数据分析思维——数据分析方法

参考公众号：接地气学堂

一、数据分析方法

一般来说，数据分析主要解决业务上的5个问题：是多少（数据描述状况）、是什么（树立数据标准）、为什么（探索问题原因）、会怎样（预测业务走势）和又如何（综合判断状况）。

其中第一个问题是用数据描述问题，把问题量化。后四个问题都需要探索-假设-检验-总结的循环性
的过程。真正服务于业务的时候，只要熟练掌握了量化-探索-假设-检验-总结的循环，就能完成一
个分析。

1.1 是多少？

是多少指数据描述状况。如果只用1个指标就能描述清楚状况，比如身高、年龄这种，是没有
什么分析方法的。但是如果指标很多，就会涉及到选择哪些重点指标，以什么方式展示这些指
标。于是，就有了很多描述性方法。比如一些常见的：AARRR、漏斗法、杜邦分析法等。其中，杜邦分析法就是指对指标一层层拆解。

1.2 是什么？

是什么指树立数据标准的方法。寻找标准可以基于业务经验，但业务经验也需要数据进行验
证才知道是对的错的。

探索标准的方法，和到底要对几个指标进行探索有关。

只用1个指标的方法有：二八法、十分位法等。名字听着玄妙，实际上就是切割线摆在哪。当我们没有信心的时候，可以根据二八定律，把切割线摆在20%，也可以先拆10组或者若干组出来，探索下摆在哪里合适。

比如进行RFM分析时，得到每个用户的R、F、M后，可以计算所有用户的R、F、M的四分位数和平均数，再结合业务，得到分层标准。

用2个指标，就是所谓矩阵法，其实就是把两个指标交叉，分出四个象限，看看四类有没有明显特点。

如果超过3个指标，这时候会用一些统计学的方法。在无label的情况下可以用Kmeans聚类进行分类探索，在有标注情况下可以用决策树等。

需要注意的是：有没有用数据找标准，有没有验证过业务部门的标准，是从取数到分析的分水
岭。平时工作中就得养成强烈的标准意识，这样才能进行真正的分析。

1.3 为什么？

为什么指探索问题原因，比如分析为什么销售额下降。通过数据分析找原因往往是一个系统的过程，需要量化-探索-假设-检验-总结的全套流程。

经验推断是一种有效的找原因的方法。经验推断就是经典的归纳法与演绎法，具体到数据操作上，就是分组对比（归纳原因）和趋势推演（演绎判断）。比如销售额下降，用归纳法就是将每一次销售下降的时候，相关症状指标列出来，然后做分组对比，看哪个因素影响下跌的厉害。用演绎法，就是假设销售下降就是因为人员流失/引流产品不给力/季节因素导致的，那么我做了相应调整：人员调动/上新品/等季节过去，以后应该销售能回升。实际中，当然是两种方法结合，不断逼近真相。

另一种有效的方法是算法推断，即通过指标的计算发现潜在问题点，然后回归到业务里去验证。可以简单理解为把上边经验推断的过程，量化为一堆指标的计算。比如相关分析虽然不能证明因果，但是能提供分析假设，拿到假设以后我们就能进一步验证，到底这种关系是真相关还是伪相关。因此，做分类的模型与计算相关系数的统计方法，理论上都能用来做这种探索。

1.4 会怎样？

会怎样指预测业务走势。大体上，预测分为定性预测和定量预测，都可以使用机器学习方法来预测。除此之外，对于定性预测，还可以基于业务经验来推测未来走势，即找一个类似的业务场景进行推测。比如马上上一款新产品，根据过往的经验，一般上市后T+N周销售走势应该是XX，所以类似的也该是这样。

1.5 又如何？

又如何指综合判断状况，给出分析结论。如果判断标准很清晰，判断的指标很少，那下结论是很快
速的，不需要复杂的分析。比如女生说我就是不喜欢秃头的男生，那就看照片一票否决，来的非常
爽快。这里不需要分析。但当牵扯指标很多，指标形态很复杂的时候，就很难决定了。比如小姐姐
说我想要一个男的对我好（行为指标）、有上进心（心理指标）、有发展潜力（预测值）、真心爱我（恋爱原因），这要求一出，就是个非常复杂的判断。所以，“又如何”是分析最后一步，因为往往做
判断，需要做一大堆前期工作。需要搞掂了数据、搞掂了标准、了解清楚原因，做了预测以后，才
知道怎么下结论。

在复杂判断中，有主观法和客观法两种。主观法就是基于人工判断（专家判断），只不过打分方式
有很多种，直接打分再赋权重的往往叫专家法，打一个矩阵评分再计算的叫层次分析法（AHP）；客
观法可以通过因子分析（用方差解释率做权重）神经网络（算法训练权重），这样不依赖专家打分。

层次分析法(AHP)

二、建立分析思路

2.1 基本的分析思路

最近天气多暴雨，某天你走在街上，被突然袭来的暴雨淋了个落汤鸡。猛跑回家，感觉身上很冷、
发抖、打喷嚏。你会怎么想？——生活的常识告诉你：可能感冒了！这时候你可能会选择不理它，
扛过去就好了。也可能吃点感冒药，因为你假设自己感冒了。

过了几天，没有发冷、发抖、打喷嚏的症状了。你觉得感冒好了，就不会再吃药。但是如果你发现
自己还是没好，甚至觉得头好烫。妈呀，赶紧找个体温计测测，一看38度，心中顿觉紧张，于是跑
去看医生。

分析的本质就是：观察现象（冷、发抖、打喷嚏）—— 结合原理（感冒的症状）—— 做出推论（我感冒了）—— 采取行动（吃药 or 扛过去）—— 验证假设（吃药3天 or 扛了3天）—— 进一步分析（症状消失 or 症状加据） —— 进一步行动（不理它 or 看医生）

2.2 进一步的分析思路

设定数据指标→数据监控过程→数据预警问题→分析问题→探索对策→进行测试→验证假设→总结经验→循环监控

2.3 更复杂的问题思路

2.4 总结

建立分析思路的基本流程是：

1、观察现象（市场口碑、业务反馈、指标变化）

2、结合原理（业务逻辑+分析逻辑）

3、做出推论（建立假设）

4、采取行动（基于假设，采取业务动作）

5、验证假设（检验结果，积累经验）

6、进一步分析（持续监控）

建立分析思路，需要的辅助是：

1、有良好的数据采集、数仓建设、数据治理基础

2、有良好的业务沟通机制

3、对业务逻辑有基础了解

4、能观察到业务行动的结果

5、区分非技术问题，区分恶人/善人

三、数据分析如何赋能业务

3.1 什么叫赋能？

赋能的直观含义，就是增强业务能力，提高业务效率。注意：赋能是用更高级的手段解决战斗，不是替代，更不是“你行你上啊”。

3.2 赋能的常见类型

工具式赋能、资源式赋能、知识式赋能、服务式赋能

3.3 赋能的首要问题

想赋能业务，就得理解业务。赋能关键不是闭门造车，而是要深入一线，理解你的赋能对象。具体来说，包括理解：

1. 对象：谁是我的赋能对象
2. 流程：他在做什么？分为几步做？得什么结果？
3. 现状：做了多少？ 达到结果没有？卡在哪一步？
4. 痛点：哪些地方是不满意的？
5. 需求：想改善哪些问题？

3.4 赋能的操作流程

第一步是理解问题。数据分析在赋能中的作用，首先体现在：用指标体系清晰量化情况，基于数据诊断问题。

不同人需要的赋能手段是不一样的，越是上层的领导，越需要总览全局的工具，才能看清形式，灵活调配资源。越是基层执行，越需要简单、直接、可复制的武器，直接套用在流程中。所以即使是同一个数据分析的结果，给上层和基层看，展现效果可能完全不同。

第二步是明确赋能问题。在讨论具体咋赋能之前，我们得先讨论清楚：到底赋能要解决什么问题。我们可以用两个方式转化问题：第一，从需求出发，推导可行解决范围，落实到一个具体问题上。第二，从痛点出发，先找到需求背后的真实痛点，再找解决痛点的方案。

第三步是筛选方法。利用数据筛选方法，选择更有效的方法。这里有三种做法：

第四步是落地方法。

这里大部分是具体的业务操作，和数据关系不大。作为数据分析，能做的是：监控进度，保障按计划执行，在执行掉链子的时候提示问题。

第五步是复盘经验。

小结下：所谓数据分析赋能业务，可以做的是

一量化现状，为赋能打下基础

二梳理问题，为赋能方向指路

三筛选方法，为赋能优化效率

四监控进度，为赋能保驾护航

五总结经验，为赋能积累成果

四、梳理数据指标体系

4.1 为什么需要指标体系？

一个问题，往往有很多方面，只用一个指标不能充分说明问题。这就需要一组有逻辑的数据指标来描述，这就是数据指标体系。

4.2 五大要素

第一要素：主指标（一级指标）

用来评价这个事到底咋样的最核心的指标。有以下要素：

• 业务含义：在业务上它的意义是……
• 数据来源：哪个系统采集原始数据
• 统计时间：在XX时间内产生的该数据
• 计算公式：如果有比例、比率，得说清楚谁除谁；如果是汇总，得说清楚谁加谁。

有可能需要多个主指标，来做综合评价。比如产品卖的好，光看金额还不够，可能还要关注毛利，这才是真正赚到的钱。可能还得看销售数量，因为销售数量和库存直接挂钩，得防止积压太多。这样就至少有了三个主指标：销售金额、销售件数、销售毛利。

第二要素：子指标（二级/三级指标）。

主指标可能由几个子部分构成。比如：销售金额=用户数 * 付费率* 客单价。

第三要素：过程指标：

主指标往往是最终的结果，但光看一个最后结果是无法监督、改进过程的。如果想更进一步管理，就得看得更细一些，从而添加子指标。

第四要素：分类维度

通过分类维度，把主指标切成若干块，这样能避免平均数陷阱，把整体和局部一起看清楚（如下图）

第五要素：判断标准。

在构造指标体系的时候，往往这些判断标准是和当前数据一起呈现的。这样在看数据的时候，可以直观的做出判断，使用起来就很方便了。

4.3 如何发挥作用

1. 先看主指标+判断标准，比如主指标是：销售金额，先看本月是否达标了，没达标差多少达标。再看年累计达标没有，有多少亏空/盈余。这样很容易看清楚：知道问题是什么，有多大。
2. 再看分类维度。哪些区域没有做好，是不是一贯做不好；哪些区域做的好，是勉强完成还是持续上涨。这样谁有能力兜底，谁是拖后腿的一目了然。
3. 再看子指标/过程指标。哪个环节没做好，是线索太少了，得加大推广力度；还是跟进成功率低，得提升销售能力；还是报价总miss，得增加一些折扣。怎么处理问题一目了然。

4.4 如何构建？

第一步：明确工作目标，清晰主指标。

主指标梳理清楚，后边判断标准才知道围绕谁做，子指标才知道对应哪些流程。

第二步：清晰判断标准。

什么算“好”是一个非常关键的问题。既然已经找到了主指标，就得为它建立配套的判断标准。

第三步：了解业务管理方式，找合适的子指标。

有了主指标和主指标的判断标准以后，可以进一步梳理子指标。子指标和业务管理方式有直接关系。比如销售金额，既能以分公司为单位进行指标拆解，也能以用户为单位进行。具体怎么看，要看业务能怎么管这件事。比如销售一般按区域管理，那就按分公司拆。市场一般按用户管，就按用户拆。总之，业务方便最重要。

第四步：梳理业务流程，设定过程指标。

第五步：添加分类维度。

有很多维度都能当分类维度，选用哪些，完全看业务上能从什么角度管理问题。把对管理有意义的维度加进来。（如下图）

五、如何做数据分析项目？

5.1 认识服务对象

具体问题具体分析，是数据分析的最基础要求，也是做好项目的第一步。

5.2 找到发力时机

往往挑业务部门的以下时机入手：

• 想做创新
• 想改良现状
• 新工作两眼一抹黑
• 遭遇问题不知所措
• 三板斧砍完不见效

5.3 确认项目需求

找好发力时机以后，与具体业务方谈妥，准备动身开工。在开工前一定要确认好项目需求，具体来说就是项目铁三角：

这里有三点要注意：

1. 数字、模型、报告本身不是产出。业务从不了解情况到了解，从没有办法到有办法，从不知道怎么选到知道怎么选，从没有准备到一二三级预案，这才是产出。所以不要脱离问题就数论数。从数字里推出结论。
2. 时间千万别忘了。时间紧，尽量快速出结论；时间宽，就要分步骤输出，企业不是学校留大半年给你慢慢憋论文。
3. 有多大锅下多少米。如果数据质量差、人手不足、缺乏分析经验，就沉住气一步步做，不指望一次解决所有问题。

一步步梳理需求，引导到数据分析可以解决的问题上。

5.4 开展分析工作

做完需求，后续就是正式工作。具体内容和分析议题有关，这里不展开讲的。如果前期梳理清楚，中间过程自然顺利。这里只强调一点：数据分析工作切记憋大招。憋得越久，人们对你期望值就越高，最后失望就越严重。因此，只要项目工资超过1周，就得有周汇报，通知大家进度；时间超过1个月，一定要有月总结，拿中间过程和大家碰一下。

5.5 工作汇报

汇报的时候，要考虑目标听众的身份、目的、结合项目目标做个性化汇报。