困扰新手同学的一大难题，就是：遇到问题，没有数据分析思路，常见的问题如：
1、不知道从哪里下手
2、不知道如何深入分析
3、不知道做到啥程度OK
注意！不要一提到数据分析思路，就想到各种高大上的模式。实际工作中，很多业务问题不需要去扒拉《统计学》《机器学习》等课本。从业务出发形成完整的分析思路，只需要5步走：
第一步：明确业务场景
“我在回答哪个部门的问题”，是形成思路的第一步。数据分析不是算命，不是说丢一下铜钱就天知地知的，要具体到部门+同事的需求，哪位领导需要看。
因为第二步你就会发现：即使同一个场景，不同部门关注的指标也不一样。
第二步：清晰分析指标
明确业务场景之后，可以进一步确定分析指标。大部分业务场景的主指标是固定的，做分析时，往往是一个主指标+若干副指标/维度，共同解释问题。
比如销售指标，主指标都是收入、毛利，但财务/商品/运营/供应部门关注点不同，需要搭配使用的指标也不同：
这样结合具体业务需求选择指标+维度，能更有效观察数据。有些人缺少好的习惯，别人要数据，总是数据库里有啥维度/有啥指标，不分青红皂白一股脑全丢出来，太多没用的指标维度堆砌在报表里，只会把自己的思路搞乱。
梳理清楚指标+维度后，还需要进一步明确判断问题的标准。这里特别要注意！并非所有的指标，都有明确的KPI考核，要关注业务真正关心的标准。
第三步：定位问题来源
在第二步，如果发现业务做得好，下一步就是分析“好的原因在哪里”，如果发现业务做得不好，下一步就是分析“问题出现在哪里”。第三步主要做定位，搞清楚“在哪里”。
定位业务问题，可以依次问以下五个问题：
以销售分析为例，如果发现本周销售不达标，那么问：
1、偏离目标的程度很小（-5%）还是越来越大？
2、是近12个月来首次不达标吗？还是之前也有若干次？
3、是否最近几周连续不达标，不达标的走势有没有扩大？
4、所有商品/所有地区/所有销售渠道都有问题，还是仅XX有问题？
5、销售部门有没有采取干预行动？效果如何？市场部有没有做事情？
这个固定顺序，能极大清晰思路，提升分析效率。因为短时间内1%、3%小波动，很有可能都是“疥癣之疾”，报告还没写完丫指标又涨回去了。把时间放长一点，先看趋势变化，能能更容易判断出：是否存在长期的，深刻的问题。并且能帮助我们追溯到问题源头，从而更容易形成假设。
第四步：提出分析假设
很多人在第三步就止住脚步，直接丢一句“因为A商品销售不好，所以销售未达标，建议搞高”交差。这一类报告，最容易被批判为：“没分析思路，不够深入”。因为“要搞高”是一句废话，业务想知道的是：谁来搞、怎么搞、用什么搞、搞到多高。
这一步会难倒很多人，经常有人抱怨：我又不是做业务的，我怎么知道如何提高业绩？？？注意！作为专业的数据分析师，你不要依赖业务经验提建议，而是可以通过分析得出建议，常见的思路有四种：
以销售分析为例，如果发现本周销售不达标，且主要由A商品推广效果不佳导致的，那么对应的四种办法就是：
1）有没有和A同类/同价格带，且推广更好的B，参考B的运作方法
2）A推广不佳，是广告报告点击少，还是用户进店转化不行，点击少就改宣传图，转化不行就改详情页
3）目前做法都不变，追加给A的推广费用，看看大力能出奇迹不
4）我看竞品有一套打法，貌似效果很好，我们也试一下看看行不行
需注意的是，这里3、4做法，都需要业务配合做数据验证，否则单靠历史数据是无法直接得出结论的，有些公司过于保守，不敢尝试，非要基于历史数据分析，结果业务永远没有经验积累，不但分析能力上不去，业务自己也做不好。测试和历史数据推理，是同样重要的分析手段。
第五步：验证分析假设
注意！凡是单影响因素的假设，都容易验证。但是，多重影响相互交织就很麻烦，此时：
1、需要利用MECE法，梳理分析逻辑，剥丝抽茧
2、量化复杂的业务行为，需要打标签，找特征
3、抽样测试需要用到统计学方法，设计实验
4、做观察型因果推断，需要用到回归模型
特别是涉及部门利益冲突，各个部门相互甩锅的时候，就更难办了。因此当分析能力较弱的时候，建议先把问题转化为单因素假设验证，一个个检验是否可行。不过很多公司的业务，都喜欢简单直接的办法，比如能验证“降价有效”“换推广素材有效”，就已经足够业务去执行了，所以同学们至少先做好1~4步+第5步单因素验证。
来源：接地气的陈老师
|
