Résumé des spécifications d'analyse de données

 Spécification structurelle et rédaction

1. Structure claire et priorités claires

Le rapport d'analyse des données doit avoir une structure claire, ce qui peut réduire le coût de lecture et faciliter la transmission de l'information. Bien que différents types de rapports d'analyse aient leurs méthodes de présentation applicables, en général, en tant que type de document argumentatif, la plupart des rapports d'analyse appliquent toujours la structure  total- point- ( total ) .

Il est recommandé d'apprendre le principe de la pyramide, l'idée centrale est claire, la conclusion est première, ce qui précède est unifié, classé en groupes, et logiquement progressif. La structure du texte doit être importante d'abord, puis secondaire, la situation générale d'abord, puis les détails, la conclusion d'abord, puis la raison, et le résultat d'abord, puis le processus. Pour le contenu moins important, arrêtez-vous à la fin et jetez les choses triviales qui ne sont pas liées au thème.

2. La conclusion principale vient en premier, avec la logique et la base

La conclusion recherche le raffinement mais pas l'excès. Dans la plupart des cas, l'analyse des données consiste à trouver des problèmes.Si un rapport d'analyse peut avoir l'une des conclusions les plus importantes, il a atteint son objectif. Des conclusions simplifiées peuvent faire baisser le seuil de lecture du lecteur, au contraire, 100troplourdes et problématiques= 0. Le rapport doit donner des réponses claires et des conclusions claires sur le contexte et le but de l'analyse

La conclusion de l'analyse doit être basée sur un processus rigoureux et rigoureux d'analyse et de dérivation des données. Essayez de ne pas avoir de conclusions spéculatives .Une conclusion trop subjective perdra de sa force de persuasion. Une conclusion dont vous n'êtes pas sûr de vous ne doit pas induire les autres en erreur. dans le rapport.

Mais en réalité, certaines suppositions raisonnables ne peuvent pas être vérifiées intuitivement et réalisables. Lorsque vous donnez une conclusion spéculative, elle doit être basée sur une base raisonnable et partiellement vérifiée, et la conclusion doit être donnée avec prudence et expliquée comme une supposition. Si les conditions le permettent, cela peut être démontré par des recherches / retours d'entretiens.

N'ayez pas peur des  " mauvaises conclusions "  . Sur la base de données précises et d'une dérivation raisonnable, découvrir des problèmes de produit ou d'entreprise et toucher directement les points faibles est en fait une grande valeur de l'analyse des données.

3. Combiné avec des affaires réelles, des suggestions raisonnables

Sur la base de la conclusion de l'analyse, il doit y avoir des suggestions ciblées ou des solutions détaillées, alors comment rédiger des suggestions ?

Tout d'abord, déterminez qui conseiller. Différents objets cibles sont situés dans des positions différentes et ils examinent les problèmes sous différents angles. Par exemple, les responsables de haut niveau accordent plus d'attention à la direction. Les rapports d'analyse doivent fournir des informations approfondies sur l'entreprise et souligner les opportunités potentielles. Les cadres intermédiaires et les employés se concentrent sur des stratégies spécifiques. Sur la base des conclusions de l'analyse, ils peuvent adopter des mesures spécifiques pour améliorer la situation.

Deuxièmement, il est nécessaire de faire des suggestions en fonction de la situation réelle de l'entreprise. Bien que la suggestion soit basée sur l'analyse des données, il est facile d'être limité si elle n'est considérée que du point de vue des données, ou même de tomber dans le malentendu de quitter l'entreprise et d'ignorer l'environnement de l'industrie, ce qui a pour résultat qu'il vaut mieux sans parler de la suggestion. Par conséquent, les suggestions doivent être basées sur une compréhension approfondie de l'entreprise et une prise en compte complète de la situation réelle.

Pour aller plus loin, si vous pouvez donner les avantages après la mise en œuvre de cette suggestion, combien la conversion des commandes sera augmentée, combien la transaction sera augmentée et combien de coûts peuvent être économisés, etc., les points de valeur sera directement transmis aux lecteurs.

Ce qui précède a mentionné les principes de rédaction du rapport. Par exemple, reportez-vous à iResearch, "Retention and Future - Internet Development Trend Report Behind the Epidemic":

Conseils : Essayez de rédiger le rapport d'analyse du point de vue du lecteur, le contenu est facile à comprendre et le langage est standardisé et prudent. Si la cible du rapport n'est pas un expert dans le domaine, évitez d'utiliser trop de mots et de phrases obscurs. Parallèlement, la terminologie utilisée dans le rapport doit être standardisée et conforme aux normes établies (telles que les spécifications des indicateurs de l'entreprise) et termes reconnus par l'industrie.

 Utilisation des données et graphiques

L'analyse des données est souvent composée à 80 % de traitement de données et à 20 % d'analyse. La plupart du temps, la collecte et le traitement des données vont en effet prendre beaucoup de temps, et finalement analyser sur la base de données correctes.Comme tout est pour trouver la bonne conclusion, il est extrêmement important de s'assurer que les données sont exactes, sinon tout les efforts tromperont les autres.

1. L'analyse doit être basée sur des sources de données fiables

Pour identifier la fiabilité des informations / données, il existe principalement quatre méthodes : la comparaison similaire, la comparaison étroite / large, la comparaison liée et l'absurdité déductive.

• Comparaison similaire : comparer des informations de calibre identique ou similaire, mais de sources différentes.
• Exemple : Le plus courant consiste à contrôler et à vérifier les données de fin de course et les données de rapport.

• Contraste étroit / large : En contrastant avec des informations dans un sens plus large (contenu) ou plus étroit (contenu).
• Exemple : En comparant les ventes des catégories 3Cavec les ventes totales du centre commercial,il est évidemment faux que les ventes de3C3C ;l'UV/canauxest également similaire à l'UVtotaldel'APP 

• Comparaison pertinente : en comparant avec des informations pertinentes et pertinentes.
• Exemple : Pour le taux de rétention Dnd'une certaine plate-forme, pour une même date de référence,le taux de rétention D60doit être inférieur auD30. S'il est supérieur à cela, il s'agit d'une donnée erronée.

• Déduction jusqu'à l'absurdité : déduire le résultat par une déduction approfondie des preuves existantes et juger si le résultat est raisonnable.
• Exemple : Par exemple, le prix unitaire des ventes sur une certaine plate-forme est2 000, et les ventes totales sont100millions ; le nombre calculé d'utilisateurs commerciaux le jour est100 000, et en multipliant par le prix unitaire des clients, le Le volume des ventes du jourde 200millions, ce qui ne correspond évidemment pas au volume d'affaires.

Conseils : Les méthodologies ci-dessus sont couramment utilisées. L'essentiel est d'avoir une compréhension suffisante de l'entreprise et une compréhension claire des données des indicateurs clés ,de sorte que le jugement de l'exactitude des données sera une évidence. À cet égard, il est suggéré d'observer quotidiennement les données de l'activité principale, d'analyser les raisons des fluctuations et de cultiver la compréhension de l'entreprise et la sensibilité des données.

2. Essayez d'améliorer graphiquement la lisibilité

L'utilisation de graphiques au lieu d'un grand nombre de nombres empilés aidera les lecteurs à voir les problèmes et les conclusions plus clairement et intuitivement.Bien sûr, il ne devrait pas y avoir trop de graphiques, trop de graphiques rendront également les gens désorientés.

Rendre le diagramme complet Un diagramme doit contenir des éléments complets pour que les lecteurs puissent le comprendre d'un coup d'œil. Les éléments de graphique tels que le titre, la légende, les unités, les notes de bas de page et les sources de données sont comme les organes internes d'un graphique.

Soyez conscient des règles et règlements.

• Tout d'abord, évitez de générer des diagrammes sans signification. Le seul critère pour décider de faire une image est de savoir si elle peut vous aider à exprimer efficacement des informations.
• Deuxièmement, ne cassez pas le tableau. Il est préférable qu'un graphique reflète un point de vue, souligne les points clés et permette aux lecteurs de saisir rapidement l'idée centrale.
• Troisièmement, ne choisissez que les bons , pas les compliqués.
• Quatrièmement, un titre d'une phrase.

• Graphique linéaire : le type de ligne sélectionné doit être relativement épais, généralement pas plus de 5 lignes , aucune étiquette inclinée n'est utilisée et l'échelle de l'axe vertical commence généralement à partir de0. Le style de ligne des valeurs prédites est remplacé par une ligne pointillée .
• Diagramme à colonnes : utilisez la même couleur pour la même série de données. Sans étiquettes inclinées, l'axe vertical commence normalement à0. De manière générale, il est préférable d'ajouter des étiquettes de données aux histogrammes. Si des étiquettes de données sont ajoutées, les lignes d'échelle verticales et les lignes de grille peuvent être supprimées.
• Diagramme à barres : utilisez la même couleur pour la même série de données. Au lieu d'utiliser des étiquettes inclinées, il est préférable d'ajouter des étiquettes de données et d'essayer d'organiser les données de grande à petite pour une lecture facile.
• Graphique à secteurs : il existe relativement peu de scénarios d'utilisation des graphiques à secteurs. Si vous souhaitez l'utiliser, veuillez prêter attention aux points suivants : organisez les données à partir de la position12 heures et les composants les plus importants sont proches de la position 12 heures. position de l'horloge. N'ayez pas trop d'éléments de données, limitez-les à 6 éléments etn'utilisez pas de séparation explosive des graphiques à secteurs. Cependant, vous pouvez séparer un certain secteur, à condition que vous souhaitiez mettre en valeur ce secteur. Les graphiques à secteurs n'utilisent pas de légende. Aucun3Dn'est utilisé. Lorsque le secteur est rempli de couleur, il est recommandé d'utiliser une ligne de bordure blanche, qui a un meilleur sens de la coupe.

• Méfiez-vous des graphiques menteurs

• Croissance bluffante : les gens aiment étudier la tendance de développement d'une ligne, telle que la tendance à la croissance du marché boursier, des prix de l'immobilier et des ventes. Parfois, afin d'attirer les lecteurs, la tendance est délibérément exagérée. Comme le montre la figure 1, le taux de croissance est exagéré en tronquant l'axe, de la figure2Voir la croissance est lente.

• Camouflage de l'effet 3D : les graphiques 3Dsont faciles à provoquer une déviation visuelle. Comme le montre la figure1il y auneffet 3D. Il semble que A-> B-> C-> D-> Eaugmente dans l'ordre, mais en réalitéD >E. Faites très attention au camouflage de la carte.

Erreurs courantes d'analyse de données

« Parler avec des données » est devenu un mot à la mode.

Dans l'esprit de nombreuses personnes, les données représentent la science, et la science signifie la vérité. « Les données ne mentent pas » est devenu un mantra commun pour persuader les autres. Est-ce vraiment le cas ? Parlons de ces mythes communs.

1. Le sophisme de la variable de contrôle

Lors des tests A/B , les variables ne sont pas bien contrôlées, ce qui fait que les résultats des tests ne reflètent pas les résultats expérimentaux. Ou lorsque l'on compare des données, les deux indicateurs ne sont pas comparables. Par exemple, afin de tester l'impact de différents moments marketing sur la prochaine conversion, mais l'expérience A a utilisé le marketing par SMS, l'expérience B a utilisé le télémarketing et n'a pas contrôlé les variables (méthodes de marketing), ce qui a rendu l'expérience incapable de tirer des conclusions.

2. Exemple d'erreur

• Taille d'échantillon insuffisante

L'une des pierres angulaires de la théorie de base de la statistique est la loi des grands nombres , qui ne peut refléter des lois spécifiques que lorsque la quantité de données atteint un certain niveau. Si la taille de l'échantillon est extrêmement petite, il est recommandé de prolonger le délai pour obtenir un nombre suffisant d'échantillons. Ou supprimez les qualifications sans importance et augmentez le nombre d'échantillons.

• Présence d'un biais de sélection ou d'un biais de survie

Une autre pierre angulaire des statistiques est le théorème central limite . Une description simple est que dans l'échantillon global, la valeur moyenne de tout échantillon de groupe entourera la valeur moyenne globale de ce groupe.

Par exemple, pendant la période de mise à niveau de l'application, mesurez le nombre d'utilisateurs connectés, le nombre d'utilisateurs de transactions et d'autres indicateurs pour déterminer si les utilisateurs préfèrent la nouvelle version à l'ancienne. Cela semble très raisonnable, mais il y a en fait un biais sélectif caché ici, car lorsqu'une nouvelle version est publiée, le premier groupe d'utilisateurs qui mettent à niveau sont souvent les utilisateurs les plus actifs. Souvent, ces utilisateurs ont de meilleurs indicateurs, mais cela ne signifie pas que la nouvelle version est plus avancée. bien.

• mélanger des données sales

Ce type de données est relativement destructif et peut conduire à des conclusions erronées. Habituellement, nous utiliserons la méthode de vérification des données pour bloquer les données qui échouent à la vérification. Dans le même temps, lors de l'analyse d'entreprises spécifiques, il est également nécessaire de limiter raisonnablement les données utilisées pour des entreprises spécifiques et de filtrer les valeurs aberrantes anormales pour assurer une meilleure qualité des données.

3. Le sophisme de la pertinence causale

Confondre la corrélation avec la causalité et ignorer les variables médiatrices. Par exemple, quelqu'un a découvert qu'il y avait une corrélation claire entre les ventes de crème glacée et le nombre d'enfants qui se sont noyés dans les rivières et les ruisseaux, alors ils ont ordonné de réduire les ventes de crème glacée. En fait, c'est peut-être simplement parce que ces deux événements se sont produits pendant le temps chaud de l'été. Plus il fait chaud, plus les gens achètent de la crème glacée et le nombre de personnes qui se baignent dans la rivière augmente également de manière significative.

4. Le paradoxe de Simpson

Pour le dire simplement, lorsque deux données de groupe présentant de grandes différences sont additionnées, la partie qui domine dans la comparaison de groupe sera la perdante de l'évaluation globale.

5. Erreur cognitive personnelle

Hypothèses subjectives, expériences en tant que faits, individus dans leur ensemble, caractéristiques dans leur ensemble et vision comme des faits.

Prenons un exemple subjectif : le taux de conversion d' un produit de la page A vers la page B est de 30% , ce qui est directement jugé très faible, et on peut en déduire augmenter à 75% . Cependant, le taux de conversion des produits similaires réels ou des pages de décision sur le comportement des utilisateurs n'est que si élevé et une mauvaise conclusion est tirée.

Les normes sont cruciales, données + normes = jugement. Ce n'est qu'avec du jugement qu'une analyse approfondie peut être effectuée. Trouvez des normes grâce à la comparaison de groupe ( méthode des quadrants, méthode multidimensionnelle, méthode 28, méthode de comparaison ), et trouvez"bons/mauvais"grâce à l'analyse et à la comparaison s'il existe des normes.

Les lois et les théories statistiques ne peuvent pas être fausses, ce sont les personnes qui les utilisent qui font des erreurs. Par conséquent, lorsque nous analysons des données, nous devons être extrêmement prudents. Il est difficile de distinguer les données erronées sous le couvert de la science.