1. 界定問題，明确目标

2. 拆解問題，确定分析框架

3. 數據處理

4. 選擇數據分析方法

5. 提出建議

6. 呈現分析結果

01

界定問題，明确目标

不管是在學術研究，還是商業研究中，數據分析的起點始終是問題意識。隻有基于問題，分析才有方向、目标，結果才是明确的、有價值的。而明确的研究問題和目标，是後續拆解研究内容、選擇研究方法、結果呈現邏輯的基礎。沒有問題意識和目标的數據分析，就像迷航的船隻，失去了航行的意義，最終隻能是白忙活一場。

比如老闆說今年上半年的利潤沒有達到目标？我們不能單單隻憑這句話就開始行動，而是要将問題中所涉及的所有内容界定清楚，如利潤具體構成有哪些要素，與誰比較，達到什麼标準算是實現目标。

因此，要想做好數據分析，首先要界定清楚你想要解決的問題是什麼，要通過分析實現什麼樣的目标。

那具體應該如何來界定問題、明确目标呢？我們可以從以下幾個方面進行思考：

（一）問題背景

針對提出的分析需求，你要了解清楚問題、需求産生的背後動因，了解為什麼會有這樣的問題、需求？比如，是基于公司戰略、業務規劃要求，還是基于市場、客戶的實際反饋，或者數據的異常引出的？隻有問題背景清楚了，你才能明确你要達到什麼樣的目标，從哪裡切入，要做怎樣的投入。

（二）問題内容

了解需求方想要做數據分析的真正意圖，具體想要解決什麼問題，擺脫什麼困境，實現什麼目标。但有時候，需求方也不能确定他們存在的問題，或者想要達到什麼樣的目标，這就需要數據分析師通過調研分析，來幫需求方定位問題、明确目标。

（三）問題的範圍

1. 時間

問題是有時限的，需要明确觀察哪個時間範圍的數據發現的問題？一般需要将不同時間段的數據進行對比，以呈現差距、發現問題。

2. 區域

問題也需要在不同地區之間的對比中出現，所以要清楚問題針對是針對哪些地區。

3. 數據來源

由于數據的分散性特征，不同來源的數據可能是零散的、不全面的，或者是不準确的，所以要了解數據來自哪裡，核對數據是否全面、真實。要對所有信息/數據來源時刻保持懷疑的态度，即使是需求方提出的，也要進一步尋找數據加以不斷驗證

（四）業務指标的理解

需要理清楚問題所涉及的業務指标是如何定義的、以及與誰進行比較。

1. 指标含義

比如“利潤”這個指标，不能隻看利潤一個詞，還要與業務部門溝通，明确“利潤”是怎麼計算的，比如利潤=銷售收入-銷售成本-營業外支出。

2. 比較對象

當問題中提到“高、低”等比較詞時，要弄清楚是與什麼進行比較，有比較才能知道問題要解決到什麼樣的程度。比如老闆希望你能通過數據分析幫公司找到提高産品銷售的方法，這時候你就要跟老闆了解清楚，銷量要提到到多少，與哪個目标值進行比較？

02

拆解問題，确定分析框架

很多時候，你面對的問題/目标是難以直接回答的大問題、複雜問題，這種時候，你就可以對問題/目标進行拆解，将大問題分解為更具體的、可操作性強的子問題，将研究目标拆解為具體的分析内容，通過回答子問題來回答大問題，通過解決各模塊内容來達成最終的研究目标。而這個拆解問題/目标的過程，即是分析思路的結構化過程。那具體怎麼做拆解呢？

（一）思維工具——邏輯樹

思維工具可以幫助我們将複雜問題條理化、結構化，快速形成分析框架。邏輯樹是數據分析工作中最常用的思維工具。

邏輯樹即從研究目标出發，以大問題為樹幹，以拆解出的子問題為樹枝，形成一個樹狀結構的思維框架，目的是要全面厘清整體與部分的框架。使用邏輯樹時，要遵循以下原則：

（1）橫向的不同層級之間存在邏輯關系，或包含、或相關；

（2）縱向同一層級的不同維度之間，要符合MECE原則，即各部分之間相互獨立（Mutually Exclusive），所有部分完全窮盡（Collectively Exhaustive）。

邏輯樹的具體使用方法：

1. 【設定起始問題】：将已發生的問題或事實作為邏輯樹的起始問題

2. 【列出主要影響因素】：針對起始問題提出“why”，思考可能導緻該問題/現象的主要因素

3. 【細分原因】：将步驟B的原因作為二級問題，繼續提出“why”，深入探究背後的影響因素

4. 【整理樹狀圖】：将問題全部分解後，要确定每個層級之間的關聯是否有邏輯，層級包含關系是否恰當。

對于樹枝應該分拆到幾個層級，需要根據分析主題的具體情況來界定，但一般分解到三個層級就差不多了。

邏輯樹的應用難點在于從樹頂端的起始問題往下拆解時，雖然我們都知道要窮盡每個層級中的影響因素，但具體應該從哪些維度進行拆解，這就非常考驗分析師對該主題的理解程度。針對這一難點，需要做好兩方面的積累：

一是【熟練應用拆解思維】

二是【熟悉經典分析模型】

（二）拆解思維

1. 橫向拆解

從橫向結構出發，将研究主題由上而下、由粗到細進行分解，找出該主題由哪些要素構成，每個要素有哪些具體特征。比如組織架構圖，即是橫向拆解最常見的應用場景。

【案例】

企業A上半年的營業利潤未達到目标值，若按照目前的營收進度，到年底将無法完成年度總利潤目标。現在老闆要求你通過數據分析，尋找如何完成年度總利潤目标的方案。

這裡，要完成年度利潤目标，關鍵是要找出上半年沒有完成目标值的原因，後續才能對症下藥。因此，我們可以采用結構思維，橫向拆解“利潤”指标，看看是哪個方面出了問題。

2. 縱向拆解

基于時間維度，将研究主題分解為有先後順序的多個流程階段，每個階段又有哪些具體表現。

【案例】

近期互聯網産品A的用戶流失率出現了顯著的上升趨勢，現在領導要求你通過數據分析，來找出用戶流失的原因，并針對問題點提出解決方案。

針對該需求，可以采用時間思維，基于用戶使用産品的流程，将研究問題縱向拆解為多個流程階段，然後尋找具體是哪個行為階段的流失率比較高，用戶遇到的主要問題是什麼?

3. 綜合思維

在實際研究中，經常會将結構思維和時間思維結合使用。

（三）經典分析模型

問題經過拆解，就形成了所研究主題的分析思路、分析框架，而經典分析模型則是經過時間檢驗、實際應用驗證的成熟的分析思路。很多領域都積累了一些經典的分析模型，熟悉這些經典分析模型，可以有助于我們在面臨類似的研究主題時，能夠進行快速、有效地思考，快速找到問題拆解的切入點。以下為一些常見的分析模型，後續在工作中，可多多留心收集、積累。

03

數據處理

通過不同渠道、不同方式收集上來的數據，會普遍存在格式不一、夾雜髒數據、無序混亂、複雜等問題，因此，在進行數據分析之前，需要對數據進行清洗、加工，以滿足分析目标的需要。

（一）清洗數據

原始數據普遍存在的問題是，夾雜很多髒數據，比如在問卷調查中，可能會有誤答、亂答的情況，從而使原始數據出現重複值、缺失值、無效問卷等。因此，拿到數據，首先要做的就是對數據進行清洗，以确保所要分析的數據的信度和效度，提高數據分析的準确性。數據清洗主要包括三方面的内容：

1. 查找重複值

2. 處理缺失值

3. 篩查無效數據

（二）加工數據

做好數據清洗好，數據還可能會存在數據格式不統一、量綱差異大、無序等的問題，也會夾雜着很多與此次分析主題無關的内容，因此還需要對數據做進一步的加工處理，包括數據格式的統一化、數據量綱的歸一化/标準化、數據的分類彙總/排序/抽取等，以降低原始數據的複雜程度，也讓數據更符合分析需求。

04

選擇數據分析方法

要想從繁雜的數據中挖出有價值的内容，洞察數據背後隐藏的規律，回答一開始提出的問題，就要懂得使用合适的分析方法對數據進行描述、分析。

根據分析方法的内容，我們可以将常用的數據分析方法分類以下七大類。我們也可以根據應用場景對分析方法進行劃分，後面有機會我們再做詳細介紹。

（可查看本公衆号的“統計學”合集内容詳細了解分析方法的原理和操作）

這七大類分析方法沒有嚴格按照相互獨立的原則進行劃分，比如回歸分析被歸入了【因果分析】類，但嚴格來說，回歸分析也可以算是【相關分析】、【預測分析】。但我們不必糾結于此，畢竟對分析方法的歸類隻是方便我們的學習、記憶和檢索，沒有實際的類型學意義。況且，我們在實際研究分析中，往往不會單獨采用某一種方法，而是會根據研究目的，将不同方法結合使用，以實現對分析問題的深層次理解和解釋。當然，這裡介紹的還隻是部分方法，在不同的領域還會發展出切合該領域場景的分析方法，但不管怎麼變，其基礎的分析邏輯都是基于以下的七種方法類型。

1. 對比分析

對比分析，是将不同的數據進行對比，以分析它們的差異，揭示數據背後的發展變化和規律。

對比分析一般分為橫向對比和縱向對比。橫向對比即同一時間下的不同數據之間的對比，比如第一季度各城市門店的營業額之間的對比，年度實際營業額與目标值的對比等；縱向對比即數據在不同時間點的差異，可揭示數據随時間變化的趨勢。

2. 分類分析

所謂物以類聚、人以群分。分類是數據簡化的常用方式，我們可以把雜亂無序的總體按照某些特質進行歸類，使類别内的個體之間差異盡可能小，各類别間的差異盡可能大，以更便于下一步的深入分析。

3. 分布分析

數據收集上來後，我們最常做的就是描述數據的分布，比如不同性别的個案占比，某一指标的均值是多少，一組數據中的波動程度有多大。這些分析，即是分布分析，可幫助我們了解數據的特定趨勢。分布分析的對象不是一個數值，而是一組數值，隻有存在多個數值，數據才會存在分布狀态。

4. 相關分析

相關，是指變量之間的變化關系。如果一個變量發生變化，另一個變量也跟着變化，那麼我們就可以認為這兩個變量存在相關關系。相關關系不等于因果關系，一般來說，變量之間的相關關系，主要由于以下三個因素帶來：

（1）相關是偶然的

（2）變量之間的相關可能直接受到其他潛在因素的影響

（3）一個變量是另一個變量的原因，即兩個變量存在因果關系，但需要注意，該自變量可能隻是衆多原因的其中一個。

5. 因果分析

因果分析即是要追本溯源，追溯哪些因（稱為自變量）導緻了這樣的果（稱為因變量）。相關是因果關系的必要條件，如果因變量的變化與自變量的變化之間存在相關，那麼自變量就可能（并不必然是）是因變量的原因。但相關并不意味必然有因果關系，發現了相關性，隻是說明在統計學意義上兩個變量之間可能存在因果關系，之後還要探讨因果鍊條。

6. 預測分析

預測分析是通過對現有數據特征的分析來構建統計模型，然後用來對不完整的、未知的或者未來的知識進行判斷和預測。其實前面介紹相關分析和因果分析方法也屬于預測分析的範圍，但為了方便分類，且它們在實際研究中應用得比較多，因此就将它們作為了單獨的類别進行介紹。

7. 推斷分析

數據收集是有成本的，收集所有數據是不現實的，因此一般會采取抽樣的方式，即從總體中抽取樣本，收集樣本的數據，然後再由樣本來推斷總體的參數、分布等信息。這種通過樣本來認識總體的過程，即是推斷分析。

05

提出建議

在企業研究中，數據分析的最終目的是要通過數據來驅動業務發展，改善企業經營狀況。但實際上，很多人并沒有認識到分析研究的真正價值，甚至覺得企業中的研究隻能帶來成本，無法真正給企業帶來價值，畢竟很多研究的價值難以被衡量。因此，在數據分析的産出中，還應該基于結論提出針對問題、目标的切實可行的建議、解決方案，才能激起需求方的興趣，才能更好地推動研究成果的落地，最大效用地發揮數據分析在企業研究中的價值。

06

呈現分析結果

1. 原則

讀者導向、邏輯清晰、簡潔易懂、生動形象

2. 目标讀者及其需求

理清報告結果會有哪些人群看到，他們有什麼需求，為什麼要看你的這個結果。在實際研究項目中，可根據項目的情況、重要性、受益人，來決定選擇哪種呈現方式。

3. 内容結構

根據目标讀者及其需求，理清什麼樣的呈現邏輯才會讓他們更易于理解、才會更容易吸引他們的注意力。一般來說，基于業務或需求方關心的核心問題層層拆解來編排報告内容，這種問題導向的結果彙報更易于讀者的理解。

比如，要給某産品做市場定位，數據分析結果就可以從以下方面進行結構編排：

（1）市場空間有多大，值不值得進入：包括市場規模、增長趨勢

（2）當前市場可以細分為哪些類型，不同細分市場有哪些特征

（3）應該選擇哪個目标市場？後續可以向哪些次要的細分市場進行拓展？

（4）可以采取什麼策略來營銷推廣該産品：

A. 目标用戶長什麼樣，與其他細分市場的目标用戶相比，有什麼顯著特征

B. 目标客戶有哪些需求，與其他細分市場的目标用戶相比，差異點在哪裡

C. 選擇适合目标客戶的營銷方案

4. 呈現形式

盡可能實現數據化、圖表化表達，以讓目标讀者更易理解、更有興趣閱讀。

最後，給大家分享一些最近整理的數據分析資料，全部打包好了，直接領。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!