數據分析之道：抽絲剝繭，存乎一心

這將是一個以“數據”説話的時代，更是一個依靠“數據”競爭的時代！麥肯錫公司稱：“數據，已經滲透到當今每一個行業和業務職能領域，成為重要的生產因素。”並且，在世界500強企業中，有90%以上都建立了專門的數據分析部門。由此可見，數據分析的重要性以及未來趨勢。

那麼，數據分析究竟是什麼？需要掌握哪些技能？如何進行數據分析？

我今天要分享的主題是：數據分析之道，抽絲剝繭與存乎一心，也就是我對於數據分析本身的實踐與總結。

01 解構數據分析

我們字面拆解：數據 + 分析，數據是基礎，分析是主導。可見，數據並不意味着價值，分析和決策才能創造價值！

而數據分析：思維方式大於實踐方法思維方式：業務目標及調研+思維邏輯+創新想法+可行建議

實踐方法：數據彙總統計+工具使用+可視化

數據分析對一個企業有巨大價值，則是對企業“數據”進行全方位的分析，兩者相輔相成才能實現企業決策價值最大化。

所以，我們做好數據分析，要對數據分析的價值有清楚的定位，不能淪為單純的 “取數”、“做表”、“寫報告”，數據分析應該是對業務有實際的指導意義，並結合業務痛點去發現問題從而解決問題的工具。

1. 靈魂三問

數據分析的靈魂三問，這就是我今天講的主要內容：數據分析是個什麼東西？他到底解決什麼問題？

數據分析如何學習技能知識？需要掌握什麼樣的能力？

數據分析如何進行?有什麼方法論？

一談到數據分析，我們就會聯想到這些問題。

然而，我接觸數據分析的契機，是從剛開始工作是接觸的數據處理和市場調研，再之後商家代運營，產品數據運營等，這些工作中都涉及數據分析，到現在和朋友一起創建小飛象數據分析社羣。

其實，我理解的數據分析不是從什麼高大上的角度出發，它繞不開是什麼、是多少、為什麼、會怎樣、又如何這幾個問題。

説明白點：

• 是什麼（樹立數據標準）
• 是多少（數據描述狀況）
• 為什麼（探索問題原因）
• 會怎樣（預測業務走勢）
• 又如何（綜合判斷狀況）

其核心就是分析數據（結合統計學等知識），找到規律（比如異動），給出結論和建議，進而能夠輔助決策。

那麼，接下來我們來看一下數據分析在工作中幾種常見的應用場景，切身體會一下：

• 活動上線前，需要做A/B測試，通過數據反饋結果，驗證活動是否符合預期；活動上線後，還要分析實時數據，調整推廣節奏和推廣動作。
• 設計產品時，需要用數據來分析用户行為，挖掘用户需求；產品誕生後，還要用數據監測用户行為、測試產品功能，促進產品迭代。
• 推廣拉新時，需要對每個引流渠道進行質量評價；我們要收集每個渠道的投入，用數據分析來分辨渠道資源的效果，對比各大渠道對業務的影響，從中找出最優渠道。
• ······

以上就是工作中遇到的數據分析應用的場景，然而，我在曾經公司裏面親眼看到，日常工作涉及到決策的時候，會常常出現如下場景：

場景一：“我覺得”、“應該”這樣的詞彙，誰也説服不了誰，一點點小事都要老闆去拍板；

場景二：活動效果沒出來，做彙報時，遭遇靈魂式追問：

• “上線的新功能效果如何？”
• “接下來打算怎麼優化”
• “最近數據波動的原因是什麼？”
• ······

有以上這樣的場景，其根本原因在於缺乏數據思維思考邏輯，對業務的思維只停留在淺層的對比，甚至會出現“拍腦袋決定”的情況。

所以，在工作生活中，我們應該不斷培養數據思維的習慣。舉幾個習慣：

• 若看到一個廣告，嘗試去分析廣告的受眾羣數量大小，渠道數量、成本和效果回收的情況。
• 若看到一個活動，想辦法去拆解出它的目的、針對人羣、預期活動目標、投入成本、獎品爆率模型等信息。
• 若看到一個產品，在使用完畢之後去分析他的商業模式、面對的用户羣體、羣體的使用場景，以及可能設置的付費點並去驗證，同時想到可改進的價值點，並觀察後續運營動作是否驗證了改進點。
• 若看到一組客服回訪數據，能想到線索來源，通話總次數，通話有效次數&時長，線索意向級別，銷售司齡，套餐類型，來判斷這組客户的意向度，以及跟進程度，成單週期。
• 若看到一列數據，我們應該可以清楚的指出數據是否有波動，這種波動是否正常，可能由哪些原因帶來了這些波動，相關的原因是否有數據呈現。
• 若看到一篇關於運營效果的報告，我們應該試圖去分析它的內生邏輯是否足夠支撐報告的結論，在哪些點上可能沒有詳盡調查。
• ·······

以上是我們可以在生活中培養數據思維的習慣思考場景，當然，在實際工作中的前提是，我們要熟悉自己的業務流程以及業務指標等，我們在培養數據思維的同時數據敏感度會不斷提升。

2. 數據的特性

數據是客觀事物發生留下的客觀事實，發展變動的數字化記錄。隨着科學技術的發展，數據的概念內涵越來越廣泛包括數值，文本，聲音，圖像，視頻等。

而新增用户、留存、用户活躍、轉化、收入、用户規模等，通過數據量化，我們才能精準感知業務指標。所以，數據是用來描述業務指標的，是被量化的業務指標。但數據的本質還是數值，只是屬於最後結果的一種表現形式，要想改變結果，只能去尋找因，從因上做改變，才能引起結果的改變。

而數據的特性有：

1）統一性

統計口徑一致、計算邏輯一致、數據管理流程一致……

2）安全性

就是除了統一性之外，還有安全性的問題。數據會不會泄露？不同數據牽涉的敏感點有哪些？

3）時效性

很大程度上制約着決策的客觀效果。有些數據隨着時間的推移，價值會越來越小。

4）準確性

大家都知道，數據正確與否的重要性。錯誤的數據，可能會導致失敗的決策；當出現問題時，到底是後台系統的統計，還是指標統計邏輯有問題。

3. 分析的本質

分析的思維過程是：

• 發生了什麼？——追溯過去，瞭解真相。
• 為什麼發生？——洞察事務發生的本質，尋找根源。
• 未來可能發生什麼？——掌握事物發展的規律，預測未來。
• 我們該怎麼做？——基於已經知道的“發生了什麼”、“為什麼會發生”以及“未來可能發生什麼”的分析，幫助和確定可以採取的措施。

分析本質即面臨各種問題時，對於企業而言，讓業務更加清晰，讓決策更加高效。對於個人而言，認清現狀，讓自己的決定更加有利。

這些東西説起來都是高大上的，簡單來説，能通過數據找到問題，準確地定位問題，準確地找到問題產生的原因，為下一步的改進，找到機會點，也就是所謂的：數據驅動。

4. 數據分析需要怎樣的能力

1）通關心態

當你決定進入數據分析行業的第一天，你就要對標行業中的90分高手、100分高手。具備通關的心態，3年，也就是6個6個月。每6個月左右，至少要突破1個關卡。

如此，6個6個月過後，你往往能突破到第6關、第7關。

如果是你天賦極強的人，或者你的運氣很好，你極可能就成為頂尖專家了。

那麼，我們來看一下“德雷福斯模型”，把打怪升級的成長過程分為五級。

1. 第一級是新手（10-20分）。新手能記住抽象的規則，然後按照規則行事。
2. 第二級是先進的初學者（30-40分）。先進的初學者不但能按規則行事，而且能夠根據以往的經驗，面對不同的局面能採取不同的行動。新手只會規則告訴他的那幾招，而先進的初學者除了規則還有經驗，他可以在一定程度上，對不同環境隨機應變。
3. 第三級是勝任（50-60分）。勝任者面對幾個事情，能夠分出優先級。也就是説，在做決策的時候，他清楚地知道，首先應該照顧什麼地方，其次應該做什麼事。能分清什麼重要，什麼不重要。他有時候按照固定規則去做事，有時候則是依據以往的經驗。
4. 第四級是精通（70-80分）。精通者能夠把所有的信息當做一個整體來考慮。精通者考慮問題，很少理性地使用固定的規則，他已經不再區分經驗和規則，而是從整體出發，全盤考慮。
5. 第五級是專業（90分-100分）。專業者完全不受理性的束縛，他的判斷和反應都是在無意識的情況下做出的。哪怕面對的是全新的情況，他也能無意識地把這個情況和以前的經驗聯繫在一起，自動處理。

2）綜合的能力

數據分析要做好，綜合要求非常高，因為大多數據分析是要向老闆彙報的，厲害的數據分析人員至少要具備業務能力、思考能力、溝通能力、表達能力、分析能力、數據能力、技術能力及統計能力。

• 業務能力：充分理解公司戰略、行業、領導思想，最好有業務崗位實戰經驗
• 思考能力：最值錢的是想法，通過數據對這些想法進行系統化的分析和論證
• 溝通能力：對上溝通確認目標、對中要採取合作、對下要明確執行要求
• 表達能力：一切都是為了讓人看懂，態度上重視彙報，彙報講究故事和邏輯
• 分析能力：基於業務常識選擇合適的指標和維度，發現異動原因並可視化展現
• 數據能力：擁有全局的數據視野、更深的數據理解能力和操作能力
• 技術能力：EXCEL、SQL、Python/R、機器學習/深度學習引擎
• 統計能力：理解統計的基本概念、理解基本算法

以上，就是數據分析需要怎樣的能力，其實，在很多企業中，數據分析是個崗位，但我一直認為數據分析僅僅是數據從業者謀生的高級手段，數據運營、數據產品、數據管理等各類崗位都需要數據分析的技能，比如數據運營就是數據分析的一種持續迭代形式。

總之，優秀的數據分析人員一定是主動發現問題、解決問題並扛得住壓力的。

5. 常見的數據分析方法彙總

數據分析方法其實有很多，包含戰略與組織、營銷、人力資源、生產管理、財務管理、供應鏈管理等等方面。

1）戰略與組織方面SWOT分析：戰略規劃的經典分析工具

• PEST分析：組織外部宏觀環境分析工具
• BCG矩陣法：制定公司層戰略最流行的工具
• 麥肯錫三層面分析：企業設計戰略規劃、開拓增長的有效工具
• 波特五力分析：行業競爭戰略最流行的分析工具
• 核心競爭力分析：分析企業有效競爭和成長的重要工具
• ……..

2）市場營銷方面STP分析：現代營銷戰略的核心分析工具

• 4Ps營銷組合模型：制定市場戰略最經典的營銷理論工具
• 產品生命週期模型：描述產品和市場運作方法的有力工具
• 營銷漏斗模型：量化了營銷過程各個環節的效率，幫助找到薄弱環節
• SPIN銷售法：系統化挖掘客户需求的銷售工具
• 營銷戰略新三角模型：戰略業務架構分析工具
• 顧客金字塔模型：有效的顧客細分管理工具
• ……..

3）人力資源方面

• 平衡計分卡：最具影響力的戰略績效管理工具
• 360度績效考核：推進員工行為改變最有效的工具之一
• KPI：國際通行的企業經營績效成果測量和戰略目標管理的工具
• 3P模型：實施企業人力資源戰略化管理的有效工具
• 關鍵事件技術：識別工作績效的關鍵性因素的工作分析方法
• 職業錨：職業測評運用最廣泛、最有效的工具之一
• ······

4）生產管理方面

• 5S現場管理法：現場科學管理的基礎工具
• 六西格瑪：世界最先進的質量管理法
• QFD法：一種顧客驅動的先進質量管理應用技術
• PDCA：循環有效控制管理過程和工作質量的工具
• AUDIT法：保證產品質量的先進質量管理控制方法
• 零缺陷管理法：企業質量管理方法的又一次革命
• ……

5）財務管理方面

ABC成本法：企業控制成本的有力工具

• 杜邦分析法：企業業績評價體系中最為有效的工具之一
• 比率分析法：財務分析最基本的工具
• 淨現值法：企業投資決策中最基本、最常用的一種方法
• 沃爾評分法：對企業財務信用能力綜合評價的方法
• 本量利分析：實施目標成本管理的一個重要工具
• ……

6）供應鏈管理方面

• SCOR模型：第一個標準的供應鏈流程參考模型，供應鏈一體化的得力工具
• ECR系統：一種新型的供應鏈管理策略
• 關鍵路徑法：項目管理中應用最為廣泛的方法之一
• 邏輯框架法：項目質量評價的綜合評價方法
• PERT網絡分析法：有效的項目進度管理工具
• 工作分解結構：項目管理眾多工具中最有價值的工具之一
• ……..

（我挑選了幾種經典的數據分析方法，若大家對這些方法感興趣自己去查找學習~這裏不一一展開了）

02 實踐總結1. 抽絲剝繭

1）為什麼要抽絲剝繭？

我們來看一個例子：當你去分析某段時間內一個產品的活躍數據，就覺得這個事情很簡單啊，不就是把數據統計清楚嗎？看看趨勢，對比上週、上一年，然後進行分羣分析，哪部分用户流失等等。

看做完一遍之後呢，你會面臨一個糾結的情緒：同樣的指標，有同詞不同意；有同意不同詞；還有互相包含，就是我的這個指標當中有你的一部分，你的指標中有我的一部分啊；還有各不相干毫無關聯的指標卻出現在同一個報表上——這都是有可能的。

其實，在做數據分析的時候，我們就會有一個捫心自問的過程：我們到底從何下手？從哪裏開始分析呢？

我自己的思考就是：先忽略亂七八糟，高大上的概念，迴歸到本質，其實，明確分析目標後，數據分析就是為了指標服務的，最終的體現就是某個數據指標提升或者下降，進而影響業務決策，所以需要先了解一個問題：什麼是指標？它應該如何被解釋？

指標，它分成單一指標和衍生指標，衍生指標有一個或多個單一指標的計算得來。指標有維度和度量組成，需要注意的是，衍生指標的維度來源於組成其單一指標維度的交集。

單一指標需要經過數據統計的前置篩選，才能在邏輯上成立；衍生指標沒有自己的統計口徑，其統計口徑寄生於組成其的單一指標身上。

其實：指標就是由維度和度量組成。

我們可以給指標下定義：指標是描述一個數據統計業務的最小邏輯單元。

例如，咱們來拆解一個數據指標，就需要一個抽絲剝繭的過程，但在實際業務分析中，不一定要拆解的多麼細，基本上3個層級就能夠指導我們去做一些動作。量化以及拆分指標，是數據分析的靈魂。

一級指標必須是全公司都認可的、衡量業績的核心指標。它可以直接指引公司的戰略目標，衡量公司的業務達成情況，本質上需要管理層和下級員工的雙向理解、認同，且要易於溝通傳達，比如公司的銷售額，或者社交產品的活躍度。

二級指標是一級指標的路徑指標。一級指標發生變化的時候，我們通過查看二級指標，能夠快速定位問題的原因所在。如我們的一級指標是 GMV 和訂單數量上升，那怎樣去定二級指標呢？我們就要去拆解一級指標，而能夠影響到 GMV 和訂單數量上升的，就是我們的核心二級指標。比如説貨品的單價上升，或者最近做的一些活動。

三級指標是對二級指標的路徑分析。通過三級指標，可以高效定位二級指標波動的原因，這一步也會基於歷史經驗和拆解。

2）小結

迴歸今天的議題是數據分析之道，我們可以回到公司的戰略層，回到企業發展的戰略上去思考問題，需要我們思考如何應用數據分析，通過數據團隊搭建、數據指標監控體系搭建、業務分析模型規劃、業務目標規劃、相關責任人梳理等方式，快速地幫企業解決問題，實現業務增長！

所以，我認為作為一個數據分析人員而言，抽絲剝繭、總結規律、解決問題的思維方式能力，是最核心的能力。衡量一個數據分析人員是否優秀的標準，並不是學各種SQL、Python/R等數據分析工具，而是，是否能夠解構問題思維方式、還原本質、找到規律、尋找提升業務的最優解。

去尋求最優解、發展規律，那就應該運用到自己的思維框架——我們該怎麼去找到規律、怎麼去發展、怎麼去找到這個細節，需要這三步法。

2. 三步法

1）三步法

首先，還原場景，尋找規律；深入細節，全面觀察；窺斑見豹羣，準確推演；交叉驗證，排除影響。要沉的夠深，要足夠的信心，要扎得夠狠。要跳出細節，迴歸本質，用上帝視角做敏鋭的洞察思維，大膽假設，尋找規律。

其次，覺得大方向上沒有問題，不要輕易下結論，還要再跳回到那些紛雜的細節當中，去一個一個地驗證你總結出的規律是不是適用，要保持一顆謙卑的心。當發現這些規律不適用的時候，就要大膽改正。

最後，就是場景與驗證，需要回歸到細節，做仔細的核對，小心地求證，嚴格地論述；要理清場景，一定不要有遺漏，要及時地調整，迭代更新。

2）小結

對於數據分析人員而言，給出的每一份數據，都要抱着對其負責到底的態度，這樣大家才能建立相互信任。所以，用思維去擊穿複雜的邏輯，抽絲剝繭，發現問題的本質，這是一種需要被加強的能力。

這就是在當下而言，為什麼數據產品經理、數據科學家這些厚重的職位，會成為當下的數據分析熱門領域的原因——就是因為它對能力跟素質有新的挑戰，不是大家能輕易適配的崗位。物競天擇，適者生存，市場規律就是供給多了，需求就容易滿足；供給的少，自然價位就高。

所以，你要去做那個供給少的環節，成為這個行業當中比較少見的人，而不是成為普遍的人。

3. 存乎一心

1）指標監控體系的搭建

當你把一個東西解構的足夠深的時候，你會面對一堆的需求碎片，萬法不離其宗，先找到離你思維邏輯最近的那一步，叫第一層立足點。找邏輯點的時候，我們就要存乎一心，明確分析目的，發現核心指標。尤其是第一指標，在整個分析過程中都不忘最初目的，其實就非常簡單。

那麼，如何去搭建一個指標監控體系？

①要明確產品業務目標以及KPI和所處的產品階段

要認清和明確目標。判斷業務走勢正常還是異常，探索解決問題的辦法，都是從計算目標和現狀的差距開始的，這一點非常重要。而不同的產品階段是有不同的產品目標業務的。

拆解目標，細分可以有多種類型，比如常見幾種的：

• 按達成時間為：年、季度、月
• 按服務對象為：各個部門、整個公司
• 按流程位置為：結果型目標/過程型目標

②根據現階段產品業務目標，將數據指標分級

數據指標有很多：日活DAU、月活MAU、下載量、激活量、新增註冊量、活躍度（DAU/MAU）、次日留存率、次人均時長、首頁訪問率、停留率、人均充值金額ARPU、GMV，客單價等等，我們會針對不同的指標，分不同的層級。一個數據指標，會受到多種因素的影響，而這些因素有內部的，有外部的，我們應當儘可能多的瞭解所有層面的影響因素，幫助我們對於數據的解讀及分析是在一個相對正確的範圍內。不一定要拆得太細，否則層級會過深，基本上 3 個層級就能夠指導我們去做一些動作。

我們還以上述一級指標 GMV 提升為例，我們拆解後發現是轉化率提升，那麼轉化率就是二級指標。而三級指標則起到能夠直接指導一線運營的角色和作用，接着分平台去拆解各個轉化率的時候，我們發現是 IOS 的客户端轉化率有所提升。那為什麼安卓沒有提升，是不是 IOS 最近做了一些迭代？是不是它的一個轉換路徑比其他端好？這些思考就能指導業務人員展開行動。

③搭建以日、周、月為單位的數據指標監控體系報表

監控每日、過去一週，上週， 上月同周， 上上月同周的數據報表，以圖表展示，來反映產品的變化趨勢，通過過去的一週數據反映產品現狀，通過每日、周、過去三個月的產品業務線數據變化趨勢預估未來的變化趨勢。

監控指標體系的基本邏輯：先看一級指標，結合二、三指標再預測判斷未來趨勢。

④根據數據監控結果，明確管理流程，實現控制

第一，當指標有異常狀態，明確運營策略執行者。如：

• GMV降了→ 客單價降低了→ 用户運營想策略
• GMV降了→ 某類商品降幅大了→ 商品運營想策略
• GMV降了→ 外部流量太少了 → 渠道運營想策略

第二，再明確執行時間。要有時間狀態和走向判斷。如:

• 過去+負向 → 關注某某的問題
• 過去+正向 → 發現什麼的經驗
• 未來+負向 → 警惕啥啥的風險
• 未來+正向 → 提示怎樣的機會

第三，明確需要多大力度，如：

注意出現異常，要提高等，立即執行。

比如：“如客單價不能在3天內得到改善提高，本月KPI將不達標，需立即優化商品組合，提升客單價”。

第四，覆盤改善後效果

搭建數據監控體系，最主要環節就是效果的覆盤。而且要先看是哪個層級的效果，再看具體效果大小。

2）小結

我們是要對數據的質量負責、對數據的追蹤負責、對數據服務的可靠性負責。回到存乎一心這件事，其實就是從碎片化的需求當中，結合自身和外部資源，將我們思維的底層邏輯體系一點一點的收攏起來，較精細化的解決問題。

而存乎一心的核心是應對諸多碎片化的需求時，有着深刻的洞察，順勢發展，因勢利導，隨機應變，運用之妙，存乎一心，以滿足業務訴求。

03 數據分析之道

新事物的發展速度遠遠超出我們的想象，因此，關於“道”的思考還需要繼續深入，暫且當做是數據分析領域裏孜孜不倦又樂在其中地求索。回想搭建小飛象數據分析社羣的歷程，我們做了很多的準備工作，從社羣願景、價值觀、使命的規劃，運營體系的搭建，到內容體系的搭建，初始用户調研，後來用户反饋等等，遇到的困難一點點解決。

我覺得我們是站在了內容、商業和體驗的三者之間，我們為羣友營造用户體驗，我們為社羣爭取商業利益，同時我們也消耗着內容資源，面對內容要高質量提升的挑戰。

但是一定要有一個平衡點，這個平衡點就是最優解。我剛才講的那一切都可以忘掉，那都不是你的數據之道。回到你的實際情況當中，你要這三個點中尋找一個平衡。

所以，回到方法論就是要找到平衡點，也許這個平衡點一腳站在了內容上。

實際上，“數據分析方法論”是承上啓下的法門，往下，它們指導着“數據分析工具”的開展，往上，“數據分析之道”是戰略，是形而上的價值體系，我們需要建立自己的數據價值觀，一以貫之。

因此，如果你想真正的利用好數據分析，上述的抽絲剝繭和存乎一心，才是你們強大之道。

04 結尾

在經濟整體下滑的大環境中又受到疫情衝擊的2020年，各中小微企業都面臨着巨大艱難挑戰，並有着前所未有的機遇，希望這篇文章可以為焦慮中的中小微企業對於“數據分析”的應用帶來一點思考，幫助實現真正意義上的“數據驅動增長”。

最後，把非常喜歡的一句話送給大家：悲觀者往往正確，而樂觀者往往成功，與君共勉。艱難環境下，正是逆境崛起和彎道超車的好時機，願大家都能找到自己的數據分析之道。

#專欄作家#

木兮擎天＠，微信公眾號：木木自由，人人都是產品經理專欄作家。多年互聯網數據運營經驗，涉獵運營領域較廣，關注於運營、數據分析的實戰案例與經驗以及方法論的總結，探索運營與數據的神奇奧秘！

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