数据分析不只是数据的罗列，而是数据和分析的结合。数据层面包括数据获取、整合、可视化等操作；分析侧面则是结合业务目的和数据表现给出相应的数据结论。只要掌握数据工具就能获取、整合数据，而分析问题并给出有效结论和建议就有一定的难度。根据分析结果给出合理的意见和建议是数据思维培养过程中重要的环节之一。本节会立足于如何根据数据表现提出合理建议，通过几个示例说明数据分析师在给出建议时常常出现的误区。
1 数据分析师提出合理建议需要经历的三个阶段
并不是每个数据分析师从刚入行开始就能够通过数据分析为业务方提出合理解决方案，从入门到进阶，数据分析师一般会经历从给数据到给结论再到给观点的转变。那么这三个阶段各有什么异同呢？此处笔者通过一个示例进行说明。
最近某公司新上了一个项目，业务方找到数据分析师，说想要拉取一些数据看一下当前用户黏性。对用户黏性，数据分析师可以通过新老用户的分布、用户留存率等指标进行说明。如图 3-7 所示，对于相同的数据，不同的数据分析师会给出不一样的结果，由浅到深可以分为给数据、给结论、给观点三个不同阶段。
1．给数据
“给数据”是数据分析最初级的阶段，是通过数据陈述客观事实的过程。对于上述用户黏性的例子来说，数据分析师小 A 给出“新业务近一周新用户数累计 300 万个，新用户次日留存率为 65%，七日留存率为 17%”的结果。这样的结果就是一个对客观数据的陈述，是一个“给数据”的过程。理论上这样的结果没有任何错误，但对业务方没有太多帮助。
2．给结论
“给结论”是对数据结果的加工和深入分析并给出结论性的表述。数据分析师小 C 给出的结果就是结论性的表述，“新业务近一周用户总量达到 10000 万个，新用户数累计 300万个，次日留存率为 65%，七日留存率为 17%，新业务的数据表现优于同类业务及行业标准。”数据分析师小 C 给出的结果不仅有对数据事实的陈述，还有结论性的表述，是一个较为典型的“给结论”的例子。
3．给观点
“给观点”是在“给结论”的基础上对数据进行深挖，基于对业务的了解给出一些切实可行的建议。数据分析师小 D 给出的观点是“新业务数据表现优于同类业务及行业标准，特别是渠道 F 用户黏性高且付费率高，建议增加 F 渠道的广告投入”。数据分析师小D 不仅给出了新业务的基础数据，也给出了结论性表述。更重要的是，他通过对用户来源渠道及付费情况进行拆解，发现渠道 F 的用户不仅黏性高而且付费率也不错，于是建议业务方增加渠道 F 的广告投入。
当然，刚入行的数据分析师要做到“给观点”是比较难的，这不仅需要熟练的分析技巧、缜密的数据思维，还需要对业务有极深的了解。但是这并不妨碍刚入行的数据分析师从“给结论”做起，随着对业务的不断熟悉逐渐从“给结论”到“给观点”转变。
2 数据分析师需要避免的几种提建议的方式
如图 3-8 所示，从数据到结论，数据分析师会经历发现问题、分析问题、解决问题三个不同的阶段，在每个阶段提出切实可行的建议都起着关键作用，应避免提出以下几种类型的建议。
1．不明确分析目的，只做简单的数据堆砌
部分初级数据分析师掌握了数据分析工具和相关的基础技能，但是缺乏实操经验和相关业务知识。通常到了提建议环节，可能连业务方具体的问题还没搞明白，就只能拿出统计学方法论做简单的数据堆砌。
例如，数据分析师小 A 给出“新业务近一周新用户数累计 300 万个，新用户次日留存率为 65%，七日留存率为 17%”的结果。
给出这样的数据之后，就没有后续的意见和建议了。这种情况大部分是没有明确需求，即还没有搞清楚业务方想要的到底是什么，业务方现在面临的问题到底是什么，当然没办法继续进行下一步的分析，更别说给业务方一定的建议了。因此，树立目标意识是分析的第一步，要树立目标意识、挖掘潜在的分析点。
需求不明确这种困境一般是由业务方和数据分析师共同造成的，可能业务方在提需求的时候也没说清楚自己真正想要的数据，或者业务方是个“小白”，根本不知道需要看哪些数据或指标；对于数据分析师来说，面对这些不太清晰的需求，也没有问清楚存在的痛点及分析的目标，其实对于这种情况，数据分析师可以基于自己的知识和业务理解提出可行的分析方案。
明确分析目的，进而分析业务问题，是建立在数据分析师对业务有一定了解的基础上的。一般情况下，企业的指标体系就是业务的抽象形态，而大多数问题是可以通过拆解数据指标初步定位的。所以对于刚入行的数据分析师，即使对于业务不是很了解，仍然可以通过指标体系了解业务形态，并在实际工作中不断积累经验。
2．说的都对，却没什么用
说的都对，但确实没什么用，是大部分初级数据分析师提建议时会犯的错误之一。以具体的例子来说，业务方看到最近用户的次日流失率高达 70%，会很着急，过来找数据分析师寻求帮助。而数据分析师却说：“流失率这么高，那你们降低用户流失率啊。”这样的建议是对的，但是对于业务方是没有任何帮助的，业务方也知道需要降低用户流失率，但到底怎么降低，数据分析师并没有从数据层面给出一定的建议。
这类问题，大多数是问题分析不够深入，拆解得不够细致造成的。面对用户流失严重这个问题，业务方找到数据分析师肯定是想要找到什么样的用户流失了，这些用户为什么流失，在哪个环节流失以采取一些针对性的措施。
数据分析师经过较为细致的拆解，可以从渠道、流失步骤等提出以下较为具体的建议：
渠道 A 的用户流失较为严重，而渠道 B 的用户黏性较好，可以考虑减少渠道 A的资源投放，增加渠道 B 的资源投放。
流失用户中的 80%在某节点流失，可以考虑排查是否该节点存在技术问题或者不符合用户偏好和使用习惯。
这样提建议，业务方才有着力点，才能从产品侧对业务进行一定的改进，也才是有意义的建议。
3．提出的建议无法落地
除了上述两种情况，提出的意见无法落地也是较为常见的问题。面对用户流失这个问题，数据分析师经过市场分析和竞品分析之后，发现由于相关竞品以低价夺走了部分市场份额，用户随之流失，因此数据分析师建议降低商品售价并与竞品保持一致。
这个建议的确可以减少用户流失，挽回部分用户，但是公司经营涉及成本问题，可能降低售价，利润就微乎其微了。业务方以 KPI 为导向，所以并不会采纳这类意见。
数据分析师这个岗位并不直接参与到业务决策中，就算数据分析师提出合理、切实可行的意见或建议，业务方也不一定采纳。所以这类问题考验的已经不是数据分析师基础的数据分析能力，更多的是其软技能、沟通能力及影响力。数据分析师在提出意见和建议时可以考虑用图表代替文字说明问题，用业务方听得懂的话代替专业术语陈述建议。另外，如果你的建议能够帮助业务方提升 KPI，那么业务方多少会对你的建议感兴趣。当然，从不同的业务出发，从不同的分析角度着手，都能提出各种不同的建议。所以本节只是抛砖引玉，至于如何在不同业务形态中提出合理、可行的建议，就需要数据分析师在实践中积累了。
市面上大部分数据分析相关的书籍都是从工具的介绍开始的，但很多时候数据分析主要依靠数据思维。
特别是面对复杂业务场景时，对于业务的熟悉程度及数据思维显得尤为重要。
因为数据思维决定了分析问题的角度及合理性，只要数据分析师能够针对特定问题提出分析方案，无论用什么工具都可以得到结果，因此数据思维是数据分析师成长进阶路上的必修课。
而市面上关于数据思维的书籍较少且部分书籍讲授的知识点较浅，能够将数据思维、编程语言、统计学思想及案例分析等融为一体的书籍少之又少，强烈给大家推荐这本以数据分析全流程为主线的数据思维的书——《数据分析之道——用数据思维指导业务实战》。
附上全书的目录，本书围绕数据思维展开，一共11章内容。
目录内容介绍如下：
第1章 什么是数据思维
1.1 从数据治理流程浅谈数据思维
1.2 数据思维到底是什么
1.3 数据思维最直观的解释
第2章 为什么数据分析思维如此重要
2.1 数据思维是数据分析师必备的技能
2.2 数据思维是数据分析师成长晋升的必备技能
2.3 数据思维能让数据分析师建立影响力
第3章 数据思维如何养成
3.1 熟悉常用的数据分析方法
3.2 树立目标意识，寻找潜在分析点
3.3 不预设立场，通过客观的标准代替主观的判断
3.4 基于数据分析结果为业务方提出切实可行的解决方案
第4章 数据埋点
4.1 从隐私保护浅谈数据生命周期，初识数据埋点
4.2 数据埋点的分类及主流上报技术
4.3 数据埋点方案设计
第5章数据标签体系
5.1 数据标签体系与用户画像
5.2 如何构建数据标签体系
5.3 数据标签体系的应用场景
第6章 数据指标体系
6.1 从中国人口数据谈指标体系构建
6.2 四个模型教会你指标体系构建的方法
6.3 如何搭建一套通用的指标体系并快速实现落地
6.4 定位异动因素
第7章 对比思维
7.1 利用对比分析得出和结论
7.2 A/B 试验设计及容易忽略的误区
7.3 A/B试验背后涉及的统计学原理
7.4 Python实战：A/B试验在智能广告中的应用
第8章 分群思维
8.1 从用户生命周期浅谈分群思维
8.2 用数据分箱进行结构化分析
8.3 同期群分析解读用户生命周期，剖析真实用户行为和价值
8.4 Python实战：基于RFM模型以及K-Means实现用户分群
第9章 相关性与因果性
9.1 相关性分析简介
9.2 因果推断方法论
9.3 Python实战：利用Dowhy框架实现因果推断
第10章 用户流失分析
10.1 用户流失分析方法论概括
10.2 案例分析：5W2H分析游戏用户流失原因
10.3 5个理论模型构建外部因素分析框架
10.4 如何设计问卷验证用户流失原因
10.5 Python实战：生存分析预测用户流失周期
第11章 用户转化与付费分析
11.1 用户转化与付费分析概述
11.2 贝叶斯公式在用户转化中的应用
11.3 案例：漏斗模型分析某电商换货业务，提升用户转化率
11.4 营销增益模型实现用户分群，辅助运营识别营销敏感人群
11.5 Python实战：利用营销增益模型识别营销敏感人群
文章源自：数据分析万花筒
