編輯導讀：在大數據和5G技術逐漸成為趨勢的時代背景下，我們幾乎每天參與到各種各樣涉及到數據的場合，如社交網絡、消費信息、旅遊記錄等等。我們幾乎每天都會與各種各樣的數據打交道，如企業層面的銷售數據、運營數據、産品數據、活動數據等等。本文作者圍繞數據分析發表了自己的看法，與你分享。

這将是一個以“數據”說話的時代，更是一個依靠“數據”競争的時代！麥肯錫公司稱：“數據，已經滲透到當今每一個行業和業務職能領域，成為重要的生産因素。”并且，在世界500強企業中，有90%以上都建立了專門的數據分析部門。由此可見，數據分析的重要性以及未來趨勢。

那麼，數據分析究竟是什麼？需要掌握哪些技能？如何進行數據分析？

我今天要分享的主題是：數據分析之道，抽絲剝繭與存乎一心，也就是我對于數據分析本身的實踐與總結。

01 解構數據分析

我們字面拆解：數據 分析，數據是基礎，分析是主導。可見，數據并不意味着價值，分析和決策才能創造價值！

而數據分析：思維方式大于實踐方法思維方式：業務目标及調研 思維邏輯 創新想法 可行建議

實踐方法：數據彙總統計 工具使用 可視化

數據分析對一個企業有巨大價值，則是對企業“數據”進行全方位的分析，兩者相輔相成才能實現企業決策價值最大化。

所以，我們做好數據分析，要對數據分析的價值有清楚的定位，不能淪為單純的 “取數”、“做表”、“寫報告”，數據分析應該是對業務有實際的指導意義，并結合業務痛點去發現問題從而解決問題的工具。

1. 靈魂三問

數據分析的靈魂三問，這就是我今天講的主要内容：數據分析是個什麼東西？他到底解決什麼問題？

數據分析如何學習技能知識？需要掌握什麼樣的能力？

數據分析如何進行?有什麼方法論？

一談到數據分析，我們就會聯想到這些問題。

然而，我接觸數據分析的契機，是從剛開始工作是接觸的數據處理和市場調研，再之後商家代運營，産品數據運營等，這些工作中都涉及數據分析，到現在和朋友一起創建小飛象數據分析社群。

其實，我理解的數據分析不是從什麼高大上的角度出發，它繞不開是什麼、是多少、為什麼、會怎樣、又如何這幾個問題。

說明白點：

• 是什麼（樹立數據标準）
• 是多少（數據描述狀況）
• 為什麼（探索問題原因）
• 會怎樣（預測業務走勢）
• 又如何（綜合判斷狀況）

其核心就是分析數據（結合統計學等知識），找到規律（比如異動），給出結論和建議，進而能夠輔助決策。

那麼，接下來我們來看一下數據分析在工作中幾種常見的應用場景，切身體會一下：

• 活動上線前，需要做A/B測試，通過數據反饋結果，驗證活動是否符合預期；活動上線後，還要分析實時數據，調整推廣節奏和推廣動作。
• 設計産品時，需要用數據來分析用戶行為，挖掘用戶需求；産品誕生後，還要用數據監測用戶行為、測試産品功能，促進産品疊代。
• 推廣拉新時，需要對每個引流渠道進行質量評價；我們要收集每個渠道的投入，用數據分析來分辨渠道資源的效果，對比各大渠道對業務的影響，從中找出最優渠道。
• ······

以上就是工作中遇到的數據分析應用的場景，然而，我在曾經公司裡面親眼看到，日常工作涉及到決策的時候，會常常出現如下場景：

場景一：“我覺得”、“應該”這樣的詞彙，誰也說服不了誰，一點點小事都要老闆去拍闆；

場景二：活動效果沒出來，做彙報時，遭遇靈魂式追問：

• “上線的新功能效果如何？”
• “接下來打算怎麼優化”
• “最近數據波動的原因是什麼？”
• ······

有以上這樣的場景，其根本原因在于缺乏數據思維思考邏輯，對業務的思維隻停留在淺層的對比，甚至會出現“拍腦袋決定”的情況。

所以，在工作生活中，我們應該不斷培養數據思維的習慣。舉幾個習慣：

• 若看到一個廣告，嘗試去分析廣告的受衆群數量大小，渠道數量、成本和效果回收的情況。
• 若看到一個活動，想辦法去拆解出它的目的、針對人群、預期活動目标、投入成本、獎品爆率模型等信息。
• 若看到一個産品，在使用完畢之後去分析他的商業模式、面對的用戶群體、群體的使用場景，以及可能設置的付費點并去驗證，同時想到可改進的價值點，并觀察後續運營動作是否驗證了改進點。
• 若看到一組客服回訪數據，能想到線索來源，通話總次數，通話有效次數&時長，線索意向級别，銷售司齡，套餐類型，來判斷這組客戶的意向度，以及跟進程度，成單周期。
• 若看到一列數據，我們應該可以清楚的指出數據是否有波動，這種波動是否正常，可能由哪些原因帶來了這些波動，相關的原因是否有數據呈現。
• 若看到一篇關于運營效果的報告，我們應該試圖去分析它的内生邏輯是否足夠支撐報告的結論，在哪些點上可能沒有詳盡調查。
• ·······

以上是我們可以在生活中培養數據思維的習慣思考場景，當然，在實際工作中的前提是，我們要熟悉自己的業務流程以及業務指标等，我們在培養數據思維的同時數據敏感度會不斷提升。

2. 數據的特性

數據是客觀事物發生留下的客觀事實，發展變動的數字化記錄。随着科學技術的發展，數據的概念内涵越來越廣泛包括數值，文本，聲音，圖像，視頻等。

而新增用戶、留存、用戶活躍、轉化、收入、用戶規模等，通過數據量化，我們才能精準感知業務指标。所以，數據是用來描述業務指标的，是被量化的業務指标。但數據的本質還是數值，隻是屬于最後結果的一種表現形式，要想改變結果，隻能去尋找因，從因上做改變，才能引起結果的改變。

而數據的特性有：

1）統一性

統計口徑一緻、計算邏輯一緻、數據管理流程一緻……

2）安全性

就是除了統一性之外，還有安全性的問題。數據會不會洩露？不同數據牽涉的敏感點有哪些？

3）時效性

很大程度上制約着決策的客觀效果。有些數據随着時間的推移，價值會越來越小。

4）準确性

大家都知道，數據正确與否的重要性。錯誤的數據，可能會導緻失敗的決策；當出現問題時，到底是後台系統的統計，還是指标統計邏輯有問題。

3. 分析的本質

分析的思維過程是：

• 發生了什麼？——追溯過去，了解真相。
• 為什麼發生？——洞察事務發生的本質，尋找根源。
• 未來可能發生什麼？——掌握事物發展的規律，預測未來。
• 我們該怎麼做？——基于已經知道的“發生了什麼”、“為什麼會發生”以及“未來可能發生什麼”的分析，幫助和确定可以采取的措施。

分析本質即面臨各種問題時，對于企業而言，讓業務更加清晰，讓決策更加高效。對于個人而言，認清現狀，讓自己的決定更加有利。

這些東西說起來都是高大上的，簡單來說，能通過數據找到問題，準确地定位問題，準确地找到問題産生的原因，為下一步的改進，找到機會點，也就是所謂的：數據驅動。

4. 數據分析需要怎樣的能力

1）通關心态

當你決定進入數據分析行業的第一天，你就要對标行業中的90分高手、100分高手。具備通關的心态，3年，也就是6個6個月。每6個月左右，至少要突破1個關卡。

如此，6個6個月過後，你往往能突破到第6關、第7關。

如果是你天賦極強的人，或者你的運氣很好，你極可能就成為頂尖專家了。

那麼，我們來看一下“德雷福斯模型”，把打怪升級的成長過程分為五級。

1. 第一級是新手（10-20分）。新手能記住抽象的規則，然後按照規則行事。
2. 第二級是先進的初學者（30-40分）。先進的初學者不但能按規則行事，而且能夠根據以往的經驗，面對不同的局面能采取不同的行動。新手隻會規則告訴他的那幾招，而先進的初學者除了規則還有經驗，他可以在一定程度上，對不同環境随機應變。
3. 第三級是勝任（50-60分）。勝任者面對幾個事情，能夠分出優先級。也就是說，在做決策的時候，他清楚地知道，首先應該照顧什麼地方，其次應該做什麼事。能分清什麼重要，什麼不重要。他有時候按照固定規則去做事，有時候則是依據以往的經驗。
4. 第四級是精通（70-80分）。精通者能夠把所有的信息當做一個整體來考慮。精通者考慮問題，很少理性地使用固定的規則，他已經不再區分經驗和規則，而是從整體出發，全盤考慮。
5. 第五級是專業（90分-100分）。專業者完全不受理性的束縛，他的判斷和反應都是在無意識的情況下做出的。哪怕面對的是全新的情況，他也能無意識地把這個情況和以前的經驗聯系在一起，自動處理。

2）綜合的能力

數據分析要做好，綜合要求非常高，因為大多數據分析是要向老闆彙報的，厲害的數據分析人員至少要具備業務能力、思考能力、溝通能力、表達能力、分析能力、數據能力、技術能力及統計能力。

• 業務能力：充分理解公司戰略、行業、領導思想，最好有業務崗位實戰經驗
• 思考能力：最值錢的是想法，通過數據對這些想法進行系統化的分析和論證
• 溝通能力：對上溝通确認目标、對中要采取合作、對下要明确執行要求
• 表達能力：一切都是為了讓人看懂，态度上重視彙報，彙報講究故事和邏輯
• 分析能力：基于業務常識選擇合适的指标和維度，發現異動原因并可視化展現
• 數據能力：擁有全局的數據視野、更深的數據理解能力和操作能力
• 技術能力：EXCEL、SQL、Python/R、機器學習/深度學習引擎
• 統計能力：理解統計的基本概念、理解基本算法

以上，就是數據分析需要怎樣的能力，其實，在很多企業中，數據分析是個崗位，但我一直認為數據分析僅僅是數據從業者謀生的高級手段，數據運營、數據産品、數據管理等各類崗位都需要數據分析的技能，比如數據運營就是數據分析的一種持續疊代形式。

總之，優秀的數據分析人員一定是主動發現問題、解決問題并扛得住壓力的。

5. 常見的數據分析方法彙總

數據分析方法其實有很多，包含戰略與組織、營銷、人力資源、生産管理、财務管理、供應鍊管理等等方面。

1）戰略與組織方面SWOT分析：戰略規劃的經典分析工具

• PEST分析：組織外部宏觀環境分析工具
• BCG矩陣法：制定公司層戰略最流行的工具
• 麥肯錫三層面分析：企業設計戰略規劃、開拓增長的有效工具
• 波特五力分析：行業競争戰略最流行的分析工具
• 核心競争力分析：分析企業有效競争和成長的重要工具
• ……..

2）市場營銷方面STP分析：現代營銷戰略的核心分析工具

• 4Ps營銷組合模型：制定市場戰略最經典的營銷理論工具
• 産品生命周期模型：描述産品和市場運作方法的有力工具
• 營銷漏鬥模型：量化了營銷過程各個環節的效率，幫助找到薄弱環節
• SPIN銷售法：系統化挖掘客戶需求的銷售工具
• 營銷戰略新三角模型：戰略業務架構分析工具
• 顧客金字塔模型：有效的顧客細分管理工具
• ……..

3）人力資源方面

• 平衡計分卡：最具影響力的戰略績效管理工具
• 360度績效考核：推進員工行為改變最有效的工具之一
• KPI：國際通行的企業經營績效成果測量和戰略目标管理的工具
• 3P模型：實施企業人力資源戰略化管理的有效工具
• 關鍵事件技術：識别工作績效的關鍵性因素的工作分析方法
• 職業錨：職業測評運用最廣泛、最有效的工具之一
• ······

4）生産管理方面

• 5S現場管理法：現場科學管理的基礎工具
• 六西格瑪：世界最先進的質量管理法
• QFD法：一種顧客驅動的先進質量管理應用技術
• PDCA：循環有效控制管理過程和工作質量的工具
• AUDIT法：保證産品質量的先進質量管理控制方法
• 零缺陷管理法：企業質量管理方法的又一次革命
• ……

5）财務管理方面

ABC成本法：企業控制成本的有力工具

• 杜邦分析法：企業業績評價體系中最為有效的工具之一
• 比率分析法：财務分析最基本的工具
• 淨現值法：企業投資決策中最基本、最常用的一種方法
• 沃爾評分法：對企業财務信用能力綜合評價的方法
• 本量利分析：實施目标成本管理的一個重要工具
• ……

6）供應鍊管理方面

• SCOR模型：第一個标準的供應鍊流程參考模型，供應鍊一體化的得力工具
• ECR系統：一種新型的供應鍊管理策略
• 關鍵路徑法：項目管理中應用最為廣泛的方法之一
• 邏輯框架法：項目質量評價的綜合評價方法
• PERT網絡分析法：有效的項目進度管理工具
• 工作分解結構：項目管理衆多工具中最有價值的工具之一
• ……..

（我挑選了幾種經典的數據分析方法，若大家對這些方法感興趣自己去查找學習~這裡不一一展開了）

02 實踐總結

1. 抽絲剝繭

1）為什麼要抽絲剝繭？

我們來看一個例子：當你去分析某段時間内一個産品的活躍數據，就覺得這個事情很簡單啊，不就是把數據統計清楚嗎？看看趨勢，對比上周、上一年，然後進行分群分析，哪部分用戶流失等等。

看做完一遍之後呢，你會面臨一個糾結的情緒：同樣的指标，有同詞不同意；有同意不同詞；還有互相包含，就是我的這個指标當中有你的一部分，你的指标中有我的一部分啊；還有各不相幹毫無關聯的指标卻出現在同一個報表上——這都是有可能的。

其實，在做數據分析的時候，我們就會有一個扪心自問的過程：我們到底從何下手？從哪裡開始分析呢？

我自己的思考就是：先忽略亂七八糟，高大上的概念，回歸到本質，其實，明确分析目标後，數據分析就是為了指标服務的，最終的體現就是某個數據指标提升或者下降，進而影響業務決策，所以需要先了解一個問題：什麼是指标？它應該如何被解釋？

指标，它分成單一指标和衍生指标，衍生指标有一個或多個單一指标的計算得來。指标有維度和度量組成，需要注意的是，衍生指标的維度來源于組成其單一指标維度的交集。

單一指标需要經過數據統計的前置篩選，才能在邏輯上成立；衍生指标沒有自己的統計口徑，其統計口徑寄生于組成其的單一指标身上。

其實：指标就是由維度和度量組成。

我們可以給指标下定義：指标是描述一個數據統計業務的最小邏輯單元。

例如，咱們來拆解一個數據指标，就需要一個抽絲剝繭的過程，但在實際業務分析中，不一定要拆解的多麼細，基本上3個層級就能夠指導我們去做一些動作。量化以及拆分指标，是數據分析的靈魂。

一級指标必須是全公司都認可的、衡量業績的核心指标。它可以直接指引公司的戰略目标，衡量公司的業務達成情況，本質上需要管理層和下級員工的雙向理解、認同，且要易于溝通傳達，比如公司的銷售額，或者社交産品的活躍度。

二級指标是一級指标的路徑指标。一級指标發生變化的時候，我們通過查看二級指标，能夠快速定位問題的原因所在。如我們的一級指标是 GMV 和訂單數量上升，那怎樣去定二級指标呢？我們就要去拆解一級指标，而能夠影響到 GMV 和訂單數量上升的，就是我們的核心二級指标。比如說貨品的單價上升，或者最近做的一些活動。

三級指标是對二級指标的路徑分析。通過三級指标，可以高效定位二級指标波動的原因，這一步也會基于曆史經驗和拆解。

2）小結

回歸今天的議題是數據分析之道，我們可以回到公司的戰略層，回到企業發展的戰略上去思考問題，需要我們思考如何應用數據分析，通過數據團隊搭建、數據指标監控體系搭建、業務分析模型規劃、業務目标規劃、相關責任人梳理等方式，快速地幫企業解決問題，實現業務增長！

所以，我認為作為一個數據分析人員而言，抽絲剝繭、總結規律、解決問題的思維方式能力，是最核心的能力。衡量一個數據分析人員是否優秀的标準，并不是學各種SQL、Python/R等數據分析工具，而是，是否能夠解構問題思維方式、還原本質、找到規律、尋找提升業務的最優解。

去尋求最優解、發展規律，那就應該運用到自己的思維框架——我們該怎麼去找到規律、怎麼去發展、怎麼去找到這個細節，需要這三步法。

2. 三步法

1）三步法

首先，還原場景，尋找規律；深入細節，全面觀察；窺斑見豹群，準确推演；交叉驗證，排除影響。要沉的夠深，要足夠的信心，要紮得夠狠。要跳出細節，回歸本質，用上帝視角做敏銳的洞察思維，大膽假設，尋找規律。

其次，覺得大方向上沒有問題，不要輕易下結論，還要再跳回到那些紛雜的細節當中，去一個一個地驗證你總結出的規律是不是适用，要保持一顆謙卑的心。當發現這些規律不适用的時候，就要大膽改正。

最後，就是場景與驗證，需要回歸到細節，做仔細的核對，小心地求證，嚴格地論述；要理清場景，一定不要有遺漏，要及時地調整，疊代更新。

2）小結

對于數據分析人員而言，給出的每一份數據，都要抱着對其負責到底的态度，這樣大家才能建立相互信任。所以，用思維去擊穿複雜的邏輯，抽絲剝繭，發現問題的本質，這是一種需要被加強的能力。

這就是在當下而言，為什麼數據産品經理、數據科學家這些厚重的職位，會成為當下的數據分析熱門領域的原因——就是因為它對能力跟素質有新的挑戰，不是大家能輕易适配的崗位。物競天擇，适者生存，市場規律就是供給多了，需求就容易滿足；供給的少，自然價位就高。

所以，你要去做那個供給少的環節，成為這個行業當中比較少見的人，而不是成為普遍的人。

3. 存乎一心

1）指标監控體系的搭建

當你把一個東西解構的足夠深的時候，你會面對一堆的需求碎片，萬法不離其宗，先找到離你思維邏輯最近的那一步，叫第一層立足點。找邏輯點的時候，我們就要存乎一心，明确分析目的，發現核心指标。尤其是第一指标，在整個分析過程中都不忘最初目的，其實就非常簡單。

那麼，如何去搭建一個指标監控體系？

①要明确産品業務目标以及KPI和所處的産品階段

要認清和明确目标。判斷業務走勢正常還是異常，探索解決問題的辦法，都是從計算目标和現狀的差距開始的，這一點非常重要。而不同的産品階段是有不同的産品目标業務的。

拆解目标，細分可以有多種類型，比如常見幾種的：

• 按達成時間為：年、季度、月
• 按服務對象為：各個部門、整個公司
• 按流程位置為：結果型目标/過程型目标

②根據現階段産品業務目标，将數據指标分級

數據指标有很多：日活DAU、月活MAU、下載量、激活量、新增注冊量、活躍度（DAU/MAU）、次日留存率、次人均時長、首頁訪問率、停留率、人均充值金額ARPU、GMV，客單價等等，我們會針對不同的指标，分不同的層級。一個數據指标，會受到多種因素的影響，而這些因素有内部的，有外部的，我們應當盡可能多的了解所有層面的影響因素，幫助我們對于數據的解讀及分析是在一個相對正确的範圍内。不一定要拆得太細，否則層級會過深，基本上 3 個層級就能夠指導我們去做一些動作。

我們還以上述一級指标 GMV 提升為例，我們拆解後發現是轉化率提升，那麼轉化率就是二級指标。而三級指标則起到能夠直接指導一線運營的角色和作用，接着分平台去拆解各個轉化率的時候，我們發現是 IOS 的客戶端轉化率有所提升。那為什麼安卓沒有提升，是不是 IOS 最近做了一些疊代？是不是它的一個轉換路徑比其他端好？這些思考就能指導業務人員展開行動。

③搭建以日、周、月為單位的數據指标監控體系報表

監控每日、過去一周，上周， 上月同周， 上上月同周的數據報表，以圖表展示，來反映産品的變化趨勢，通過過去的一周數據反映産品現狀，通過每日、周、過去三個月的産品業務線數據變化趨勢預估未來的變化趨勢。

監控指标體系的基本邏輯：先看一級指标，結合二、三指标再預測判斷未來趨勢。

④根據數據監控結果，明确管理流程，實現控制

第一，當指标有異常狀态，明确運營策略執行者。如：

• GMV降了→ 客單價降低了→ 用戶運營想策略
• GMV降了→ 某類商品降幅大了→ 商品運營想策略
• GMV降了→ 外部流量太少了 → 渠道運營想策略

第二，再明确執行時間。要有時間狀态和走向判斷。如:

• 過去 負向 → 關注某某的問題
• 過去 正向 → 發現什麼的經驗
• 未來 負向 → 警惕啥啥的風險
• 未來 正向 → 提示怎樣的機會

第三，明确需要多大力度，如：

注意出現異常，要提高等，立即執行。

比如：“如客單價不能在3天内得到改善提高，本月KPI将不達标，需立即優化商品組合，提升客單價”。

第四，複盤改善後效果

搭建數據監控體系，最主要環節就是效果的複盤。而且要先看是哪個層級的效果，再看具體效果大小。

2）小結

我們是要對數據的質量負責、對數據的追蹤負責、對數據服務的可靠性負責。回到存乎一心這件事，其實就是從碎片化的需求當中，結合自身和外部資源，将我們思維的底層邏輯體系一點一點的收攏起來，較精細化的解決問題。

而存乎一心的核心是應對諸多碎片化的需求時，有着深刻的洞察，順勢發展，因勢利導，随機應變，運用之妙，存乎一心，以滿足業務訴求。

03 數據分析之道

新事物的發展速度遠遠超出我們的想象，因此，關于“道”的思考還需要繼續深入，暫且當做是數據分析領域裡孜孜不倦又樂在其中地求索。回想搭建小飛象數據分析社群的曆程，我們做了很多的準備工作，從社群願景、價值觀、使命的規劃，運營體系的搭建，到内容體系的搭建，初始用戶調研，後來用戶反饋等等，遇到的困難一點點解決。

我覺得我們是站在了内容、商業和體驗的三者之間，我們為群友營造用戶體驗，我們為社群争取商業利益，同時我們也消耗着内容資源，面對内容要高質量提升的挑戰。

但是一定要有一個平衡點，這個平衡點就是最優解。我剛才講的那一切都可以忘掉，那都不是你的數據之道。回到你的實際情況當中，你要這三個點中尋找一個平衡。

所以，回到方法論就是要找到平衡點，也許這個平衡點一腳站在了内容上。

實際上，“數據分析方法論”是承上啟下的法門，往下，它們指導着“數據分析工具”的開展，往上，“數據分析之道”是戰略，是形而上的價值體系，我們需要建立自己的數據價值觀，一以貫之。

因此，如果你想真正的利用好數據分析，上述的抽絲剝繭和存乎一心，才是你們強大之道。

04 結尾

在經濟整體下滑的大環境中又受到疫情沖擊的2020年，各中小微企業都面臨着巨大艱難挑戰，并有着前所未有的機遇，希望這篇文章可以為焦慮中的中小微企業對于“數據分析”的應用帶來一點思考，幫助實現真正意義上的“數據驅動增長”。

最後，把非常喜歡的一句話送給大家：悲觀者往往正确，而樂觀者往往成功，與君共勉。艱難環境下，正是逆境崛起和彎道超車的好時機，願大家都能找到自己的數據分析之道。

#專欄作家#

木兮擎天＠，木木自由，人人都是産品經理專欄作家。多年互聯網數據運營經驗，涉獵運營領域較廣，關注于運營、數據分析的實戰案例與經驗以及方法論的總結，探索運營與數據的神奇奧秘！

本文原創發布于人人都是産品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議

,

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!

查看全部