沒有數據分析思路，該怎麼辦？

很多同學苦於沒有數據分析思路，工作中要麼是對着數據發呆，要麼不知道怎麼用數據來論證業務問題。上網查文章，看到的都是：什麼結構思維、對比思維、底層思維這種似懂非懂的詞。今天我們通俗講解一下，該怎麼形成思路，保證人人都聽的懂。

一、基礎的分析思路，這麼建

這就是一個完整的數據分析思路的例子。

很多同學可能會納悶——啥！這就數據分析了？底層邏輯、裂變思維、CNN模型呢？

除去各種玄幻的名詞，除去巨複雜的統計學、數學方法，分析的本質就是這麼簡單：

1. 觀察現象（冷、發抖、打噴嚏）
2. 結合原理（感冒的症狀）
3. 做出推論（我感冒了）
4. 採取行動（吃藥/扛過去）
5. 驗證假設（吃藥3天/扛了3天）
6. 進一步分析（症狀消失/症狀加劇）
7. 進一步行動（不理它/看醫生）

分析思路跟具體工具關係並不大，沒有數據的年代，還有定性分析方法；有數據的年代，還有基於調查問卷數據的調查分析，有基於交易數據的經營分析，有基於用户APP/網站行為的“大”數據分析。

數據來源越豐富，數據越準確，可用的分析方法越多，結果也越精確，但基本思路是一樣的。

二、進一步的提升思路，這麼做

那既然分析思路是這麼簡單的東西，為啥總感覺很難找到呢？

注意：上邊的例子看似簡單，可背後有一些基本前提：

1. 觀察到位：我們觀察到了冷、發抖
2. 瞭解原理：我們知道感冒有這些症狀
3. 可以採取行動：我們能決定吃不吃藥
4. 可以觀察到行動結果：我們能觀察到吃藥效果

這些前提在真實工作中，常常不存在。

1. 數據分析師不瞭解銷售/運營/產品/售後到底在幹啥
2. 數據分析師只懂跑數，對銷售/運營/產品原理一竅不通
3. 業務行動計劃不知會數據。到底有沒有整改問題，啥時候改，改成啥樣，都不知道

以上都不知道，自然沒法把分析邏輯和業務結果聯繫起來，經驗也沒法積累。

這就好比一個人，既沒有淋過雨，也沒有醫學常識，每天坐在空調房裏敲鍵盤。你去問他淋雨了不舒服會怎樣，肯定是問不出個所以然的。

想這一步困境，懂醫學常識是必然的——就像醫生診病，不見得醫生非要把所有病都得一遍，但是懂醫學理論，就能有條理的診斷病情。

當然最好的狀態，是建立起：設定數據指標→數據監控過程→數據預警問題→分析問題→探索對策→進行測試→驗證假設→總結經驗→循環監控的流程。

很多同學羨慕的所謂“大廠經驗”，其實只是這套流程運轉的比較順利而已：

三、更復雜的思路，這樣想

然而只懂醫學理論，還成不了真正的醫生。

因為現實中能一見到醫生，能清晰的説出：“自己從27號開始發燒，已經持續到今天，期間體温沒下過38度，27號淋了雨，沒有其他症狀，沒有喉嚨痛”——這樣理性、清晰的病人少之又少。

真實的病人總是一進門只會哼哼：誒呦，誒呦，誒呦，醫生啊，我渾身難受啊，快救救我啊！

醫生問：到底哪難受？

病人：全身難受……

(╯‵□′)╯︵┻━┻

這時候咋辦？

醫生只能從0開始溝通：

• 問家屬：“到底他哪裏不舒服？”
• 查病歷：“之前有什麼病史？”
• 做檢測：“測個體温/驗個血/拍個片看看？”
• 問行為：“吃了什麼？去了哪裏？”
• 做測試：“我按你這裏，會不會更疼？”

一步步逼近真相。

這裏不全是醫學知識，更多是溝通的技巧和推理邏輯。

陳老師見過的專業的醫生，不但只談病情，連醫保政策、家庭收入、親子關係都會很耐心的和病人溝通。這些因素跟病情沒有關係，但跟病人看病花的錢、時間、精力有直接關係。最後都會影響看病效果。

數據分析工作和這種情況非常類似。

因為業務部門自己是那個在雨裏狂奔的人，啥時候淋濕的，淋濕了啥感覺，他們比數據分析師更早感受的到。就像得了感冒很多人選擇自己扛過去一樣，很多業務部門也喜歡選擇：自己扛過去。所以最後到數據分析師這裏的問題，往往是“誒呦，痛痛痛，我也説不清楚”——因為説得清楚的早自己處理了。

這就意味着，數據分析師也要像醫生一樣，不但會加減乘除，更得會望聞問切，才能切中問題要害。

好的問題梳理，是成功的四分之三。問題能理的清楚，後續的推進就能非常省心省力。

四、更深層的問題

當然，只會喊：疼疼疼的病人還不是最討厭的，起碼他有治病的意願，還能溝通。

以下這幾類都更加討厭，而且很兇險：

1. 經驗主義：醫生請直接給我感冒藥！我有十八年感冒經驗，你診斷的和我經驗不符
2. 拒絕面對：我人來的時候還好好地，怎麼到你這就病毒感染了呢！
3. 拒絕投入：你必須不花我一分錢，不驗血不拍片還能診斷對咯！不然你就是騙子！
4. 篡改數據：自己偷偷吃個退燒藥，然後測體温的時候36.7度，矇混過關……

看病的時候拒不配合的是這些人，病死了砍醫生的也是這些人——這些醫鬧是最討厭的，最可惡的。

數據分析師同樣會遇到這樣的問題：

1. 經驗主義：老夫從業20年，不符合我的感覺的都是錯的！
2. 拒絕面對：誰説我做的不好！我不做業績更差/全行業都不好！
3. 拒絕投入：項目上線要快，所以埋點就省了吧/數據治理太麻煩，業務要快！不搞了！
4. 篡改數據：人為刷流量、刷閲讀/活動規則留薅羊毛的空間/改目標、參照組

當然，這些人會怪到數據分析師頭上，説：“都是因為你不能準確、全面、客觀、深入、清晰的分析，你都不會用人工智能阿爾法大狗子！”很多同學遭遇這樣的刁難，也會問：“該怎麼 分析呀”。

注意：這已經不是分析思路的問題了。現在的問題是，這些人胡攪蠻纏，試圖甩鍋。用理性、正常的邏輯和他們無法溝通。這時候需要的是對付敵人的手段。

具體來説，是如何推進項目的戰術。

所以真遇到這些人，請不要懷疑自己的思路出問題，而是看怎麼趨利避害，爭取一個好結果，至少不白白背鍋。

五、小結

建立分析思路的基本流程是：

1. 觀察現象（市場口碑、業務反饋、指標變化）
2. 結合原理（業務邏輯+分析邏輯）
3. 做出推論（建立假設）
4. 採取行動（基於假設，採取業務動作）
5. 驗證假設（檢驗結果，積累經驗）
6. 進一步分析（持續監控）

建立分析思路，需要的輔助是：

1. 有良好的數據採集、數倉建設、數據治理基礎
2. 有良好的業務溝通機制
3. 對業務邏輯有基礎瞭解
4. 能觀察到業務行動的結果
5. 區分非技術問題，區分惡人/善人

#專欄作家#

接地氣的陳老師，微信公眾號：接地氣學堂，人人都是產品經理專欄作家。資深諮詢顧問，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