《发现问题，澄清目标》读书笔记

将你的目标，拆解到对业务有意义的最小单位时间。当大目标被拆解为小目标之后，接下来就是要寻找达成目标的关键。《发现问题，澄清目标》这本书让我深刻认识到了“发现问题”与“澄清目标”的重要性。在今后的工作和生活中，我将努力培养自己的观察能力和思考能力，不断发现问题并澄清目标。我相信只有这样才能不断推动自己向更高的目标迈进！

数据解决问题三大关键要素

• 发现问题：利用数据分析方法找到关键问题。 如对比分析法，维度拆解法，漏斗分析法，相关分析法
  • 此项最为重要
• 数据处理：利用函数，高效收集和处理数据
• 呈现结论：可视化汇报的技巧，提升影响力
• 只有清楚自己的目标，才能做好选择， 否则不论你怎么分析，都无法找到合适的解决方案
• SMART原则
  • 在xx时间内通过xx方法以达到xx目标
  • Specific 特定的 如：减肥塑形
  • Measurable 可衡量的 如：减重10斤
  • Action Oriented 行动导向 如：通过锻炼，健康饮食
  • Relevant 有关的 如：有关联的
  • Time bound 有时间限制的 如：在三个月时间内
  • 加餐知识点
• 当大目标被拆解为小目标之后，接下来就是要寻找达成目标的关键。
  • 加法：销售额=老用户销售额+新用户销售额（常用）
  • 乘法：销售额=订单量*平均订单金额（常用）
  • 除法：销售转化率=购买产品的用户数/浏览商品页面的用户数*100%
  • 减法：利润=收入-支出
  • 公式拆解：利用加减乘除的方法，找到达成目标的关键指标
  • 对于不能直接找到对应的计算公式的目标：使用脑图法找关键要素，对这些关键要素进行量化，确定关键指标。
    • 脑图法
• 将你的目标，拆解到对业务有意义的最小单位时间。
  • 从产生行动到获得反馈的最短时间
• 四个关键步骤
  • 拆时间：将月度的目标拆解到周，将周的目标拆解成天
  • 找要素：拆解小目标，找到达成目标的关键要素：如：成交金额=订单量*平均客单价
  • 跟数据：在执行的过程中，随时跟进目标的相关数据
  • 调行动：在跟进数据的过程中，根据原定目标，及时调整行动策略
• 看起来复杂的问题，都可以通过数据分析思维，拆分成一个个小目标，逐一突破！
  • 当大目标被拆解成小目标后，接下来就是要寻找达成目标的突破口
• 学会拆解，挑战不可能的目标
• 三个步骤
  • 围绕财务和客户这两个角度，找到1-2个关键目标
  • 计算这两个指标的现状数据，并设定一个提升的目标
  • 检查一下你的目标，是否符合三个关键要素
• 对目标进行检查
  • 和财务或客户的目标相挂钩
  • 有可衡量的指标
  • 有明确的时间节点
  • 三大关键因素
• 制定目标，思考两个问题
  • 问题一：现在，这个关键指标是多少？
  • 问题二：你希望这个指标得到怎样的改进？
• 如何找到正确的工作目标？
  • 公司目标
  • 部门目标
  • 团队目标
  • 个人目标
  • 一个正确的工作目标，是和公司、部门、以及上级目标相匹配的。 有明确的OKR/KPI：直接进行关联 没有足够清晰的OKR/KPI:三个步骤
• 为什么同一件事，不同人发现的问题却不同？
  • 因为目标不一致，你和别人看大的问题就会截然不同
• 一个正确的目标才能保障你能在工作中发现正确的问题， 后面的所有努力才不会白费。
• 如何及时准确地发现问题？
  • 澄清目标：找到关键的可衡量指标
  • 跟踪过程：记录数据及时检查进度
  • 阶段复盘：运用对比分析总结问题
  • 三大关键环节
• 发现问题，找到目标和现实之间的差距
• 发现问题第一步，澄清目标
• 数据
  • 数据≠数字
  • 你所获得的信息
• 简介--- 什么是数据

拆解分析法

• 拆解：运用公式法或脑图法进行问题的拆解。
• 分析：运用对比分析法，通过找差距与变化，识别出最关键的小问题。
• 将一个问题拆解成多个小问题，并从中识别出关键问题的方法。
• 数据分析课程笔记
• 分类原则：
• 第四象限：Better系数＞0.5，Worser系数＜0.5，属于兴奋需求。
• 第三象限：Better系数＜0.5，Worser系数＜0.5，属于无差异需求。
• 第二象限：Better系数＜0.5，Worser系数＞0.5，属于必备需求。
• 第一象限：Better系数＞0.5，Worser系数＞0.5，属于期望需求。
• Worse系数：（必备需求用户个数+期望需求用户个数）/(兴奋需求用户个数+期望需求用户个数+必备需求用户个数+无差异需求用户个数)
• Better系数：（兴奋需求用户个数+期望需求用户个数）/(兴奋需求用户个数+期望需求用户个数+必备需求用户个数+无差异需求用户个数)
• 如何通过KANO模型，洞察对方的需求？
  • 脑图拆解，把对方可能的需求列出来，找到最关键的一个或者多个要素。
  • 围绕拆解找到的关键要素，进行调研，得到对方在各个要素上的评价分数。
    • 提问一定要包含正反两面
    • 功能或者服务，描述清晰
    • 评价通常设置为5级
    • 问题不能超过5个
  • 根据用户评价分数，得到该项功能或服务的需求分类
  • 根据需求分类统计结果，计算better系数分数和worse系数分数
  • 根据分数，得到群体的需求分类结果
• KANO模型：把人们对产品和服务的需求划分成五种类型
  • 先达成必备需求和期望需求，提升兴奋需求，去除无差异/反向需求
  • 必备需求：默认必须提供的功能或服务
  • 期望需求：用户的满意度，和是否提供需求呈现正相关关系。
  • 兴奋需求：远超用户预期的功能和服务。
  • 无差异需求：能否做到这项功能和服务，都不会影响用户满意度。
  • 反向需求：提供这项功能或服务，只会提高用户的不满程度。
• 销售额
  • 公式法：拆解销售额的构成
  • 对比分析：找到销量下滑的产品
  • 矩阵分析：找到口味里的明星产品
• 解决问题
  • 对比分析
  • 拆解分析
  • 相关分析
  • 矩阵分析
  • 要想解决工作里的问题，往往需要组合和搭配不同的分析方法。
• KANO模型，找到用户真正的需求
• 矩阵分析三步骤
  • 搭建矩阵的X轴和Y轴，也就是要找到评价事项的两个关键指标
  • 收集你的数据指标
  • 简历矩阵图，确定事项的优先级
• 矩阵分析法：根据一个事物的重要属性，将事物进行分类和排序的分析方法
• 矩阵分析法，轻松解决分类排序问题
• 零售门店销售表现
  • 人：消费者，也就是购买产品或服务的人
  • 货：出售的产品或服务
  • 场：广义上的渠道
• 知识加餐：平效，每平方米的门店面积所产生的销售额（是线下门店最重要的业务指标之一）计算方式：平效=销售额/门店面积
• 如何将数据分析，运用到商业场景？
  • 一对比：发现问题
  • 二拆解：将问题拆解成一个个小问题
  • 三验证：逐一验证小问题，找到解决问题
• 知识点回顾
  • 对比分析法，可以帮助你快速锁定问题
  • 拆解分析法，可以帮助你将一个大问题拆解成一个个小问题
  • 用户行为轨迹法，可以帮助你通过优化工作环节来解决问题
  • 相关分析法，可以让你在众多的影响因素里快速识别出关键点
• 运用数据分析，提升沃尔玛门店销售额
• R是绝对值越大，相关性越大
  • 绝对值大于等于0.6是高度相关
  • 绝对值在0.3和0.6之间是中等相关
  • 绝对值小于0.3是弱相关
• R相关系数的正负代表了变量之间是正相关还是负相关
  • 正相关表示正比：越及时，满意度越高
  • 负相关表示反向：人数越多，满意度越低
• 相关关系R ：通过相关系数的大小，你可以判断出因变量和自变量之间的相关强度
• 锁定关键的影响因素，指定解决方案
• 分析因变量和自变量之间的相关关系
• 确定因变量和自变量
  • 自变量是你可以控制的变量
  • 因变量是你无法控制的变量，会随着自变量变化而变化
• 相关分析可以帮助你快读锁定问题的影响因素，判断工作任务的优先级
• 相关分析法，一步锁定关键问题
• 转化率=发生行为变化的人数/总人数*100%
• 将大问题拆成多个流程环节，定位关键问题
  • 了解客户或用户的行为，画出他们的路径图
    • 路径图记录的是你所服务的对象的行为轨迹
  • 结合数据，找到异常处，分析问题。
    • 异常处就是大量用户流失的环节
  • 轨迹分析2关键
• 用户行为轨迹法，定位关键流程
• 数据分析方法本身并不难掌握，难的是建立运用数据方法来解决问题的思维习惯。
• 拆解分析法，锁定问题的本质
• 重要的不是找到问题，而是找对问题。
• 口诀3：比完内部，再比外部
  • 与外部比比
• 口诀2：先找差距，再找变化
  • 找差距：找谁大谁小
  • 找变化：在不同时间段里，它是变大了或者变小
• 口诀1：先比整体，再比局部
  • 谁和谁比？
    • 比整体：实际情况和计划比 比局部：整体的各个组成
  • 比什么？
    • 最常比的，目标所对应的数据指标 其他的指标
  • 两个关键问题
• 对比分析法，找到对的问题