数据分析框架2.0 勤思·平行分析框架
有上过我SQL实战项目课程的同学会知道，这个项目很复杂，因为我在万能三步走的基础上，把分析逻辑拆成了两层：数据层和业务层。
虽然逻辑复杂了，但同学反馈很实用。之前，我们已经分享过一篇基础：分析框架1.0链接。
今天，继续在1.0的基础上升级，介绍落地的分析框架2.0：勤思·平行分析框架。
此外，为了帮助同学更好地理解框架，我在鲸鱼有一场python数据分析项目直播，主题是618活动如何分析。入口详见文末。
勤思·平行分析框架
总 - 明确问题阶段
一般来说，这步要对整体进行分析。目的是为了找出运营中存在的问题或特点，进而提出分析目标，并以此作为接下来进一步分析的目标。
在整体分析到提出目标的过程中，需要有「象限思维」，即按轻重缓急列出问题的重要性排序。这样才能有序地分析，业务才能在有限资源的条件下选择分析结论进行落地实践。
一般来说，需要应用对比分析来判断用户运营结果的好坏，如同比、环比等。
- 数据层要做的是断指标落差
- 业务层要做的是找问题目标
分 - 分析原因阶段
- 数据层要做的是诊症结表象
- 业务层要做的是挖业务原因
总 - 落地建议阶段
- 数据层会产出数据结论
- 业务层要把转成业务建议
案例
淘宝用户行为数据分析项目中，就用了这个平行分析框架。
总 - 明确问题
利用AIPL模型分析用户转化数据。
数据层
得到结果：
业务层
意味着什么呢？
- 「拉新环节 A→I」 部分做得较差，可能拉新完成率较低，值得注意。将该问题列为优先级：重要紧急 P0
- 「收割之客户复购 P→L」 部分做得很好好，可以据此总结业务经验或复购规律，进一步推广应用。将该事项列为优先级：重要不紧急 P1
- 「收割之客户首购 I→P 」部分效果还可以，可以进一步挖掘用户购买转化路径。将该事项列为优先级：不重要不紧急 P2
分 - 分析原因
这一步的起点是上一步的结论。例如优先完成P0的分析：A→I的拉新环节。
我尝试通过人货场分析，解决A认知用户到I兴趣用户行为转化率低的问题。
数据层
「人」的部分主要在于观察用户行为特点，以总结经验。此案例中，因为数据维度有限，对用户A到I高效转化的时间特征进行了分析。
「货」此部分需要对「人货匹配」情况进行分析，进而可针对性地将货品根据会员行为进行调整。
操作：把人群浏览A最多的商品，与收藏加购I最多的商品，做交叉，发现只有5个是共同商品。
「场」广义来说指的是与用户的触点，例如在线下零售业，则是门店; 在线上电商，则是在线店铺、平台、投放渠道等。
查了这段时间的大促节奏，发现分析时间段处于双十二预热时间前夕。
业务层
得到这么多数据结论，它们意味着什么呢？
- 人：为提高转化率，可选择在 浏览值大于3735 且 转化率大于 9.1%的时间段加大投放力度；其中，23点为转化率大于10%，为最佳投放时间
- 货：人货匹配效率低，平台大部分商品为长尾商品，但它们并不能很好地吸引用户兴趣，需要进一步优化商品信息以提升转化率。
- 场：从平台活动周期角度来说，分析时间段正处于大促活动预热前的低潮期，此客观因素也在一定程度上导致转化率低。
总 - 落地建议
数据层
如果从前面的分析过程中，得不到新的洞察，就需要做额外的数据分析。
业务层
通过「人货场」分析，可得以下业务建议：
- 推广部门：优化投放策略，在A→I转化率高的时间点，尤其是23点加大投放力度，提升AI转化率，进而提升整体转化
- 产品部门：针对「人货匹配」效率低的问题，及时处理低转化率商品，总结高转化产品特性，开发新品
- 运营部门：针对「人货匹配」效率低的问题，参考高转化商品描述，优化产品标题、内容描述; 针对大促前低潮期，提出吸引性促销政策，提高此阶段销售