数据分析框架思考

以接到的一份分析需求为例，简单写下自己平时分析的一个思考的逻辑，并不一定是最正确科学的，在以后会被自己推翻，但是是现在最习惯的一种流。

一、需求交流

为了避免需求不清晰导致大量的重复工作、无效工作，在一开始应交涉清楚，尤其是许多时候需求方自己一开始也未想好的时候，应该主动引导，包括以下几个方面的内容

• 业务背景是怎么样？是双十一，618的大促效果，还是季节性波动的影响，还是异常点的分析

• 分析目的是什么？是复盘看运营效果，还是寻找问题所在，或是驱动业务

• 分析产出物给谁看？是运营需求方，还是高层，还是单单老板

• 呈现方式是什么？是ppt还是pdf或是notebook即可

二、获取数据简单分析

根据需求，获取需求时间节点/时间段的相关数据，做一些简单的分布图，观察数据分布，开始罗列可能的问题点/方向, 作为分析的重点 。比如GMV进行下滑，问题是在渠道、用户群体还是品类产品

三、结合猜测列出分析框架

通过归纳法或演绎法对猜测进行证明/证伪


记得我刚开始做数据分析的时候，通常都是用归纳法，但是由于业务不够熟悉，经常会有所遗漏，或陷入无穷的数据指标中，因此后来通常使用演绎法，除非是非常熟悉的业务
<br
演绎法即一步步拆解指标，如电商的核心GMV，可以拆解为


GMV=流量转化率客单价


也可以进一步拆分为


GMV = Omega(渠道数量浏览量渠道点击率加购率下单支付转化率*客单价）


即对所有的来源进行求和，检查是哪一个环节影响了GMV。值得注意的是，通常此时计算的GMV是包括刷单与退货的，有时候会造成极大的影响，因此除非是专项分析，否则最好提前剔除。


除去内部因素，外部因素也可能要纳入考虑范围内，通常可以套用PEST框架等。

四、报告结构罗列

简单的说就是ppt的结构，通常我会用总分总的形式，在开篇与结尾罗列观点，中间若干论证，以保证逻辑的完整性，使整个分析报告结构清晰

五、数据处理

往往是最耗费时间的一部，包括收集与想法有关但是之前未收集到的数据，整理数据结构，清洗数据。最繁琐的清洗数据要将不同来源的数据格式化、统一化，对异常值、缺失值进行相应的处理。

六、写报告

如果前期工作做的足够，那么这一步会相对较快。反之若在写报告的时候发现遗漏，则又要重新进行框架调整，数据处理，耗费时间。

七、跟进优化

比如自己写的报告对方不满意，要进行进一步的修改，或是对方因为某个点而产生了新的需求，都需要对需求进行跟踪优化。