來源：中國統(tǒng)計網(wǎng)

“Why-What-How”在講解概念和執(zhí)行上是個不錯的思維模型,，本文依例按此框架來拆分數(shù)據(jù)分析,。很多小白可能還沒有數(shù)據(jù)分析的思路，這里權(quán)且從個人的角度進行梳理,，以資參考,。為了幫助大家更好地理解本文，先貼出一張思維導圖：

一,、WHY：為什么要做數(shù)據(jù)分析

個人的理解,， 數(shù)據(jù)分析是為了能以量化的方式來分析業(yè)務(wù)問題并得出結(jié)論，其中有兩個重點詞語：量化和業(yè)務(wù),。

量化是為了統(tǒng)一認知,，并且確保路徑可回溯,，可復(fù)制。除「量化」之外,，另外一個重點詞語是「業(yè)務(wù)」,。只有解決業(yè)務(wù)問題分析才能創(chuàng)造價值，價值包括個人價值和公司價值,。

那么,，如何站在業(yè)務(wù)方的角度思考問題呢，總結(jié)起來就是八個字「憂其所慮,，給其所欲」：

• 溝通充分
• 結(jié)論簡明
• 提供信息量及可落地建議
• 尋求反饋

在溝通上,，確定業(yè)務(wù)方想要分析什么，提出更合理專業(yè)的衡量和分析方式,，同時做好節(jié)點同步,，切忌一條路走到黑。舉例來講,，業(yè)務(wù)方說要看頁面停留時長,，但他實際想要的，可能是想衡量用戶質(zhì)量,，那么留存率,、目標轉(zhuǎn)化率才是更合適的指標。

在闡述分析結(jié)果上,，要記得結(jié)論先行,，逐層講解，再提供論據(jù),。因為業(yè)務(wù)方或管理層時間都是有限的,，洋洋灑灑一大篇郵件，未看先暈,，誰都沒心思看你到底分析了啥,。

在提供信息量及可落地建議上，先要明白什么叫信息量：提供了對方不知道的信息,。太陽明天從東方升起不算信息量,，從西方升起才是。

二,、WHAT：什么是數(shù)據(jù)分析

數(shù)據(jù)分析的本質(zhì)是抓住變與不變,。“變”是數(shù)據(jù)分析的基礎(chǔ),，如果一個業(yè)務(wù)每天訂單是 10000 單,，或者每天都是以 10% 的速度穩(wěn)步增長，那就沒有分析的必要了,。而若想抓住變,，得先形成“不變”的意識,。

因此，我建議新手要形成習慣,，每天上班第一時間查看數(shù)據(jù)：實時&日周月報,；記錄關(guān)鍵數(shù)據(jù)（榜單&報告）

在“不變”的基礎(chǔ)上，便能逐漸培養(yǎng)出指標敏感性,，即意識指標偏離的能力,。這主要是通過各種日環(huán)比，周月同比的監(jiān)控以及日常的好奇心來保持,。我們從一個 Questmobile 榜單上,，來簡單看下「指標偏離」是怎么應(yīng)用到日常的分析上的：

這里先跟大家分享下怎么看這種榜單：

• 看整體排行：看哪些 APP 排在前方是出乎你意料之外的
• 分行業(yè)看排行：看行業(yè)里排行及其變動
• 看增長率：哪些 APP 增長比較快
• 看使用時長等其他指標

數(shù)據(jù)分析的定義，還有國外一本商務(wù)分析的書籍的定義作為注腳：

三,、HOW：怎么進行數(shù)據(jù)分析

任何數(shù)據(jù)分析都是“細分,，對比，溯源”這三種行為的不斷交叉,。最常見的細分對比維度是時間,，我們通過時間進行周月同比，發(fā)現(xiàn)數(shù)據(jù)異常后,，再進行維度或流程上的細分,，一步步拆解找到問題所在。

1,、細分

在細分方式上,，主要有以下三種方式

• 橫切：根據(jù)某個維度對指標進行切分及交叉分析
• 縱切：以時間變化為軸,，切分指標上下游
• 內(nèi)切：根據(jù)某個模型從目標內(nèi)部進行劃分

橫切上,，我們對維度和指標做做了分類和交叉，當某一類的指標出現(xiàn)問題時,，我們便知道該從什么維度進行分析,。在進行橫切分析時，經(jīng)常需要多個維度交叉著使用,。

縱切上,，有目的有路徑，則用漏斗分析,。無目的有路徑,，則用軌跡分析。無目的無路徑,，則用日志分析,。

內(nèi)切上，主要是根據(jù)現(xiàn)有市面上常見的分析模型,，RFM,，Cohort 和 Segment等方式進行分析,。RFM 即最近購買時間，頻率及金額三個指標綜合來判定用戶忠誠度及粘性,。

2,、對比

對比主要分為以下幾種：

• 橫切對比：根據(jù)細分中的橫切維度進行對比，如城市和品類
• 縱切對比：與細分中的縱切維護進行對比,，如漏斗不同階段的轉(zhuǎn)化率
• 目標對比：常見于目標管理,，如完成率等
• 時間對比：日環(huán)比，周月同比,；7天滑動平均值對比,，7天內(nèi)極值對比

3、溯源

經(jīng)過反復(fù)的細分對比后,，基本可以確認問題所在了,。這時候就需要和業(yè)務(wù)方確認是否因為某些業(yè)務(wù)動作導致的數(shù)據(jù)異常，包括新版本上線,，或者活動策略優(yōu)化等等,。

如果仍然沒有頭緒，那么只能從最細顆粒度查起了,，如用戶日志分析,、用戶訪談、外在環(huán)境了解,，如外部活動,，政策經(jīng)濟條件變化等等

4 、衍生模型

在「細分對比」的基礎(chǔ)上,，可以衍生出來很多模型,。這些模型的意義是能夠幫你快速判斷一個事情的關(guān)鍵要素，并做到不重不漏,。這里列舉幾個以供參考：

• Why-How-What
• 5W1H
• 5Why
• 4P模型（產(chǎn)品,，價格，渠道,，宣傳）
• SWOT 模型（優(yōu)勢,，劣勢，機會,，威脅）
• PEST 模型（政治,，經(jīng)濟，社會,，科技）
• 波士頓矩陣

四,、How：數(shù)據(jù)分析如何落地

以上講的都偏「道術(shù)技」中的「術(shù)」部分，下面則通過匯總以上內(nèi)容，和實際工作進行結(jié)合,，落地成「技」部分,。

1、數(shù)據(jù)分析流程和場景

根據(jù)不同的流程和場景,，會有些不同的注意點和「術(shù)」的結(jié)合

2,、數(shù)據(jù)分析常見謬誤

控制變量謬誤：在做 A/B 測試時沒有控制好變量，導致測試結(jié)果不能反映實驗結(jié)果,?；蛘咴谶M行數(shù)據(jù)對比時，兩個指標沒有可比性,。

樣本謬誤：在做抽樣分析時,，選取的樣本不夠隨機或不夠有代表性。舉例來講,，互聯(lián)網(wǎng)圈的人會發(fā)現(xiàn)身邊的人幾乎不用「今日頭條」,，為什么這 APP 還能有這么大瀏覽量？

定義謬誤：在看某些報告或者公開數(shù)據(jù)時,，經(jīng)常會有人魚目混珠,。「網(wǎng)站訪問量過億」,，是指的訪問用戶數(shù)還是訪問頁面數(shù),？

比率謬誤：比率型或比例型的指標出現(xiàn)的謬誤以至于可以單獨拎出來將。一個是每次談?wù)摯祟愋椭笜藭r,，都需要明確分子和分母是什么,。

因果相關(guān)謬誤：會誤把相關(guān)當因果，忽略中介變量,。比如,，有人發(fā)現(xiàn)雪糕的銷量和河溪溺死的兒童數(shù)量呈明顯相關(guān)，就下令削減雪糕銷量,。其實可能只是因為這兩者都是發(fā)生在天氣炎熱的夏天,。

辛普森悖論：簡單來說,，就是在兩個相差較多的分組數(shù)據(jù)相加時,，在分組比較中都占優(yōu)勢的一方，會在總評中反而是失勢的一方,。

總結(jié)

數(shù)據(jù)準確性是第一位的,，站在業(yè)務(wù)方的角度思考問題：憂其所慮，予其所欲,，定義「變」與「不變」,，細分，對比,，溯源,。