在数据驱动的时代，数据分析成为决策制定的关键。然而，如何有效地进行数据分析，却是许多人头疼的问题。今天，我们将分享四个黄金模板，帮助你优化数据分析思路，更加精准地把握数据的核心。
01
思路1：陈述式分析
适用问题：“你去看看销售/业务/货物/用户/后勤状况”
使用情景：没有清晰的要求的领导者/企业，首次查看商业数据
这个时候的要点就是：把事情说明白，清楚是首要条件。所以，不要着急，也不要一次提交太多的资料，否则所有人都会指责你，说你的分析不够清楚。这个时候，他就可以按照“现状→目标→总体进展→分部进展”的思路来进行。
例如，“对用户进行分析”，可以进行以下的说明:
如果总体上没有什么大的问题，每个小部门的工作都很顺利，那他们也不会有什么怨言，只会说一句“干得不错，继续关注”。当整个计划出现问题时，所有人都会下意识地认为， A部门的工作很好，而 B部门却做不到。
注意特殊情况特殊处理！最典型的情况就是，你把自己部门的资料看过好几次，然后再把你的资料上报给上面，而上面却不知道你的具体情况。这个时候，不能操之过急，一堆数据把老板弄晕了，十有八九会被打上“思路不清”的标签。冷静地说几句话，会更好一些。
02
思路2：探索式分析
适用问题：“最近销售/运营/商品/会员/物流指标为什么没达标？”
适用场景：领导/业务有明确问题，但没有具体的怀疑对象
这个时候的关键，就是要把所有人的想法，都导向一个具体的，可以改善的目标。这才是最关键的！许多学生一遇到问题，就会把当前的情况一遍又一遍地说。比如，如果你问“为什么用户消费少了？”他就憨憨答一句：“因为客单价低了”。
那是当然的，消费=用户数消费率客单价，客单价低了消费肯定少。问题是，为什么客单价格会这么低？是因为货物的问题？难道是促销活动太多？这也是所有人都想要知道的，所以在进行探索性的分析时，每个人都要把问题分解成不同的部分，让每个人都能承担起自己的责任，这样才能落地解决方案。
03
思路3：检验式分析
适用问题：“我们近期的会员消费下降是否与和优惠政策调整有关？”
适用场景：领导/业务提了一个明确的分析要求，期待回应
在这个时候，关键在于：把其它的可能都排除在外，把注意力集中在核心议题上。虽然这只是一种假设，但我们要调查的东西还远远不止这些。但是，如果你说：“证实是政策调整造成的后果”，那就是说，你选择了“不是执行问题或外部问题”。如果没有排除什么显而易见的问题，大概就是：“你的分析不够透彻，我说什么，你就做什么？”
在这一点上，需要积极地收集：还有哪些业务假设。有些东西，是所有人都知道的，不需要考虑，可以忽略不计。最普遍的假定是：这是一个战略上的问题，或者是一个执行上的问题。
比如“会员消费下降与打折是否有关联？”拆分开就是：
假设1：因为调整了优惠，部分会员不满，导致不消费
假设2：优惠政策没问题，但是宣传力度不足，很多会员还不了解
另一个常见的假设，是自己部门的问题or友邻部门的问题。
比如“会员消费下跌和优惠正常有没有关系？”拆分开就是：
假设1：因为调整了优惠，部分会员不满，导致不消费
假设2：优惠政策没问题，但是本季商品不行，再优惠也没用
这个时候，就是对数据分析师能力的考验了。因为很有可能你的上司，就是要把责任推到其他人身上（或者防止有人推卸责任），所以搜集证据，就显得尤为重要。这两者孰优孰劣，取决于搜集到的正反两种情况，越是资深的数据分析人员，就越是能够搜集到足够的证据，来证实上司的猜测是正确的！
04
思路4：测试式分析
适用问题：“如果我们调整政策/更换商品/改进版面，是否能解决问题”
适用场景：领导/业务提出一件还没有发生、计划要完成的事情
在这个时候，有三个重要的问题要搞清楚：这个测试是不是真的要做，要做什么级别的测试，要做的是什么？？
1、如果计划的事情，是历史上从未发生过的（比如上一个全新的产品），那必须测试，不然没法下结论；
2、如果计划的事情，历史上做过类似的（比如投优惠券，以前也投过），那可以拿历史数据做一定参考；
3、如果计划的事情，可以小范围测试（比如让部分业务员改话术，选部分用户投券），那么优先考虑做AB分组，通过ABtest对比差异
4、如果计划的事情，没法小范围测试（比如修改渠道政策，一旦公布开弓没有回头箭），那么就得先做调研，再通过数据测算，让大家有心理准备
总之，根据计划类型来提供实验建议。
另外，在实验前，一定要记录清楚以下信息，列清楚了才好做分析：
1、本次对业务调整的点是XX
2、本次调整，期望的目标是改进XX指标
3、本次没有调整XXX影响因素
比如，你想要优化广告的效果，就必须要写好，这一次的更新，是不是修改了广告的主体，或者是关键词，或者是产品/折扣，这样才能更好地进行各个版本的比较。如果一次性大改太多，那就只能看整体效果了，没法具体到细节。
3171
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
