數據分析的同學是否遇到過這種情況——辛辛苦苦做的數據永遠不是業務想要的？到底是業務吹毛求疵過分挑剔，還是你做的數據不是業務想要的呢？本文将層層分析為你解答，快來看看吧。

做數據分析的同學們都遇到過這個問題：從多維度分析問題，提出對業務有意義的建議。這個題目看起來很簡單，可很多同學辛辛苦苦跑了一堆報表，結果隻落得業務一堆抱怨：

• “你這一堆說明了啥！”
• “你的重點在哪裡？”
• “你的維度太單一了！”

好！冤！枉！

明明出了那麼多組數據，為什麼還被說“分析維度不夠多？”今天我們系統解答一下。問題的本質是：業務口中的“多維度”，完全不是你想的那個“多維度”。

一、數據分析眼中的多維度

對數據分析師而言，多維度，往往指的是數據指标的拆分維度。

舉個簡單的例子：3月份銷售額3個億。這就是一個指标，沒有拆分維度。如果加了分類維度，就是下邊的效果：

注意：比起隻看總數，用多維度拆解數據，是能更精确的定位數據的。

常見的方法有兩種：

• 添加過程指标
• 按業務管理方式添加分類維度

比如隻看總銷售金額，我們發現差3000萬達标，可我們并不知道為什麼不達标。這時候如果拆解細一點，比如：

1. 添加分類維度：看到哪個業務線沒做好（如下圖）

2. 添加過程指标：看到從用戶意向到付費，哪個環節出了問題（如下圖）

增加過程指标 分類維度，就能更精準的定位問題。甚至一些簡單的結論已經呼之欲出了。

正因如此，很多數據分析師把業務口中的“多維度”，直接理解成了“維度多”。一聽到要做分析，振臂高呼“拆！拆！拆！”層層疊疊做了一大堆交叉表，把各個分類維度的數據都做了出來（如下圖）。

然而，僅僅“多”，就足夠了嗎？

二、業務眼中的多維度

業務口中的“多維度”，完全不是這個意思。

業務腦子裡裝的是不是數據庫裡的表結構，而是一個個具體的問題。當業務看到“3月份銷售沒有達标”腦子裡想的多維度是這樣的：

是不是看傻眼了……

你會發現，單純的拆解數據根本無法回答上邊的問題。

是滴，一個都回答不了。甚至單靠看數據都沒法回答這些問題。

即使把問題定位到：“3月業績不達标是因為A大區3個分公司的客戶意向簽約太少”，定位到這麼細的程度，也不能回答上邊的問題。

因為到底意向太少，是因為對手發力了、産品沒做好、活動沒跟上、用戶需求有變化……還是沒解釋清。具體的業務問題，一個都沒有回答。自然業務看了一臉懵逼了。

三、真正的多維度分析，這麼做

從本質上看，真正的多維度分析，其實考的不是數據計算能力，而是策略能力。具體來說是三個方面：

1. 把業務上理由，轉化為數據上論證。
2. 堵住借口：業務不要總試圖甩鍋，集中精力想能幹點啥。
3. 找到症結：在一堆影響因素裡，找到最關鍵的那個，集中發力。

注意，這三件事是有順序的：

• 先把數據論證方式列清楚，避免大家放空炮（數據不能論證的理由就閉嘴，是個非常好的議事規則）。
• 之後先堵借口，找借口并不能解決問題，因此先把各種逃跑路線堵上。
• 最後再集中想辦法，想辦法的時候，從大到小，從粗到細，先搞大問題。

綜上，這個事可以分六步做。

第一步，要先對業務明裡、暗裡提出的說法做分類

對每一類問題，構建分析假設，把業務理由轉化為數據邏輯，拿數據說話（如下圖）。

第二步，優先排除借口

讓大家把精力集中在——往往借口産生于：宏觀因素、外部因素、隊友因素。所以在這裡，關鍵是證僞。隻要能推翻他們的逃跑借口就行。

證僞最好用的辦法就是舉例法，同樣是下雨，為什麼别人就抗的住。同樣是流量難搞，為啥别的業務線能持續增長？（如下圖）。

舉例法還有個好處，就是在反駁借口的同時，也指出了解決問題的出路。業務最讨厭光講問題不講方法的人，因為噴人人人都會，解決問題可就難了。給出具體的學習對象，可以極大的激發業務思考對策，從而達到雙赢的效果。

第三步，解決白犀牛，剔除明顯的重大影響

比如監管政策、公司戰略、重大外部環境等等因素，确實會對企業經營起到重大作用，并且這些因素是普通小員工隻能接受，不能改變的。但是！這種重大因素表現在數據上，有嚴格的要求（如下圖）。

因此如果有人想推脫給這些因素，要看：

1. 事實上有沒有發生這個事
2. 數據上符合不合符走勢

以此敲警鐘：不要事事都怪大環境不好。你丫走到哪裡都是大環境不好，你是影響大環境的人呐！先排除這種大因素的影響（或幹擾）再聚焦看我們能做什麼事情。

第四步，解決黑天鵝，剔除明顯突發事件

如果發生的真是突發事件，很容易找到問題源頭：

• 正向的：促銷活動，某群體用戶騷動，新産品上線……
• 負向的：惡劣天氣，突發事件，系統宕機……

因此先排除單次突發問題，找清楚一點原因以後，再追溯之前的情況，就容易說清楚。

第五步：按分工鎖定問題點再談細節

解決了大問題以後，想讨論更細節的問題就得鎖定部門，先定人再談計劃。之前已有分享，這裡就不贅述了。

第六步：鎖定細節問題

請注意，即使聚焦到一個部門的一個行動，還是很難扯清楚：到底是什麼業務上原因導緻的問題。因為本身業務上的事就是各種因素相互交織很難扯清，比如：

• 内容運營：傳播渠道、主題、調性、風格、圖片，發送時間，差一個都可能撲街
• 活動運營：目标群體、活動門檻、獎勵内容、參與規則，差一個都可能撲街
• 用戶運營：新人進猛做留存就差，留存猛做新人進費用就少，兩頭都做兩頭投入都不夠
• 商品運營：選款時候看100個維度，可一天不上線一天不知道真實表現，你上了，他撲了
• ……

可能做數據的同學本能反應是：能做ABtest呀。

實際上大部分業務是沒有時間、空間做ABtest 的，而且有些東西（比如選品、文案）影響維度太多，得做無數組ABtest才能測清楚。

而且對已經發生的事，也沒法再做ABtest了。所以想區分相互交織的因素，還得有更多輔助方法配合。

#專欄作家#

接地氣的陳老師，接地氣學堂，人人都是産品經理專欄作家。資深咨詢顧問，在互聯網，金融，快消，零售，耐用，美容等15個行業有豐富數據相關經驗。

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