編輯導語：作為數據分析師，了解業務是必然要求，随後數據分析師才可以更好地發現、分析問題，進而給出問題解決方案。那麼，懂業務了之後，數據分析師又應當如何做好數據分析？本篇文章裡，作者結合自身思考，發表了他對數據分析的看法，一起來看一下。

“SQL Boy/Girl、表哥/表姐、提數機器、報表maker、無腦調包俠？所以，你真的是個數據分析師麼？”

雖然已經入坑數據分析幾年的時間了，也經曆了不少的業務，摸過不少的數據，做過不少的報表和報告，但是時不時地還是會懷疑：我做的真的是數據分析麼？

為什麼會懷疑？因為到現在為止也沒有人可以對數據分析的工作内容和方向有個清晰的定義，産品和運營的同學眼中的數據分析就是沒的感情的提數機器，老闆們眼中的數據分析師是數據 UI的報表maker，圈外人眼中的數據分析師……就是用大數據算命的吧？

因為沒有方向和期待，所以才會出現數據分析師野蠻生長的情況，也至于摸索了好幾年，可能才發現，數據分析大抵應該是：從業務中發現問題，用對業務的理解和邏輯思維分析問題，找到問題的症結所在或者發展态勢，給出可行性的方案，然後協調各方的資源推動落地。

從業務中來，回到業務中去，才能真的make a difference！

一、業務究竟是什麼？

誰都知道數據分析師要懂業務，可業務究竟是個啥？從來都是隻聞其名，不得其精髓，以至于很多人就迷失在了第一步。業務雖然很複雜，但從數據分析的角度上來講，隻需要關注以下幾個方面。

1. 商業模式

所謂的商業模式，無非就提供什麼樣的産品服務，然後以何種方式賺錢。

互聯網行業區别于其他傳統企業，傳統行業靠的是銷售産品獲利，互聯網企業的特點往往是：羊毛出在狗身上，豬來買單。通過什麼樣的服務進行引流？又通過什麼樣的服務黏住用戶？然後提供什麼樣的服務進行轉化付費以及複購？

2. 産品

我們提供什麼類型的産品？面向的是什麼樣的用戶？解決用戶什麼樣的痛點需求？産品的主要流程是什麼樣的？産品處于何種生命周期？是在驗證功能？還是在快速拓展市場？抑或是已經進入成熟期，要拓展新的領域或者做好用戶遷移了？

3. 運營

對于産品的運營策略是什麼？有哪些運營的策略和方法？線上線下如何推廣轉化？如何做好用戶的精細化運營，把錢用到刀刃上？

4. 渠道

通過哪些渠道觸達到産品的目标人群，各渠道的用戶質量如何？投入産出ROI如何？

5. 銷售

銷售方式往往取決于商業模式，如果是2B/2G，一般來說需要做好關鍵決策人的運營，同時做好商務關系或者代理商建設，如果是2C，線上線下如何配合？

6. 競品

關注自身産品的同時，更要了解細分領域競品的情況。同一賽道的競品有哪些？共性的産品功能和服務是什麼？我們的優勢和劣勢各是什麼？未來有沒有機會可以突圍？

二、懂業務了怎麼搞數據分析？

已經把這麼複雜的業務理了一遍，接到一個數據分析的需求，又該如何下手呢？比如，通過數據發現今日頭條APP的“低齡用戶”的留存率很低，讓你分析一下原因，怎麼做？

第一步，是不是應該把今日頭條APP的用戶使用流程梳理一遍，看看用戶究竟留存率低是在哪個環節流失了，梳理後主要應該有以下幾個關鍵流程：

然後，我們就要對＂低齡人群＂的留存率低的原因進行假設，進行了如下3種假設，這3種假設就來源于對業務的理解。如果理解得更加深入，可能會找到更直接的第4個假設。

接下來就是對3個假設收集數據，逐個驗證，過程并不複雜，就是簡單的演繹推理過程。

然而實際業務中，最複雜耗時的是基于業務的理解提出合理的假設，業務理解得越深入，假設就越接近問題本質，驗證就越簡單直接。

三、數據分析的常見誤區

90%的人做的都是“假”的數據分析。數據分析是源自于業務需求，最終回歸到業務中。所以整個閉環至少包括：明确業務問題/需求、明确分析目的、梳理分析思路和框架、梳理業務流程、數據采集與處理、數據分析過程、結論及意見反饋落地。

每一步都至關重要，而在每一步都會有很多容易陷入的誤區。

1. 誤區1：技術至上

有些人在進行數據分析時持有一種固執的觀念，追求所謂的尖端的、高級的、顯示自己技術水準的分析技術，認為分析技術越高級越好，越尖端越厲害。明明有現成的、簡單的、又非常适用的方案不采用，而把時間用在對數據算法追求上。

追求技術的進步和發展本身沒有錯，但不能一味強調高級方法。節約時間、節省資源，拿出高性價比的解決方案才是企業需要的工作态度，所以不論是高級的方法還是低級方法，隻要能解決問題，就是好方法。

2. 誤區2：業務面狹窄

前面已經說過，數據分析需要全面了解業務。

這個全面體現在數據分析不僅要關注技術層面，還要對市場、營銷和管理領域的知識十分了解，隻有這樣儲備下做出的數據分析才不會和業務環節出現脫節。有的分析報告内容看上去非常漂亮、專業、複雜，但是讓老闆看起來非常吃力，缺少的是業務邏輯，很難指導業務實踐。

3. 誤區3：分析目的不明确

面對茫茫數據，我們常常會覺得好像身處大海之中，盲無方向，不知所措，用什麼分析方法，做什麼圖表，需要哪些數據，寫什麼形式的報告往往使我們百般糾結。

對于一個項目而言，首先要根據業務方的需求，明确為什麼要做數據分析，要解決什麼問題，也就是分析的目的。然後針對分析目的，搭建分析框架，選擇分析方法和具體分析指标，以及明确抽取哪些數據，用到哪些圖表等分析思路，隻有對分析目的有清晰的認識，才會避開為分析而分析的誤區，分析的結果和過程就越有價值。

4. 誤區4：分析思路混亂

明确了數據分析的目的，就要緊緊圍繞這個目的展開。

這個展開就是數據分析的思路和框架。如何把分析目的逐層拆解為子問題，如何把拆解後的子問題轉化為數據指标，數據指标又會受到哪些維度的影響，如何表征影響的程度和趨勢，如何找到問題的關鍵因素。

這個過程就是業務到數據的過程，盡量大膽地列舉出所有可能的假設，然後把假設轉化為數據指标和維度進行小心求證。

切忌拿到需求就立馬着手分析，所謂數據未動，思路先行。在沒有理清思路之前千萬不要分析數據，否則百分百是要重新分來過的。把思路梳理清楚了，數據分析已經完成了一大半，而且整個問題的邏輯也會清晰很多。

5. 誤區5：分析方法缺失

這個就是具體的實現層面了，思維縱然清晰了，但是在具體分析的過程中，分析方法不當也難以得出準确的結論。

1）隻關注單一環節，沒有全流程意識

比如發現這期活動用戶報名明顯降低了，不僅要關注用戶在報名各環節的流失情況，還要關注更前置的環節，包括各渠道推廣投入，各文案資源的點擊轉化等都需要考慮。

2）隻關注單一指标，不去做關聯分析

隻看單一指标，隻做簡單歸因，找到了一個指标就認為是影響問題的所有因素，由此推論問題原因。

這裡往往忽略了很多問題并非隻有單個因素，且多個因素和問題之間并非是因果關系，隻是一種相關關系，我們要做的就是找到更多更相關的因素進行近似的“歸因”。

3）隻關注分析本身，沒有結合業務動作

舉個常見的例子，需要用RFM模型對用戶進行高/中/低價值分層，那消費金額M的阈值如何取？自己拍腦袋？為何不結合業務動作進行設定呢？分層的目的不就是為了針對性的制定動作麼？如果業務準備對高/中/低價值用戶分别發放5000/3000/1000的優惠券，那阈值是不是就出來了？

4）隻去做表面分析，不解決具體問題

報表做了一堆，沒有抓住應該重點關注的業務指标；發現異常指标，沒有結合數據分析去采取有效措施；複盤羅列數據，沒有總結出有助于業務發展的結論。這些都是＂形式主義＂式的數據分析，看似沒有問題，實際沒有任何指導意義。

四、數據分析師的進階之路

數據分析高手和新手最大的區别在于：高手能通過數據分析，找到工作的關鍵節點，思考怎樣達成每個節點，并用數據證明能不能走得通。新手容易陷入＂毛線團式＂的工作狀态，繞了一圈又一圈才完成任務。

想成為這樣的高手，拿到比數據小白高幾倍的工資，至少需要經曆以下3個能力階段。

1. 能力階段一：用數據分析解決業務問題

很多運營在遇到業務困難時，要麼早早放棄，要麼主觀臆測，找不到問題的要害。這時候如果你能學會用數據嚴謹地分析和解決問題，相信老闆一定會對你刮目相看。

2. 能力階段二：用數據分析達成項目目标

你需要将數據分析思維貫穿整個項目，讓你更好地掌控項目，最終幫助你達成目标。其中有一項非常關鍵的能力，即數據拆解能力。

然而，很多同學在做指标拆解時，都隻會簡單粗暴地“做加法”。銷售量＝渠道A＋渠道B＋渠道C。渠道運營小夥伴很容易找一堆互推渠道，但最後這些渠道能成交多少，是不可控制的。

真正的數據分析高手應該懂得在高度的不确定性當中，去尋找确定性。我建議采用的是“乘法邏輯”：銷售量＝曝光量 x 轉化率。

3. 能力階段三：用數據分析驅動業務增長

到了這個階段，數據分析就不僅僅是用來發現問題，或者僅僅隻能用于某個活動或項目，而是可以持續指導業務增長。希望我們都能夠不斷打怪升級，道路雖長，但我們一直都在進步。

本文由 @大數據分析與運營星球 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