詳細かつ包括的: データアナリストの成長戦略

データ アナリストは、キャリア パスにおいて、膨大なデータ収集作業、リーダーシップの指導の欠如、ビジネス分野への不慣れ、頻繁なレポート作成の必要性と高い品質要件など、さまざまな課題に直面することがよくあります。この記事では、これらの課題を詳細に検討し、アナリストが問題解決の手順を明確にし、データ指標システムを整理し、問題の診断ロジックを確立し、ビジネス行動の有効性を測定するのに役立つ一連の実用的なソリューションを提供します。

日々のデータ収集に忙しいこと、リーダーシップの指導が不足していること、ビジネスに不慣れであることは、データ アナリストの成長を妨げる 3 つの大きな障害です。これに、レポートの提出を迫られ、さらに深みがないという理由でレポートが却下されたら、まるで雷に打たれたような気分です。最も典型的な例は、さまざまな困難に遭遇したこのスターの友人です。

この問題は非常に典型的なので、今日は行き詰まりを打破するためのアイデアを具体的に共有し、同様の問題を抱えている学生が参考にできるようにします。

1. 問題解決の手順を明確にする

データ分析によってビジネス上の問題を解決するための固定された手順があります。

ステップ1: ビジネスプロセスに基づいてデータインジケーターシステムを整理する

ステップ2: 指標システムに基づいて事業開発における問題を診断する

ステップ3: 問題診断に基づいてビジネスアクションの有効性を分析する

したがって、新しい環境に到着したときは、まずビジネス プロセスを理解し、指標システムを整理することが最初のステップになります。この学生のように、彼が書き留めた指標は非常に散在しており、重要性の順序を判断するのは困難でした。これが問題を解決するための第一歩です。

2. データインジケーターシステムの整理

指標「システム」と呼ばれる理由は、指標が散らばっていると問題が見えにくくなり、指標を論理的に整理する必要があるためです。一般的な組織の種類には、並列型、全体固有型、ファネル型の 3 つがあります。この学生は主にtoB営業に従事しているため、合計スコア方式を使用するのが適しています。まず、GMV、平均注文額、頻度、粗利益、純利益の関係を整理します（下図参照）。

その後、新規顧客訪問プロセス/既存顧客注文プロセスを組み合わせて、販売プロセス指標を明確にすることができます（下図参照）。

データ指標システムも分類ディメンションと調整する必要があります。販売指標システムでは、一般的に人（顧客）、商品（商品）、場所（販売チャネル）を分類の次元として使用します。

これにより、インジケーター システムの骨組みが構築され、ビジネス プロセスの詳細に基づいて変更したり、診断分析に使用したりできるようになります。このステップは基本的な作業です。まずビジネス シナリオを理解し、指標間の関係を明確にする必要があります。そうしないと、他のすべてが困難になります。

3. 問題診断ロジックを確立する

データインジケーターシステムを使用すると、問題を簡単に診断できます。一般的に、問題を診断するロジックは、「遠くから近くへ、大きいものから小さいものへ」という原則に従って構築されます。

1. 通常の営業サイクルに準拠しているかどうか（誤報を除く）

2. 衰退が続くかどうか（衰退の原因から始める）

3. 顧客数が減ったのか、注文量が減ったのか？ （ドリルダウン）

4. 大口顧客が減っているのか、それとも個人顧客が減っているのか? （人間の次元）

5. 季節の新鮮な農産物が減ったからでしょうか、それとも外貨（商品の次元）が減ったからでしょうか？

6. 営業展開が少ないからでしょうか、それとも独立受注（フィールドディメンション）が少ないからでしょうか？

このステップでは、質問 1、2、3 を分ける必要はありません。全体的な指標を見るだけでよいので、すぐに始めることができます。質問4、5、6はさらに厄介です。まず、データを分割して何度も観察する必要があります。第二に、問題は時点によって異なる可能性があるため、分割ディメンションは月ごとに変更する必要があります。 3番目に、データの解釈を容易にするためにビジネスラベルを蓄積する必要があります。

このプロセスには分析経験の蓄積と継続的な試行が必要となるため、多くの時間がかかる可能性があります。蓄積が増えるにつれて、データアナリストも業界でますます経験を積むことになります。

4. ビジネス活動の有効性の測定

「販売業者が頻繁に購入するカテゴリを選択し、価格を上げる」ことは、企業が業績を向上させるために行うアクションです。特定のビジネスアクションのこのような分析では、まず分析仮説を提案する必要があり、これにより結論を導き出すことが容易になります。

たとえば、価格を上げるとパフォーマンスが向上する可能性があります。最良の場合、選ばれる製品は、小さな青いドラゴンフルーツやチェリーなど、高級で高品質の非標準製品です。顧客が価格を横並びで比較するのは困難です。また、商品の品質が良いため、価格に対してそれほど敏感ではなく、値上げも受け入れることができます。

最悪の場合、選択される製品は、米、小麦粉、油、卵など、品質の差別化がほとんどない一般的な標準製品です。 「ああ、市場価格よりずっと高いですね！」とわかると、お客様はすぐに逃げてしまいます。

分析を行う場合、上記の仮定は次のように表現できます。

データが出てきたら、結果を直接観察するだけです。

1. キャンペーン開​​始後、全体的なパフォーマンスは向上しましたか (成功)、それとも同じままか低下しましたか (失敗)?

2. 活動によって刺激された製品のうち、価格感度が高い製品（失敗）と低い製品（成功）はどれか

3. 活動に参加した顧客は、全体的な消費を減らしたか（失敗）、それとも価格を上げずに製品の購入に切り替えたか（失敗）？

イベントの効果を評価するのは比較的簡単です。データ アナリストとして、イベントの目標と、イベントがその目標をどのように達成するかというビジネス ロジックを理解できれば、評価結果をすぐに出力できます。これはデータアナリストが優先的に習得すべきスキルです。

しかし、ビジネス部門に「パフォーマンスを向上させるために何ができるでしょうか?」と答えます。より長い期間が必要です。パフォーマンスを向上させる方法は複数あるため、提案を行う前に実践的な知識を身につけ、より多くのビジネス手法を理解する必要があります。このため、データ アナリストは、後で結果を比較できるように、より多くのメモを取り、同じ目標に関するさまざまなビジネス アクションを整理する必要があります。

もちろん、先導するリーダーがいれば、上記のいずれも問題にはなりません。しかし、多くの学生は職場でリーダーシップの指導を受けられず、話し合う相手さえいないため、非常に困難になっています。

著者: 地に足のついた教師チェン

WeChat公式アカウント：地に足のついた陳先生