tế phức tạp hơn, đòi hỏi phải xem xét nhiều biến kiểm soát, giả định, phát triển hệ thống và kế hoạch thu thập dữ liệu, và không thể chỉ giải quyết được bởi các nhà phân tích.

Tác giả: Thầy giáo thực tế Chen

Nguồn: Tài khoản công khai WeChat "Giáo viên thực tế Trần"