データ分析プロジェクトの 5 つの落とし穴、踏まないようにしてください。

データ分析は現在、ほとんどの企業に必要なスキルです。著者の指示に従って、データ分析プロジェクトの 5 つの落とし穴を回避しましょう。

前回の記事【良いデータ分析プロジェクトを作れるか確認するための5つの質問】では、データ分析プロジェクトについて誰もがある程度理解していることが分かりました。今日は、具体的なシナリオを取り上げ、プロジェクトを成功させる方法を分析します。 5 つの質問は、5 つの大きな落とし穴に対応しています。よく考えて、罠に陥らないようにしてください。

シーンの復元:

インターネット企業の B2B ビジネス開発チームは、主に電話販売を通じて潜在顧客とコンタクトを取っています。発信コール リストの管理は、顧客の会社名と連絡先番号の 2 つのフィールドのみで、混乱を招きます。営業成功率は極めて低く、チーム運営も混乱しています。取引金額のみが記録され、取引の成立やフォローアップに失敗した理由は記録されません。パフォーマンスは悪く、チームの離職率は高く、リーダーは非常に不安を感じています。

質問1（複数選択）

あなたはこの会社のデータアナリストです。この時点で、次のようになります。

A. 月次レポートで成功率が低い理由を慎重に分析し、改善のための提案を20ページにわたって記述します。

B. 月次レポートには数字だけが記載されており、協力について話し合うためにあなたに来るのを待っている

（質問は簡単です、ちょっと考えてみてください）

前回の記事から学んだ後、全員が B を選択しました。はい、このシナリオの問題は、単に混乱したビジネス管理によって引き起こされています。データが役に立つ可能性は低いです。

企業自体がその痛みに気付いていないのに、部外者であるデータアナリストが、などと言っていると、誰も注意を払わないでしょう。だから、このような報われない仕事はしないでください。一歩引いて考えてみると、たとえあなたがそれを実行したとしても、他の人があなたの提案に耳を傾け、より効率的になったとしても、その功績はビジネスだけにあり、あなたの分析とは何の関係もありません。彼らが聞いていたことをどうやって証明しますか?人々はこう言うでしょう。「ずっと前から考えていたよ」とか「言われなくてもわかっていたよ」

したがって、最善の戦略は、彼らがあなたのところに来るのを待って、「営業実績改善プロジェクト」というプロジェクトチームを立ち上げるなどのプロジェクトを立ち上げ、上司に正式に作業を開始するように通知するメールを送信することです。よし、行こう！

質問2（正しいか間違いか）

今、チームリーダーがあなたを見つけて、プロジェクトを開始することを決定します。プロジェクトの目標を「販売成功率の向上」と設定しました。これは正しいでしょうか、それとも間違っていますか?

A. はい

B. 間違い

（質問は簡単です、ちょっと考えてみてください）

これは、分析を行う多くの学生が直面する一般的な問題です。つまり、最終目標を当面の目標として扱うことです。あるいは、ビジネス目標が何であるかをまったく知らない場合もあります。自分の感覚だけで言うと、「私たちはeコマース企業なので、GMVを増やす必要があります」「成長しているので、DAUを計算する必要があります」...

注意: 管理が混乱したり、データが欠落したり、チームが離脱したりする場合、200 行のコードを記述して PPT を作成することでパフォーマンスが向上すると期待するのはまったく非現実的です。したがって、ビジネスリーダーと真剣に話し合い、販売成功率の向上以外に達成できる二次的な目標があるかどうかを調べる必要があります。

例えば：

• 結果を証明し、改善するには時間がかかります。時間を稼ぐ
• 現状では改善が不可能であることを示し、KPIを下げる
• チームを安定させ、兵士の士気を安定させる方法を探る
• 成功のベンチマークをいくつか見つけ、経験をまとめる

実際、ビジネスリーダーがパフォーマンスの低下に遭遇すると、まず最初に考えるのはリソースを求めること、次に考えるのは KPI を調整すること、そして最後に考えるのは事例を見つけることです。 「活動率が低いので、増やす必要があります」というあなたの言葉を、他の人は聞きたくありません。したがって、目標を整理し、主目標と副目標を決定することが非常に重要です。したがって、この質問の答えは B です。

質問3（複数選択）

ここで、第 1 レベルの目標である「販売成功率の向上」を確認します。第 2 レベルの目標: 成功した販売経験を見つける。すぐに誰かが飛び出してこう言いました。「あなたは営業をしたことがないのに、どうやって分析できるんですか!!!」質問: どうすればいいでしょうか?

A. データを通じて最適な販売方法を分析する

B. 理解していないことを認める

（質問は簡単です、ちょっと考えてみてください）

これは、分析*2を行う多くの学生が犯す一般的な間違いです。データから最適な解が直接計算されることを期待することです。このような考え方を持つ学生は、他の学生から「いくつの取引を完了しましたか？」などの質問で打ち負かされることがよくあります。または「できるなら、やってみなさい。」

「どうやってやるの？」という問いに対して、データ分析の役割は最善の解決策を計算することではありません。なぜなら、すべての成功事例には、再現できない独自の利点があるはずだからです。例えば、営業職の場合、生まれつき雄弁で、人に好かれる良いイメージを持っている人がいます。これらを避けることはできません。

データ分析の役割は、特定のケースを分析し、再現可能な部分と再現不可能な部分を区別することです。複製可能な部分を経験に定着させ、複製不可能な機能を抽出し、将来的にさらに類似した機能を探します。

たとえば、地元の美人の売上高が高いことがわかったら、各都市で地元の美人を採用することができます。特別な時間があり、特別なアクションを実行する必要がある場合は、他の人にこの操作をコピーさせます。データ分析は商品を売るのには向いていませんが、経験をまとめたり、特徴を見つけたりするのには向いています。この質問の答えはBです。

質問4（写真の説明）

基本給は月額1,300円、受注1件あたりの手数料は250円です。次の2つの階層のうちどちらが良いでしょうか？

A. 図1

B. 図2

（質問は少し複雑なので、少し考えてみてください）

この質問は、どのように階層化するかについてではなく、ビジネス ニーズに基づいて分類基準を見つけるという基本的な考え方についてです。たとえば、この例では、大きな問題は、チームの深刻な離職率です。一人当たりの注文数が 10 個、8 個、4 個と統計的には差があるかもしれませんが、ビジネス上は違いはありません。営業マンが10ドル稼いでも8ドル稼いでも、1か月の生活費を稼ぐには足りず、結局逃げてしまうのです。しかし、25件の注文で25*250+1300=7550を稼ぐことができ、これは電話営業マンにとってはかなりの額です。

これがデータ分析とデータマイニングの根本的な違いです。私たちは、実際の状況を高い確率でシミュレートするためにデータ モデルを構築します。これにより、一部のデータを処理し、全体的な効果のために、とにかくデータのバッチを仮想的に入力することができます。

データ分析には、ビジネス部門が現在存在しない状況を作り出すように導くことができるというユニークな効果があります。例えば、月収7,500元を稼げる中核人材が20%以上を占めなければチームは安定しないという企業側の考えであれば、既存の給与制度、運営システム、採用プロセスを変更することで現状を打破することができます。したがって、データ分析を行う際には、ビジネスにとってのその指針となる重要性にさらに注意を払い、ビジネスニーズを満たす標準を探すことがよくあります。この質問の答えはBです。

質問5（写真の説明）

上記の図を引き続き使用して、図 B の階層化を使用すると、最初のレイヤーをビジネス ベンチマークとして特定し、詳細な調査を実施できます。

A. できる

B. いいえ

（質問は少し複雑なので、少し考えてみてください）

回答: いいえ。これらの人々の優れたパフォーマンスが持続的なものなのか、それとも一時的なものなのかは不明です。下の図に示すように、1 か月以内に選ばれる可能性のある受賞者には 4 つの異なる傾向があります。

注: 通常、データ取得の便宜上、一度にすべてのデータを取得することはありません。そのため、プロジェクトは個別のケースから普遍的なものへ、単月から 1 年へと推進され、段階的に成果が出力されることがよくあります。一方では、効率性を向上させ、成果が出ないままプロジェクトが長期間遅延するのを防ぐことができます。一方、短期的な緊急事態は解釈が容易です。本当にパターンを見つけたかどうかを知りたい場合は、短期的なものから長期的なものまで拡大する必要があります。

たとえば、この例では、まず 1 か月のパフォーマンスから準ベンチマークを選択し、その安定性を確認します。これにより、より豊かなビジネス上の意味を解釈し、分析の次のステップのための仮説を確立することができます。分析仮説を設定すると、さらに深く掘り下げて詳細な分析を行うことができます。

このトピックは、Chen 先生が社内研修で使用するトピックの 1 つです。元の質問にはそれほど多くのヒントはなく、フィールドは 6 つだけです。

1. 営業担当者ID

2. 顧客の中国語名

3. 顧客連絡先番号

4. 取引は完了しましたか?

5. 取引時間

6. 取引金額

多くの学生はそれを読んで混乱しました。「この分析は一体何だ？何もないよ。」しかし、それはまさに多くの企業の現状を反映しています。 「インターネット企業」と呼ばれているものの、実際の経営は伝統的な企業よりもさらに遅れています。

問題解決の手順から判断すると、目標が適切に設定され、段階的に進んでいく限り、多くの有用な結論を生み出すことができます。最終的に売上が非常にランダムであることがわかったとしても、それは依然としてビジネスにとって大きなサポートとなります。少なくとも、将来的にはできるだけ多くの人を募集し、人海戦術を使うことができます。もちろん、ベンチマークとなる単語のセットを要約できれば、より理想的な結果が得られます。

さらに、すべてのデータが利用できないわけではありません。例えば、実際にベンチマークを選択すると、話し方、顧客との連絡時間、フォローアップの電話の回数などが記録され、補足されます。これらの分析結果に基づいて、システムのアップグレードと変革をさらに推進することができます。システムが改善すれば、業務効率が向上し、データからより多くの分析資料が得られるようになり、誰もが恩恵を受けることができます。

データ収集について触れたところで、「どこから始めればいいのか」という疑問が生じます。

質問6（順序付け）

分析の最初のフェーズの後、企業はベンチマークをコピーする慣行を認識し、データをさらに改善したいと考えました。次のデータはすべてシステム サポートが必要であり、優先順位は次のとおりです。

A. ク​​ローラーを使用して顧客の詳細をクロールする

B. 営業担当者の履歴書をシステムに入力する

C. 営業担当者の業務をCRMに記録する

D. 営業担当者が記入する顧客情報フォームに記入する

（質問は少し複雑なので、少し考えてみてください）

A を最初に置くプログラマーは何人いますか?手を挙げてください、ハハハ。オプション ABCD はすべてシステムを必要としますが、データの取得の難易度、必要なビジネス サポートの程度、データの有用性はそれぞれ異なることに注意してください。

• 履歴書: 最もフォーマット化されており、営業担当者が扱うものではないため、汚染される可能性が最も低いです。
• CRM データ: 販売を介さずに直接操作を記録します。
• 情報シート: 営業担当者を経由する必要があり、サポート管理対策があります。
• クローラー: 可能と思われますが、データ品質の安定性を確保することは困難です (具体的には、この場合、集中的にクロールできる電子商取引の売上やコメントとは異なり、B2B ビジネス データは非常に分散している可能性があります)。

したがって、簡単なものから難しいものへの順序は、B≥C≥D≥A となります。この例を挙げたのは、皆さんに思い出してもらいたいからです。私たちがテクノロジー分野にいるからといって、テクノロジーに執着してはいけません。多くの技術ツールでは、データが汚染されないようにするためのサポート システムが必要です。現時点では、ビジネスと緊密に連携し、テクノロジーの可用性と利便性を考慮する必要があります。データにこだわりすぎて、データ テーブルにフィールドが多すぎるために、ビジネス プロセスを極端に複雑にしてしまう人もいます。その結果、セールスマンは顧客を軽く扱い、結局顧客が傷つくことになるのです。

まとめ

前回の記事では、優れたデータ分析プロジェクトを作成するための 5 つの鍵を挙げました。この記事では、優れたデータ分析プロジェクトを実行する際に陥りやすい 5 つの大きな落とし穴をまとめます。

1. プロジェクトもコンセンサスもなく、データだけ、実装もなし
2. 最高目標をそのままプロジェクト目標として採用すると達成されない
3. モデルを機械的に適用すると、データが不十分なために行き詰まってしまう
4. 一度に実行するには複雑すぎるため、結果を得るまでに長い時間がかかります。
5. 段階的な反復はなく、結果はPPTのみである

これらの落とし穴を避ける鍵は、孤立して作業することを拒否し、ビジネス ニーズを組み合わせ、低レベルから高レベルへと進化することです。このプロセスでは、多くの需要洞察、コミュニケーション、コラボレーションが必要であり、それによってビジネステスト分析結果を最終的に偽りから分離し、真実を促進してビジネスを進化させることができます。

これが、インターネット上の「タイタニック」「ボストンの住宅価格」「あるアメリカのクレジットカード」「毛沢東の映画評」などがプロジェクトとはみなされない理由です。これらのいわゆるインターネットセレブプロジェクトは、単にデータスプレッドシートを実行しているだけです。

さらに、独学の人の多くはこのデータ テーブルを自分で実行せず、コードはインターネットからコピーします。タイピングスキル（および英語の単語を読む能力）以外には、コミュニケーション、需要分析、計画策定、結果テスト、反復的なアップグレード プロセスはありません。これらのインターネット有名人のプロジェクトは「人工知能」や「21日間で転職して年間100万ドルを稼ぐ」などと名付けられているが、それらは彼ら自身の娯楽のためだけのものである。

諺にもあるように、「勇敢な将軍は下級兵の中から生まれ、宰相は県や郡から生まれなければならない」。優れたデータ アナリストは、モデルをいじることから始めるのではなく、データの詳細から企業の問題を​​読み取ることができます。彼は、最も単純なデータに基づいて実行可能な方法を設計し、ビジネスをローエンドからハイエンドにアップグレードするのに役立ちます。これこそが、優れたデータアナリストが実際に行っていることです。

しかし、生徒の中には、「先生、このシナリオはビジネス上の問題点です。解決するには私たちにご相談ください」と言う人もいます。しかし、別のシナリオもあります。企業自体が何を望んでいるのか分かっていないのです。そして彼らは私たちにこう尋ねました。「私たちが知らない、とても重要なことを解釈しなければなりません。」当時はすべてが曖昧で混沌としていました。どうすればいいですか？

著者: 地に足のついた教師 陳; WeChat公式アカウント：地に足のついた陳先生