数据分析思维(六)|循环/闭环思维

简介: 数据分析思维(六)|循环/闭环思维

循环/闭环思维

1、概念

在很多的分析场景下,我们需要按照一套流程反复分析,而不是进行一次性的分析,也就是说这套流程的结果会成为该流程的新一次输入,从而形成一个闭环,此时的分析思维我们称之为循环/闭环思维。

常见的闭环思维如下:


  • 业务流程闭环
  • 生命周期闭环
  • 产品功能使用闭环
  • 市场推广策略闭环


本文列举常见的PDCA循环进行该思维的讲解。


2、PDCA循环

概念

PDCA循环法的概念是在管理学中被提出的,该方法的目的就是用于对当前的任务(事物)进行优化,达到精益求精的效果,简单的说就是按照一套标准的流程去不断完善当前的任务,得到最好的解决方案。

PDCA的组成如下:


  • P(Plan)-计划
  • D(D0)-执行
  • C(Check)-检查
  • A(Act)-处理

120.png

流程

PDCA的概念我们不难理解,那作为一个可以应用于很多场景的方法而言,我们应该如何去使用呢,下面通过8个步骤来了解一下一个闭环内的PDCA流程。

image.png

总结

上述的8个步骤不难理解,我们通过一次PDCA循环解决了一个重要问题,接下来的循环就是去解决该问题的分支或者第二重要的问题了,PDCA不会死板的要求我们一定按照某种顺序去解决,当问题有大有小时我们就先解决大问题,当问题有次序关系时,我们就按顺序进行解决即可。

除了PDCA循环之外,其他的闭环场景(产品功能闭环、用户生命周期闭环)等也适用于上述解决问题的思想。


3、举个例子

大家都参加过各大电商每年推出的618、双十一之类的活动,对于这类的运营活动推进我们就可以使用PDCA闭环进行分析,下面举一个简单的运营活动的PDCA闭环分析。


问题


某次运营活动,A公司想要实现1000W的GMV,应该如何设计活动?如何思考?


分析(P)

  • 问题:如何实现1000W的GMV
  • 拆分:公司现GMV来源可分为两部分人群——新用户/老用户
  • 影响因素:新用户(品牌/产品曝光)|老用户(复购能力)
  • 计划:新用户(打广告)|老用户(复购活动)


执行(D)

  • 设计相应的广告及老用户的复购活动进行执行


检查(C)

  • 活动进行一半,新用户完成40%,老用户完成60%


总结(A)

  • 复盘:新用户点击广告的频率不高
  • 调整:提高广告点击率(下一个PDCA)
  • 总结:记录本次问题产生的原因(用作后续活动的经验)


上述的过程就是按照第2节中我们所提出的步骤进行拆分得到的结果,使用PDCA闭环,不难发现我们得到的条理非常清晰,但是也暴露出PDCA循环容易让我们产生惯性思维而缺少一些角度的思考的缺点。总体来说,模型就是一个基础,后续在不同的场景下我们可以进行适当的调整,最终形成属于自己的闭环思维即可。

相关文章
|
2月前
|
数据采集 机器学习/深度学习 数据可视化
|
算法 数据挖掘 大数据
到底什么才是数据分析思维? by彭文华
到底什么才是数据分析思维? by彭文华
|
数据挖掘
数据分析思维(四)|分类/矩阵思维
在进行数据分析工作时,我们往往会涉及到多个核心指标,而对于不同数值核心指标的结合又会产生多种不同的结果,我们将相似结果的内容放到一起进行统一决策就会大大节省数据分析的时间,这种思想我们称之为分类思维
数据分析思维(四)|分类/矩阵思维
|
数据挖掘 Python
数据分析思维(二)|相关思维
相关思维是数据分析中最常见的思维之一,在我们观察指标变化的时候,往往需要观察指标之间的相关关系,比如观察自己身高和体重的变化,这就是一种相关思维的体现。
数据分析思维(二)|相关思维
|
7月前
|
SQL 算法 数据可视化
什么是数据分析思维
什么是数据分析思维
|
数据挖掘 大数据
数据分析的思维有那些?
数据分析的思维有那些?在很多企业中都存在着很大的数据分析问题,如何进行数据分析?数据挖掘的结果要如何展示?企业中各个部门要如何才能最大化的利用数据分析结果?这些一直困扰着企业数据团队。也是咱们大数据需要解决的问题,后续规划的方面
86 2
|
算法 数据挖掘
数据分析思维(七)|漏斗思维
数据分析思维(七)|漏斗思维
数据分析思维(七)|漏斗思维
|
机器学习/深度学习 数据采集 搜索推荐
10种数据分析的模型思维让你“灵光一闪”
推荐10种数据分析思维,让你在工作中带来“灵光一闪”的感觉 本文来源于阿里开发者公众号
580 0
|
机器学习/深度学习 数据采集 存储
数据分析思维|思考问题的25个方式汇总
数据分析思维|思考问题的25个方式汇总
|
数据挖掘
数据分析思维(五)|逻辑树思维
在很多数据分析场景中我们需要梳理分析的逻辑,需要进行指标从大到小的拆分,这时候我们可以顺着影响分析结果的因素进行层层溯源,从而抓住问题的核心。为了有更清晰的逻辑结构,常常采用逻辑树(又称问题树、分解树)进行整体过程的呈现。逻辑树使用层级的结构将每个大问题的所有子问题进行罗列,然后再将子问题的子问题进行罗列,以此类推,当问题不能够被拆分时形成一个完整的逻辑树。
数据分析思维(五)|逻辑树思维