作者 | 數據海洋

來源 | haiyangxinyong

當一個公司的業務團隊，可以比較方便準確、及時、完整的看到數據，往往都會很容易從數據的變化中看到業務問題。再通過關鍵業務維度的拆分，可以定位清楚業務問題發生的版塊、準確衡量業務變化影響大小。

舉個例子，用戶復購數是一個很核心衡量用戶運營的核心指標。當這個指標出現下降的時候，可能拆分成：

海洋老師小提示：

這個拆分可能和很多公司不一樣。我之前設計的一個數據分析的邏輯，和公司的運營團隊嘗試按這個來劃分，最終希望盡可能多的把用戶在一定的時間內都轉為3單及以上。每個公司的實際情況可能不一樣，不要照搬哦。

我文章分享的更多是一些思路，一種思考與思維的方式與框架。我個人覺得，這可能這才是真正的幫助的。很多同學說老師，能不能具體講個案例，我盡量通過一些案例來表達我的：思考方式、思維邏輯！

同學們，如果你工作中有具體的問題或者案例，想要說出來一起討論，我可能沒有答案，但更多是給大家一種“我是怎么思考，怎么去分析”的思維和方法，當然剛好有一些我之前有做過或者正在做，那我們也可以一起探討。

01

數據分析第一步：四個W

當定位在哪個變化比較大或者都變化比較大的時候，很多同行總結很多，這個階段是回答what的問題，就是發生了什么。但是我從自己的經驗來說，我覺得應該還要去搞清楚：who 與Where與 when的這三個要素，即四個W。

在實際工作中，通過分析定位到在哪個業務版塊發生，在什么時間點發生，是誰在為這個變化的結果負責，在what的基礎上，增加這三個內容，你的數據分析的“著力點”才有可能確定。

不然就會經常同學們說的：

“數據分析不知道如何入手？”

“面對一堆數據不知道應該分析什么？”

“老板叫我做個數據分析，我不知道怎么辦？”

很多時間可能沒有找到這個“著力點”，第一步一定一定一定是搞清楚：在哪，什么時候，發生了什么，誰會為這個數據指標變化負責？在這特地提出二個W，一個是who 與 when:

Who:

有二層含義：是誰提出來這個問題？是誰會為這個問題的結果負責？例如：1單用戶轉化率下降，可能是部門負責人看到了或者是數據分析師看到了。提出這個問題，但他們可能不是直接為這個指標負責，部門負責人可能不是直接對這個指標負責。所以發現問題、解決問題、為結果負責可能不是同一個人。

When:

做數據的同學，不管哪個崗位一定要記住數據的時效性。我之前和一些業務老大們分享過：數據價值對于點的決策來說，隨著時間的推遲價值會越來越低；但可能對于方向與趨勢的判斷需要數據的時間積累，可能是越來越大的。

這個when是數據異常發生的時間點：

開始的時間點，不同的場景可能粒度不一樣，可能是天，可能是小時，可能是分鐘。持續時間長，在開始時間后，持續多長時間。例如：1單用戶留存，發現上周一到周二在下降，后面又恢復正常了。如果你本周做周總結才發現這個數據，你覺得有必要再去花大量時間與資源去分析嗎？最有價值一定是當時發現后，立即采取行動。當然要快速采取行動，很大程度又要取決你公司的數據基礎。

通過數據能快速回答上述幾個W，才能為后面的工作開始打上基礎。最終應該是這樣描述的：由A同學負責的1單留存的數據，在上周一到周二，1單用戶從平常的30%下降為20%，對整體影響周留存率影響3%。周三到周天又恢復正常水平30%-33%。

經驗小分享：

如果你第一步不是去思考和分析清楚這些內容，你后面基本就“迷失”在數據的海洋中、迷失在數據分析的方向中。你可能會有這樣的體會：會不知道從哪個點開始著力，你會感覺這是你一個人在“戰斗”，你會感覺到不知道要找誰去討論與交流，你也不知道這個分析出來結果應該是找到哪個人或者哪幾個一起討論。

02

數據分析第二步：一個W（why）

數據分析師的成長真的沒有捷徑，是真的需要時間去打磨你的業務知識體系，你對數據的洞察與解讀能力，你的數據技術的處理能力。

假設相關同學收到上述結果后，相信A同學的老板一定會問為什么這二天下降？很多業務同學看到數據變化的時候，往往就會開始向數據分析師提各種數據需求來尋找原因，數據分析師將會有”幸福的煩惱“，所以分析師每天都可能會收到這樣對話（當然可能發生在比較成熟有一定規模的公司中）：

“親，幫我拉這個數據，幫我取哪個數據?！?/span>

“最好今天給我，上午能給我不？老板急著要?！?/span>

”親，好了沒有??？下午和老板開會，老板一直催著我?！?/span>

所以同學們，你寫SQL拉數據還是非常有價值。數據需求往往追求的響應效率，因為你的業務方可能老板等著他呢?！鞍褦祿枨箜憫?，處理好。是一個很好的與業務團隊構建和諧關系的渠道，多點耐心，多點需求思考（上述的四個W），也許會幫助你更好的理解這個數據需求，理解到業務的當前的痛點：業務同學的當前的痛點可能不是解決問題，是應付老板，應付老板的老板”。

有做數據的同學好好理解上述這些話，這可能從事數據分析師的同學，不僅僅是剛從事、已從事的同學都應該會很有幫助滴。

“懂業務很重要，非常重要，你懂業務才能和業務有共同語言。還要懂誰在負責這個業務，然后適當的去懂“他“的痛點。在有共同語言的基礎上，懂“你服務用戶的痛點””。

這個為什么回答：

一是，通過業務同學的基于經驗形成的各種業務問題的各種假設，希望用數據去證明這個假設是否成立。所以這個假設可能會很多，但他基于經驗會告訴你最有可能是哪個，會有相關的優先級。

二是數據分析師在服務業務一段時間后，在懂業務的基礎上，最好能用一個數據指標分析體系構建后，快速尋找到相關指標來形成這個“為什么答案的假設”。從而讓業務的這些假設沉淀在你的數據體系中。

經驗小總結：

如果你覺得你想做好數據分析師，請同學們好好總結上面這段話。也請記住一點，數據分析師的成長真的沒有捷徑，是真的需要時間去打磨你的業務知識體系，你對數據的洞察與解讀能力，你的數據技術的處理能力。

前面提到都是我自己經驗總結下來，告訴他們一些這個過程中“杭”，讓大家更理解這個背后的東西，希望同學有好“心態”去做好數據分析。

回答上述案例，假設你平時有一定的數據體系去分析與定位這個關鍵的KPI數據指標：

“在案例中的回答可能是，發現上周一、周二來的用戶有50%用戶訂單金額中促銷占比超過60%，客單價基于都在40元以上，剛好滿足新人券的門檻?！薄翱赡苁怯捎谀硞€渠道存在異常用戶，周三停止該渠道后復購率后續恢復正常。所以建議停止該渠道的投放?！?/span>

03

數據分析第三步：回答how

如果上述二個步驟沒有做好，你會直接“迷失”，找不到重點。更不用談所謂有數據分析邏輯的。能否回答好，還是基于你本身的“業務知識與業務模式”的理解，基于你對數據指標體系構建，平時對于數據敏感性的培養。

我們還是回到上述的案例，我認為how要回答的問題不僅僅是通過定位確定異常，定位清楚原因，可能很多時候是沒有辦法得到因果關系，所以大數據時候很多時候通過核心的指標對比形成相關關系?？赡苓@也就是很多人說：大數據時代相關性大于因果關系。

我更希望數據分析師們去回答的how，是在上述有一定基礎上，去針對核心的數據指標回答的問題應該是這樣，應該這樣和業務和自己對話：

“為什么月度復購留存是30%-33%，為什么不能做到35%以上！”

“如果要達到這個指標，我應該怎么去分析與洞察數據，怎么從數據分析尋找到這個機會點？”

“從哪些數據指標與維度，可能不斷去細分，不斷看各個細分機會點的趨勢變化?！?/span>

經驗小提示：

當你會提出我說的HOW的對話場景的時候，說明你可能已經是一名合格的數據分析師。當然還是要不斷學習，不斷從數據中去探索。也許你是解決所謂的業務增長的問題，解決是增量問題。

我寫的文章，沒有太多的框架；太多的“套路”；更多是我基于自己經驗的一些點或者線的總結，當然也許幾篇文章寫完就是一個框架，對覺得有幫助的同學可以看個二遍會有一些共鳴，希望對同學們有幫助。

如果您是以下幾種情況之一：

• 1、想了解更多有關大數據分析、數據挖掘、機器學習、人工智能領域內容的好學者；
• 2、職業遭遇瓶頸，想提升自己在數據分析或人工智能領域的硬件技能的在職人士；
• 3、尋求新出路、新突破，有意向轉行到數據分析行業或人工智能領域的求職人士；
• 4、對未來搖擺不定，有興趣想Python、數據分析、人工智能方向發展的在校大學生。