編輯導語：數據分析報告太平淡，沒有實際價值，也沒有建設性意見，怎麼辦？本文作者介紹了四個方法，分别是标杆分析法、業務診斷法、機會識别法、概念測試法，助力大家的數據分析報告更上一層樓，一起來看看吧。

為什麼“數據分析報告太平淡，隻是陳述事實，沒有建設性意見”是很多企業的抱怨。

“數據分析建議要可行，有建設性，能産生效果”也是很多企業的要求。

問題是：咋做到呀！

通常來講，有四種方法，可以從數據中推導出高質量、可落地、可見效的分析結論。但是，并沒有一種方法是包治百病的仙丹。每種方法都有特定的使用場景和難點，今天和同學們系統的分享一下，以供參考。

一、标杆分析法

标杆分析法的思路很直接：找一個做的好的标杆，直接複（chao）刻（xi）标杆的做法。既然别人這麼做能成功，那理論上我們這麼做也能成功。标杆分析法的步驟：

• 明确要分析的業務線及分析目标（收益最大化？增長速度最快？用戶體驗最好？）
• 在該業務線中，圍繞目标，尋找可作為标杆的對象（目标不同，标杆自然不同）
• 剔除異常情況，歸納。比如運氣/行業紅利/特殊資源（确保标杆可複制性）
• 總結标杆特征，導出分析建議（學習1、2、3、4做法，即可成功）
• 進行測試，檢驗标杆效果（最後行不行，還得試一試）

比如，做銷售分析，在推導分析結論的時候，就不是簡單地說：“銷售業績低了，建議搞高”。而從銷售隊伍中樹立标杆，總結特征，複制行為（如下圖）。

标杆分析法适用性很廣，但是有三個明顯缺點

• 缺點1：異常難剔除。所謂“失敗的大緻相同，成功的各有特色”，一般标杆都或多或少有不可複制因素，很難讓人100%信服。
• 缺點2：特征總結難。相當多特征是難以量化的，特别是人主觀努力與個人素質。
• 缺點3：時代局限性。有些方法在過去管用，現在不見得管用。

特别是在複制外部标杆的時候，常常因為數據采集不全，導緻找一個“外表内美，内部拉胯”的同行案例做标杆，此時就更容易翻車。

二、業務診斷法

業務診斷法的思路也很直接：找到目前業務哪裡做得不好，哪裡不好就改哪裡，改完就好了。注意：所以叫業務診斷，是因為最後輸出的結論，應該是指向一個具體的業務行動，而不是簡單的扔一個“XX指标低了，要搞高”出來（如下圖）。

做業務診斷法的步驟：

1. 建立監控指标（一般做漏鬥分析，或拆解分析）
2. 樹立判斷标準（現有判斷好壞的标準，才能下結論）
3. 發現當前短闆（轉化漏鬥最弱一項，拆解中最弱一項）
4. 追溯業務問題（這裡的弱，是因為運營/産品/價格/……導緻的）
5. 給出診斷建議（基于業務條件，評估改善可行性，給出建議）

這裡最難的就是第四步。想做好第四步分析，需要對業務流程做詳細拆解，并對具體做法打标簽，才能做深入分析（如下圖）。

注意：第五步給建議的時候，也可能不是哪裡弱補哪裡，而是“以強補弱”（如下圖）。

這樣基于業務現狀 曆史數據，對建議進行簡單的可行性評估後再給出，會讓建議更有說服力。業務診斷法的缺點是很明顯的：第四步容易被卡住，成為業務方互怼的導火索。特别是問題發生在轉化漏鬥的末端，大家都有責任的時候，更容易引發争吵（如下圖）。

此時，需要花特别多的精力，把這幫人的各種說法論證清楚，不然分分鐘會被人當成對戰的棋子，怼得死去活來。

三、機會識别法

機會識别法和标杆分析類似，但是不是拿整體作為參照對象，而是從細節裡找思路。最典型的，比如發展了一群客戶，質量有高有低，這時候有兩個典型的做法：

1. 從現有用戶裡，挑出高質量群體，單獨看該群體畫像，思考如何做大該群體。
2. 從用戶畫像角度，挑出理論上高質量群體，再看目前獲取數量，思考如何做大。

這樣就是所謂的：機會點識别。

所以叫機會點，是因為：到底是否能做大，做大了到底好不好？在眼下是不清楚的。很有可能顧此失彼，為了服務一個群體，得罪其他用戶很有可能因小失大，多賺了一個群體錢，流失其他用戶很有可能鏡花水月，單一群體數量太少，無法撐起大盤總之，得實驗，實際測試幾次，才隻能看出數據變化。

這也是機會識别和标杆分析最大區别，标杆分析看得是實際上已經成功的樣本，機會識别的，真的就隻是一個機會。

機會識别法的弱點也是很明顯的：嚴重依賴業務配合。

如果業務方懶得給出配套方案，那就永遠無法測試這個機會點到底能不能成。更糟糕的是，在沒測試前，到底是不是機會，是無從定論的。于是，業務方會簡單按照：是否這個機會與老闆觀點一緻，進行判斷。總之，老闆說這個好，這個就好。老闆沒說過，那就不好……這更讓客觀的機會識别無法進行了。

四、概念測試法

以上三種方法，都是基于已發生的數據做推導的。也可以完全沒有數據，憑着業務方靈光一閃：“我有一個好點子！”然後直接拿來測試。這是完全OK的。常用的ABtest方法也是滿足這一需求。

但注意，很多業務上測試，實驗的是一整個流程的SOP，并非一個孤立的頁面。因此在設計實驗的時候，一定要對測試的流程做好拆解，在可能影響實驗的節點上，打好業務标簽，這樣才能在事後分析的時候有據可循，做疊代的時候也有方向。不然隻看最終的結果，還是看不出所以然來（具體拆解方法，參考業務診斷法的做法）。

概念測試法的缺點也是很明顯的：概念是人提的，數據不會撒謊，人會！

比如：為了維護自己面子，即使新版本改善不明顯，也非得說丫明顯。比如：為了讓自己見效，搞“瘸子裡邊挑将軍”，把B方案做的明顯爛，或者換湯不換藥，搞個和A方案差不多的B來比，反正最後都是自己的主意勝出。至于上線後對業績改善不明顯？好辦，直接把鍋甩給數據分析，說ABtest說的不準即可。

五、深層思考：讓數據見效真難

這個問題的本質，不是“數據有沒有用”而是“真的每個公司都能成為天下第一嗎？”顯然，很多公司在業務上是先天有短闆的，老闆缺乏遠見，業務缺少能力，運作不夠規範……

反應在數據上，是：

• 缺少内部标杆，躺在黃曆上吃老本
• 缺少業務标簽，幹業務全靠拍腦袋
• 缺少測試動作，隻在紙面坐而論道
• 缺少合理的AB方案，拼命證明自己是對的
• 缺少科學态度，在缺少以上四樣的東西的基礎上，指望數據分析師，憑借着現有數據庫裡殘缺不全的交易記錄，分析出驚為天人的救命仙丹

數據救不了這種公司，換誰來都不好使……而做數據的同學，一定要努力多掌握幾種方法，多做一些嘗試，這樣才能識别出：到底是我的思路不到位，還是公司環境真的太差。畢竟學到的本事是自己的，這家公司不好，還能換下一家。

#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Pixabay，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