數據分析：核心思路三步走

編輯導語：數據在產品的各個流程都能起到至關重要的作用。那麼，當數據出現問題時，該如何進行有效的數據分析、並最終達到解決問題的目的呢？本篇文章裏，作者就提供了一個相對結構化的解決思路，希望能對你有所幫助。

不管你是產品、運營、還是市場，是否經常遇到以下幾種情況：

針對一個又一個問題，如果沒有清晰的問題分析思路，即使解決了當前的問題，等你遇到新的問題又會無所適從。那麼數據分析這件事情，不管是放在產品、運營、還是市場，都是一門必修課。

從本質上，數據分析最終目的就是解決問題。

有可能你做的項目沒有一個專門的數據分析平台，沒有數據後台，但這並不妨礙你去思考這個數據表現出來的問題該如何解決（可能 Excel 就可以解決很多你遇到的問題了）。

今天要分享的，就是當你在工作中遇到了某個數據出現問題的時候，怎麼去分析某個數據問題的思路。

既然是解決問題，那麼一定涉及到解決問題的思路。

給大家介紹一下之前考項目管理中的【問題解決工具】，希望能夠幫助大家在用數據驅動解決問題的過程，有一個結構化的解決思路。

一、核心要素

當發現出現某個問題，或者應對某個挑戰的時候，使用結構化的問題解決方法可以有助於制定長久有效的解決方案，主要包含以下核心思路：

二、PDCA 戴明環—Plan-Do-Check-Act

常用的閉環迭代框架戴明環 PDCA，也是解決問題或者説可以應用到平時工作上的方法，幫助你做結構化的思考。

主要包括計劃(Plan)、實施(Do)、檢查(Check)、執行 (Act) 4個步驟，循環迭代，不斷提升。

其實還可以加一個環節- T (Think) 思考總結。

結合問題解決工具和數據分析的常用流程，可以提煉出數據分析的核心思路。

三、核心思路1. 發現數據問題後，定義 X 問題

XY 問題：你想解決問題 X，但覺得 Y 可能是解決 X 問題的方法，但是你不知道 Y 應該怎麼做，於是你去問身邊的人 Y 應該怎麼做；但是 Y 不一定是 X 的解決方法，通俗地講叫作 “過早下結論”。

所有分析的源頭，必須是要先識別要解決的重要問題是什麼，為什麼是最重要的。當你確定了是什麼，和為什麼重要，那麼也就逐漸明確了數據分析的目的。

1）定義 X 問題技巧

可以根據不同類型的問題，用一個包含”如何、是否、原因是什麼”問句來描述，比如：

2）問題具體化，不可太過於寬泛，否則數據收集會變得很困難。比如某個產品數據有沒有變好？

2. 定位問題，識別根本原因

那麼經過定義 X 問題，明確了數據分析的目的後，就需要開始找問題出在哪兒。那麼就有幾個數據分析的方法了，給大家分享幾個常見的分析方法。

1）全鏈路分析

對整個環節的每個節點進行分析，比如大家熟知的漏斗模型，AARRR 模型，都是典型的全鏈路分析。

以及業務模型中的用户生命週期、產品生命週期等，針對產品，或者運營整體的每個節點進行分析。

全鏈路分析的核心步驟：

2）組成因子分析

把整體目標按照某種分類標準，分解成不同的組成因子。因為整體目標只能看到目標達成的結果，不知道是如何達成的，執行細節是如何。

組成因子拆解的技巧：

3）影響因子分析

很多時候，因子對結果的影響是定性的，而不是像組成因子一樣是定量的，所以並不能完全把結果拆成多個因子相加。那這個時候可以用影響因子分析，列出對結果有影響的因子逐個分析。

比如説銷售額，影響因子有商品、會員、客服、流量、活動等，但你不能説銷售額=商品+會員+客服+流量+活動，對吧？

4）枚舉法

簡單粗暴地列舉出所有可能影響這個數據的因素。枚舉法大概會有以下 3 大步驟：

在列舉的時候，也可以用到親和圖，分類別列舉。

並且一定要有排序思維（將某個指標降序或者升序排列）。比如説在分析某個競爭對手的自然搜索關鍵詞的時候，面對大量的數據，先確定關注哪一部分數據能帶來最大的收益。

比如我在分析競品 Google Organic Search 關鍵詞流量的時候：

3. 提煉出有效的、明確的數據結論

優秀的數據結論，並不是得到一堆圖表，它是有價值的結論。培養一種 “以終為始” 的思維，從最終結果出發，反向分析過程或者原因，尋找關鍵要素，採取相應的策略，從而達成結果並且解決問題。

那麼怎麼樣得到有價值的數據結論呢？一般有這麼幾個步驟。

本文由 @旋哥原創發佈於人人都是產品經理。未經許可，禁止轉載。

題圖來自 Unsplash，基於 CC0 協議