今天要和来大家说明一下分析的基本框架要如何展开。这边提供的是一套思考的流程,提醒大家展开分析的过程中你所需要注意的地方。
首先它(分析的需求)会从一个问题开始。这个问题有可能是从业务端、用户端来的反馈,也有可能是你从数据中看出的端倪。
总之,有一个「问题」出现了,而你现在需要去解决它、查看它的原因。
在发现问题後并不是就开始捞数据、着手进行分析,你必须试着拆解它,并理解问题背後所隐藏的假设或现象。
在解决问题之前,你必须先定义问题。
无论是大至公司策略级别的专案还是小至部门周会的例行分析,在分析前千万不要忘记问「为什麽」,明确好此次分析的目的,才可以透过分析得到有力的建议和深刻的洞察。
在定义好问题後,我们可以针对它可能发生的原因进行假设。
由於我们目前不知道问题是如何发生的,因此我们需要先透过推论来进行验证。
提出假设必须具备一定的领域知识基础,以及熟悉各个业务指标之间的关系,如果两者都欠缺的话,推测的方向可能会有很大的错误。
我们可以透过两种方式来协助验证我们所提出的假设:设立实验或是整理过往的数据。
整理过往数据的方式,往往是从业务端或需求端出发的问题,因此我们返回资料库去捞出相关数据来验证我们对於问题所提出的假设。
而设立实验往往会是我们已经从数据中看出了一些问题,为了要验证我们的猜测,我们透过实验的方式来规范蒐集资料的方式,透过新的一批数据来佐证我们的猜测是否正确。
当我们跑完这一整个流程後,我们会得出我们的「结论」,并产出所谓的洞察、发现和对於未来或是下一步的建议。
这些洞察和发现有时候违反直觉,而正是这些违反直觉的发现更加宝贵,也更需要分析师们去解释背後的脉络。(很多符合直觉的原因常常会被业务端呛这我早就知道了,或是被主管说这跟我猜的一样嘛!)
而针对违反直觉的结果,很多时候分析都会停在结果本身,而忽略了解释的重要性(从数据和实验结果看就是这样等等),这也跟「对於资料的解释性」往往需要靠强大的领域知识,或是实际针对商业情境与用户情境去分析和补充有关。不过由於这一点常被疏忽,因此往往建议被主管或是老板采取的可能性也会降低。
当你无法解释数据之间的关系时,建议也会变得更加薄弱。
对於问题追根究柢的好奇心相当的重要!
虽然有时候可能碍於时间上的压力或是资源上的不足而让这次的分析不够完整,但希望大家都尽可能的去理解数据背後的原因,而不仅仅只是单纯停留在数据上的解释而已。
接下来就要进入该怎麽分析的基础-统计学的世界中了~我们明天见!
<<: [Day-03] - Spring Framework Introduction
上篇大概介绍一下我们所运用的js与方法, 今天我们要先来写python api的部分。 (1)首先新...
你是十八般武艺样样精通,还是样样通样样松? 工程师真的很难,会得不多会被问为什麽没学,会得很多还要...
终於到最後一天啦! 在嘉实工作 5 年多来,虽然一直知道公司发展的 XS 是国内程序交易的先驱者,...
回圈有两种语法可以使用,分别是while与for回圈,今天这篇会先来讲到while回圈的部分。 基本...
简介与内容概述 预备知识 (multi-thread) 在探讨同步非同步之前首先要了解何为threa...