做数据十年，第一次见这么棒的数据分析方法

本文深入探讨了数据分析在业务中的应用，提出了六大业务需求对应的分析方法。解决如何将数据分析与实际业务紧密结合的问题，特别适合数据分析师和业务决策者阅读。

很多同学会困惑：到底什么才是数据分析方法？因为网上对于数据分析方法的描述，有些抄袭自营销学书本，比如4P、PEST；有些则抄袭自统计学书本，比如相关分析，回归分析。可真到做分析的时候就傻眼了：眼前的问题到底该P一下还是回归一下？

想真正理解，掌握数据分析方法，当然不能这样“拿着锤子找钉”。工作中的数据分析，要紧密结合业务，服务业务需求。因此理解业务需求，围绕问题找答案，才能理解各种数据分析方法有什么用，该怎么用。

一个完整的业务活动，分为六个步骤：了解现状→设定目标→制定计划→监控走势→诊断问题→复盘结果。在每个阶段，业务掌握的信息，想解决的问题是不一样的，因此对数据的需求会不一样（如下图）。

如果是从制定年度经营计划开始，数据分析师就参与到工作中，那么就会完整地经历这6个步骤。

但是，很多同学是中途入职/半道接手工作，最常见的是：

1. 从监控开始，先输出日常报表，再发现问题
2. 直接接到一个分析任务，就XX问题输出报告
3. 事情已经做完了，事后补一份复盘报告

这个时候，很有可能数据分析师对业务都不熟悉，匆忙赶鸭子上架，肯定毫无思路了。此时，至少得把第1步：了解业务现状补齐，然后再对症下药。

了解现状阶段，更多是系统地呈现数据指标，让业务看清楚情况。数据指标体系本身有3种结构：并列式、流程式、总分式。有

一些常见的分析方法与这三种形式对应。比如：

1. 杜邦分析法对应总分式指标体系。主要用于评估经营情况好坏，拆解财务指标，监控业务行动结果。
2. UJM方法对应流程式指标体系。主要用于梳理用户行为路径（互联网企业使用的尤其多），看清楚用户转化方式。
3. RFM方法对应并列式指标体系，主要用于对用户消费行为进行分类，区分高中低消费 待唤醒的紧急程度。（如下图）

需要注意的是：单纯地展示指标并不能得出任何分析结论。至少要展示指标 不同个体间进行对比。比如：

• 杜邦分析法：两个同行业公司进行比较
• UJM方法：两个不同路径进行比较
• RFM方法：两类用户群体间比较

因此，在了解现状阶段，不要光想着罗列一大堆指标出来，而是思考下：到底选取谁进行对比，才能更好发现业务之间差异性，从而启发业务部门思考。

在设定目标阶段，很有可能业务部门想了解：

• 如果不做任何改变，自然情况下业务会发展成啥样？
• 如果增加/减少某项资源投入，业务会发展成啥样？
• 如果改变一种业务做法，业务会发展成啥样？

此时就涉及到预测问题。预测自然发展趋势，一般会运用到时间序列法，根据数据走势的不同，有平滑法、自回归、季节性回归、带季节趋势的回归等方法可用。如果考虑改变资源投入，可以考虑带因果关系回归。因为投入产出之间一般都有函数关系，可以通过数据拟合投入产出曲线，从而模拟调整结果。

如果要改变业务做法，则要先看：业务是否有采取同类措施。如果已有同类做法，则可以参考同类做法的投入产出情况进行推算。如果连做都没做过，那就得先做测试，不然没数据就是空拍脑袋。

需要注意的是：设定目标很多时候要体现领导想法，数据本身只是参考。所以很有可能在做完自然情况预测后，业务部门就会开始拍脑袋了。此时可能不需要复杂的分析方法，而是利用数据指标体系，拆解KPI指标，之后根据领导们的要求增减相关，模拟可能的结果。

在制定计划阶段，很有可能业务想把一个大目标拆解下去，落实到具体执行工作中。此时可以使用OGSM方法，这是一套标准的把定性目标落实为定量目标，把定量目标拆解为执行步骤，再监控执行的方法（如下图）。

还有可能，业务想先不自己动手拆，而是看在现有投入产出水平下，理论最优解是什么。此时可以构建投入成本函数，利用本量利分析/线性规划方法，计算理论最优解，供业务参考（如下图）。

同目标设定一样，做计划的时候，很有可能业务完全凭经验，自己估摸一个数字就开干了。过于粗糙的计划，会导致：执行安排不合理、临时调来调去、缺少后备方案，这些都会导致执行过程的问题。

数据分析师如果能提前了解情况，就能在下一步监控走势的时候轻松很多。

在监控走势阶段，核心任务是：观察业务是否在预期内发展，是否有异常波动。因此需要数据分析方法，判断业务是否正常。

此时有周期性分析法、投入产出分析、结构分析法、分层分析法、矩阵分析法五种方法可用。

1. 周期性分析法，是根据业务特点，拆解出业务发展随季节变化/生命周期变化/投入产出变化而产生的规律。通过和常规走势对比发现问题。
2. 投入产出分析，则是根据业务行动投入力度 过往数据经验，预判可能效果，如果排查：是否因本次业务执行不力，导致数据异常
3. 结构分析、分层分析、矩阵分析，则是通过多个业务之间对比，发现被平均数掩盖的问题。还有些常见的说法，比如ABC分类、二八分类，其实都是分层分析的特殊形态（如下图）

在监控走势的时候，这些常规方法，完全可以和监控指标做到一起，做成同一张监控数据看板，在观察到主指标异常以后，直接从总体到具体查看数据情况，看看是哪个部分出了问题，从而极大提高发现问题的效率。

在诊断问题过程中，是否有业务假设是最关键的。

• 如果业务啥都没有，那就只能构建分析逻辑树，层层排查问题
• 如果业务有一个明确假设，可以直接做排除法，验证假设是否成立
• 如果业务已经有应对方案，可以直接做实验，测试方案可行性

虽然一提起问题诊断，人们本能会想到：构建逻辑树。但构建完整的逻辑树太过费时费力，且很多假设需要收集外部数据检验，现实工作中不是时时刻刻都有这么充足的数据供应。因此诊断问题时，尽可能先找业务假设，快速输出结论。

验证业务假设的时候，是否做实验是最关键的区别：

• 如果完全不能做实验，那么只能通过标杆分析（对比好/坏个体），过程诊断（分析业务过程中最拉胯的环节）来输出分析结论。
• 如果能做实验，但不能做抽样测试，那么只能做改进前后对比分析。
• 如果能做实验，且能做抽样测试，那么可以采用统计学方法，检验实验效果。

如果前边5步做到位了，在结果复盘的时候就非常轻松：

1. 对比目标、实际差距，下判断：到底做得好不好
2. 调取过程监控数据，看执行过程中是否有问题
3. 调取问题诊断数据，看问题发生原因及处理的结果

这样综合各项结果的复盘是非常全面的，即包含了结果陈述，又包含了经验总结。

很多同学觉得复盘特别麻烦，是因为没有参与到全流程的工作中，活动结束了才被指派任务要复盘。此时一不了解目标，二不了解过程，自然得从头到尾梳理一遍才能出结果。如果碰上业务自己都没有设定清晰的目标，没有监控过程数据，那就更两眼一抹黑了。

专栏作家

接地气的陈老师，*接地气的陈老师，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。

本文原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自Unsplash，基于CC0协议。

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。