編輯導語：上一篇我們提到了如何描述現在的具體問題，接下去便是找到這些出現問題的原因；本文作者用縮小問題範圍的方法去找到根本原因，進行分析，這樣會更加的精確；我們一起來看一下。
分析原因在我看來分成兩個步驟。
- 第一個步驟，縮小問題範圍。問題集中在集中表現在哪個方面？
- 第二個步驟，找到根本原因。問題究竟是什麼原因導致的？.
這樣說大家可能不好理解，我舉一個例子。
某天，小明覺得肚子痛，醫生首先要確定的是，肚子痛到底集中在哪個部位？
醫生透過檢查之後發現小明肚子痛實際上是胃痛，這個過程就把疼的範圍從肚子縮小到了胃——這就是縮小範圍。
但只知道這一步還不夠，第二步醫生需要解決的事情是為什麼會胃痛？到底是胃潰瘍，胃炎，還是其他什麼什麼疾病？這一步是找到根本原因。
只有完成第二步的分析完成了才能夠對症下藥，所以在找出原因的過程，我們需要完成上述的兩個步驟。
今天呢，我先聊一下第一個步驟—— 縮小問題範圍。
一、為什麼要縮小問題範圍為什麼我們首先要縮小問題範圍，還不是直接解決問題呢？
如果你的領導佈置任務的時候說：我們一要加強渠道推廣，二要最佳化使用者體驗，三要加強團隊建設，四要做好售後服務。
你會是什麼感覺？
我們會覺得基本上這些話跟廢話沒有區別，這樣的要求更像是一種口號，它並不能落地。
好在是商業問題是存在二八現象的。
80%的收入由20%的使用者產生；尤其是遊戲業務，當付費金額下降的時候，處理好高價值使用者，要比整體的付費提升更加精準有效。
由於二八定律的存在，所以我們只要解決這20%，我們就能解決大部分的問題。
而且企業的資源是有限的，這個資源包括人力、資金、時間等等。
企業同時要解決問題非常的多，像上面的例子中，渠道推廣、使用者體驗、團隊建設、售後服務等都是需要解決的問題。
但解決了其中一個，就沒有精力解決另一個；所以，由於資源的限制，我們需要將問題集中在。最能產生效益的事情上。
由於二八定律的存在，和資源的限制；我們集中資源做一件事，解決大部分問題——這種做法最高效的。
二、如何縮小問題範圍那麼，我們究竟如何將問題縮小到一個更小的範圍呢？
簡單地說就是細分+對比。
如何細分？
1. 指標的組成成分的拆分一個複雜指標無法直接影響。
專題類分析要解決的指標往往是結果指標，比如說我要解決銷售額的問題。
那你不可能說銷售額太低了，我們要把它做高。
這樣的分析結果對於業務方來說完全是廢話，銷售額這個東西的決決定因素太複雜了，正是不知道該怎麼做搞才找到分析師的啊。
業務方想知道的是，要做高銷售額，現在最優先要解決的具體問題是什麼？
所以我們要將銷售額拆分成我們業務方能夠理解並且能夠影響的指標。
比如：
銷售額=使用者量×轉化率×客單價
這是經典的銷售額拆分方法，提高細分的指標，相比提升銷售額這種複雜的指標要更容易落地。
比如最後分析發現是使用者量下降導致的銷售額下降，那麼提升使用者量，我們可以透過拉新、促活、召回；這些都有很成熟的方案，很容易落地。
拆分成不同的指標的好處也可以讓業務方的分工更加明確；有些人負責提高轉化率，有些人負責提高客單價。
如果每個人的最終目標都是為了提升銷售額，那麼就有點吃大鍋飯的感覺；最後資料有提升也說不清楚，到底是你帶來的，還是我帶來的。
所以必須先把結果指標，拆分成可落地的細分指標。
2. 維度的拆分第二種拆分方法是給指標加上維度，拆分不同維度下指標的表現情況。
還是以銷售額舉例子，我們可以將銷售額這一個指標拆成不同的維度。
最常見的，並且往往第一步要做的拆分方法是以時間為維度進行拆分，比如不同日期的銷售額的變化情況。
時間維度的拆分，不管對於資料異動類的分析，還是現狀最佳化類的分析都是非常有用的。
比如異動類的分析，我們透過時間維度，可以找出資料異動究竟是突發的，還是持續性的。
如果是突發的，那麼有可能是資料本身的異常、或者說出現了比較大的業務動作。
而持續性的資料變化，那麼往往是業務問題，比如行業問題、競品的影響、產品功能體驗不佳等——這又可以縮小我們的問題範圍。
對於現狀最佳化類的分析，我們按照時間去拆分；往往有一些時段會高一些，有一些時段低一些；那麼我們能不能看一下高的時段，他為什麼高，低的時間段為什麼低；從而總結出好的經驗。
除了時間，我們還可以按其他維度，比如按照品類區分，看一下不同品類銷售額的差別；也可以按照使用者型別區分，新使用者老使用者，或者高價值低價值，各自的銷售額有沒有變化。
這裡的維度可以自由發揮，但是沒有業務邏輯的拆分是很難得出結論的。
什麼是業務邏輯？
如果我們從時間維度發現，銷售額是突然下降的，那麼我們會懷疑是不是資料出問題了。
這類資料問題，可能是產品問題導致的，比如某個按鈕的跳轉失靈了；或者資料傳輸的問題，某個伺服器的日誌丟了。
有了這樣的業務假設，我們透過APP版本、伺服器地址等的維度拆分可以排查出來。
但如果資料是持續性下降的呢？這種一般都是由於業務出現了問題。
這種情況下如果你還按照APP版本、機型去拆分，基本都是做無用功，會得出一些不痛不癢的資料結果。
我們的判斷是業務出了問題，那麼就要按照業務問題去拆分，可以從外部到內部，先看看行業整體情況，再看內部的問題。
要做拆分找原因，必須要有業務假設；不要覺得維度拆得多就一定找的到答案，很可能只是做無用功+把問題搞複雜。
3. 流程上的拆分，漏斗如果要指標是一個固定的流程產生的，那麼我們可以用流程的拆分，最常見的就是漏斗分析；比如說我們要拆分銷售額，並且發現是轉化率有問題，那麼我們可以繼續將轉化率繼續拆分。
常見的，比如說使用者的購買轉化，需要先看到商品，然後在商品頁做一定的停留，在點選購買，在支付最後支付成功。
這條鏈路，如果說我們發現使用者在商品頁的流失很高，那麼也就是說明使用者在商品頁上存在了問題；至於為什麼在商品也流失率很高，這是後續要解決的事，分析原因的第一步到這也就基本完成了。
4. 這三種方式並沒有一個固定的公式比如說在遊戲的付費分析當中，如果發現付費的金額下降了，那麼我們進行分析。
可以先按照組成指標拆分，人數、轉化率、客單價三個指標，前兩個沒什麼變化，客單價下降比較多。
那麼我們可以繼續將客單價的分佈畫出來，發現rmb玩家的金額在下降，那麼可以基本鎖定問題。
換一種思路，如果該公司日常就有將使用者按照付費價值分類的做法，那麼分析也可以從維度拆分。
將付費金額拆分成，普通使用者付費金額+rmb玩家付費金額；這一步會找出rmb玩家付費金額的問題；再對rmb玩家付費金額做指標拆分，看看到底是人少了，還是客單價低了。
這兩種方式最終得出的結論都是一樣的。
5. 分析原因的核心就是拆解，但最大的問題是拆解什麼分析原因說起來很簡單，透過拆分+對比就可以縮小問題範圍，但拆分的最大問題在於到底按什麼維度去拆。
記住一點，拆分一定要帶業務邏輯。
即使是對問題完全沒有頭緒，只能拆分多種維度先對問題一次摸底的情況下，也要列出每個維度能驗證的東西；比如我們為什麼要按照時間去拆分，因為按照時間去拆分可以初步判斷問題的性質。
如果是流量分析，我們可以對渠道進行拆分，因為渠道的質量不同，我們可以先對渠道分類再進行分析，結果更加精準；每一次維度的拆分一定是要解決一個問題，切忌不要盲目加維度拆解。
三、總結本文講了如何縮小問題的範圍，當我們知道了銷售額不高的原因主要是因為轉化率不高之後，我們離最終最佳化改進已經很接近了。
我們還需要知道一件事是為什麼不高；究竟是因為價格太高，還是因為產品吸引力不足？不知道這個根本原因，就無法進行下一步的最佳化。
下一篇會介紹如何找到根本原因，歡迎繼續關注。
#專欄作家#三元方差，公眾號：三元方差（sanyuanfangcha），人人都是產品經理專欄作家。專注用資料驅動業務增長，擅長資料分析、使用者增長。喜歡閱讀、思考和創作。
本文原創釋出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