讯享网

 <p id="34N8SO82">很多同学雄心勃勃想在工作中做出成绩，这里推荐数据分析的MVP方法，能为大家的工作保驾护航。同学们坐稳扶好，下边开始分享哦。</p><p id="34N8SO83"><strong>01 数据分析的MVP是什么</strong></p><p id="34N8SO84">MVP（Minimum Viable Product）原本是应用于产品设计的方法。指在正式推出产品前，先推出一个版包含核心功能的简单版本，测试用户需求与反馈，从而快速判断产品是否符合市场需求，做出调整。</p><p id="34N8SO85">数据分析的MVP方法，是在数据正式生产出来以前，先根据数据需求和使用场景，提供虚拟的数据结果，从而检验数据有效性，发现真正的数据需求。</p><p id="34N8SO86">这套方法在数据分析领域非常好使！因为它能解决数据分析的核心难题：做了半天，没有屁用。数据分析背后的《统计学》《数学》《运筹学》《博弈论》《机器学习》各种理论多了去了，因此极易引发自嗨。</p><p id="34N8SO87">做数据的自己嗨得不行，各种理论算的腾挪跌宕，到了用户那里：</p><p><ul><li id="34N8SOAP"></p><p id="34N8SO88">“我早知道了！”</p><p></li><li id="34N8SOAQ"></p><p id="34N8SO89">“你做的有啥用！”</p><p></li><li id="34N8SOAR"></p><p id="34N8SO8A">“你做的咋落地！”</p><p></li></ul></p><p id="34N8SO8B">一键三连。这项目就必败无疑了。</p><p id="34N8SO8C">数据分析的MVP方法，目的就是提前梳理清楚：数据如何对业务有用的逻辑，从而避免上述悲剧。而看似牛逼，实则然并卵的数据分析，在现实中多的很……</p><p id="34N8SO8D"><strong>02 1.0版本MVP</strong></p><p id="34N8SO8E">举个简单例子，比如互联网平台-广告销售团队提出：“要建立业务员用户画像，掌握每个业务员的性别、年龄、行为、转化率，以提高业绩”。</p><p id="34N8SO8F">这时候咋办？</p><p id="34N8SO8G">如果用MVP思路，先不要急着去跑数，也不要急着列一大堆“用户画像标准指标”，而是直接拿着业务方提的最初的需求：“性别、年龄、行为、转化率，以提高业绩”直接给一个虚拟结果，然后确认：“如果我真的提供这些东西，你们真的能提高业绩？”——让他确认。</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2024%2F1030%2F505ef7eej00sm570k0039d200qw00fdg00fm008x.jpg&thumbnail=660x&quality=80&type=jpg"/><br/>‍‍‍‍‍<br/></p><p id="34N8SO8I">至少只基于这一句话来看，数据分析能输出的结论是完全无用的。1.0版本的MVP测试不通过，要么放弃这个需求，要么继续想想：该怎么更好的抓用户痛点。这样把数据推向2.0版本。</p><p id="34N8SO8J"><strong>03 2.0版本MVP</strong></p><p id="34N8SO8K">进一步看，1.0版本的问题在于：没有清晰目标。所谓画像指标一大堆，到底看了要干啥没想清楚。如果聚集目标，比如：找到业绩好的业务员。这样就更清晰了一步。</p><p id="34N8SO8L">这里就需要引入更多分析，因为“好”“不好”本身就需要做分析</p><p id="34N8SO8M">1、用什么指标衡量好</p><p id="34N8SO8N">2、连续好，还是单次好</p><p id="34N8SO8O">3、在什么范围内评选好</p><p id="34N8SO8P">在这个阶段，做MVP时，可以直接把一些可预计的，很纠结的问题提前丢出来，和业务方一起提前思考应对方案，而不是等着跑了一大堆数据，自己闷头计算好几轮以后再讨论。越早讨论，越能提前刨累，避免无用功。</p><p id="34N8SO8Q">比如评价：“好/坏”中常见的多指标重叠问题（如下图）。</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2024%2F1030%2Fd36ec53aj00sm570l000id200gt00agg00gt00ag.jpg&thumbnail=660x&quality=80&type=jpg"/><br/></p><p id="34N8SO8S">比如业绩表现不稳定问题（如下图）：</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2024%2F1030%2F741f70f2j00sm570l000hd200gl00cjg00gl00cj.jpg&thumbnail=660x&quality=80&type=jpg"/><br/></p><p id="34N8SO8U">至于和本阶段无关的指标，可以大胆做减法，丢了再说。有新的目标出来，再围绕新的目标组织数据。避免不分青红皂白，先捞一堆数再说的做法——数据分析师不能按时下班，都是被这些破事折腾的。</p><p id="34N8SO8V">把这些梳理清楚，就有了2.0版本的MVP。（如下图）</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2024%2F1030%2F2f87befaj00sm570m003pd200qu00***00fm0092.jpg&thumbnail=660x&quality=80&type=jpg"/><br/></p><p id="34N8SO91">看起来，似乎已经比1.0版清晰了很多，删减了很多无效指标，聚焦到一个明确的目标上。注意，这时候仍然还没有跑任何数据，只是基于经验的虚拟，但是已经能把“早就知道了”的数据暴露出来，并且能过滤掉“其实没啥用”的指标，并且把可能有歧义的地方以具体案例的形式具体讨论，从而极大规避问题。</p><p id="34N8SO92">但是注意，这还不是一个合格的MVP，因为知道谁好谁坏，又能怎样？知道李四是真的好了，大家就能成为李四吗？还是根本李四是不可复制的，我得找更多类似李四的人进来？这些问题都没有答案。所以此时还是无法直接得出：这数据就能提高业绩。MVP测试不通过，继续！</p><p id="34N8SO93"><strong>04 3.0版本MVP</strong></p><p id="34N8SO94">只告诉谁好，谁不好是不能提升业绩的。业绩是一线做出来的，一线需要的是SOP，是弹药，因此数据要进一步做，比如：</p><p id="34N8SO95">1、优秀标杆的数据指标（呼叫次数？时间分配？跟进机会？）</p><p id="34N8SO96">2、优秀标杆的目标客户（是否特定客户容易成功？）</p><p id="34N8SO97">3、优秀标杆的销售技巧（用哪些话术？利用哪些物料/活动？）</p><p id="34N8SO98">注意，这里已经不仅仅是数据的范畴了，数据只能打标签，列指标。但话术、语气、时机把握是需要培训/业务部门提供的。因此在此阶段做MVP的时候，可以直接向业务部门明确：是否只输出数据就能满足需求。如果不能，趁早拉其他部门一起干活，不要自己埋头别憋数据。</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2024%2F1030%2Fj00sm570m004kd200r200fjg00fn008z.jpg&thumbnail=660x&quality=80&type=jpg"/><br/></p><p id="34N8SO9A"><strong>05 4.0版本MVP</strong></p><p id="34N8SO9B">看起来3.0版本已经很厉害了。然而有个隐藏的BUG，就是别人有没有可能学会。注意，这个不可知，会极大的阻碍业务认可数据分析的结果——落地不见效，到底是因为数据分析结论错了，还是执行没到位？这个可得提前安排明白，不然事后背锅分分钟的事。</p><p id="34N8SO9C">因此，还需要在现在版本基础上，增加测试环节，检验到底有没有用。</p><p id="34N8SO9D">这样，又涉及到：</p><p id="34N8SO9E">1、选多大范围进行测试</p><p id="34N8SO9F">2、测试时间周期多长</p><p id="34N8SO9G">3、如何排除节假日、活动等其他因素</p><p id="34N8SO9H">4、测试结果认证标准</p><p id="34N8SO9I">把这些想清楚了，就有4.0版本。</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2024%2F1030%2F5575b78bj00sm570o005wd200so00fwg00fm008n.jpg&thumbnail=660x&quality=80&type=jpg"/><br/></p><p id="34N8SO9K">在这个阶段，终于能将数据需求，指向一个业务期望的“提升业绩”的结果了。并且最终结果有测试数据回收验证，即使测试不成立，也有备用方案垫底。这时候可以放心大胆去跑数，跑出来一定有用。</p><p id="34N8SO9L"><strong>06 MVP测试的广泛应用</strong></p><p id="34N8SO9M">注意，MVP测试，是紧密围绕用户需求的。上边的例子之所以做了好几个版本，源头上是因为用户期望值高，指望直接见业绩。如果用户期望值不高，MVP测试可以很简单。</p><p id="34N8SO9N">比如：</p><p><ul><li id="34N8SOAS"></p><p id="34N8SO9O">用户需求是：目前没有数据→ 尽快提供数据</p><p></li><li id="34N8SOAT"></p><p id="34N8SO9P">用户需求是：目前数据太多→ 删掉无用指标</p><p></li><li id="34N8SOAU"></p><p id="34N8SO9Q">用户需求是：目标数据太乱→ 重新整理逻辑</p><p></li><li id="34N8SOAV"></p><p id="34N8SO9R">用户需求是：不清楚问题在哪→ 输出可量化的问题点</p><p></li></ul></p><p id="34N8SO9S">这些只要提前虚拟个数据，做个图确认下需求，就能解决</p><p id="34N8SO9T">稍微复杂一点的，比如用户需求是：精准预测销量，可能只要梳理两三步，就能更细化范围，提升有用程度（如下图）。</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2024%2F1030%2Feeb2e4f0j00sm570p005xd200qo00j1g00fm00b5.jpg&thumbnail=660x&quality=80&type=jpg"/><br/></p><p id="34N8SO9V"><strong>07 为什么要推MVP方法</strong></p><p id="34N8SOA0">数据分析领域，一直有一个八爪鱼派在流行，就是不管有没有用，不管有没逻辑，像一只八爪鱼一样丢一大堆指标过来（如下图）</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2024%2F1030%2Fd37f6f2cj00sm570p006rd200h600atg00h600at.jpg&thumbnail=660x&quality=80&type=jpg"/><br/></p><p id="34N8SOA2">这种做法，张牙舞爪，看着厉害，可是实际上却是项目失败的根源。让做数据的人误以为工作就是做作业，不考虑实际效果，一味贪大求多，最后累得半死还不讨好。</p><p id="34N8SOA3">相比之下，做到下面几点，才能更快地积累分析经验，让数据更好发挥作用。</p><p><ul><li id="34N8SOB0"></p><p id="34N8SOA4">多研究业务数据的基本形态</p><p></li><li id="34N8SOB1"></p><p id="34N8SOA5">多发现业务对数据实际需求</p><p></li><li id="34N8SOB2"></p><p id="34N8SOA6">多测试数据有用的点</p><p></li><li id="34N8SOB3"></p><p id="34N8SOA7">剔除无用的，空洞的，高大全的指标‍</p><p></li></ul></p><p id="34N8SOAE">来源 | 接地气的陈老师（ID：gh_abf29df6ada8）</p><p id="34N8SOAF">作者 | 接地气的陈老师 ；编辑 | 荔枝</p><p id="34N8SOAG">内容仅代表作者独立观点，不代表早读课立场</p>