我的业务数据分析方法

一、这是个什么事？

1. 给业务数据分析下个定义

业务数据分析这件事下个定义就是对于业务关注的指标数据的变化进行分析解读。基本上每个做产品或者运营的同学都会经历到，甚至有些公司的商分部门会设立业务经营分析的架构专门做这件事。

2. 为什么做业务数据分析

很多公司都在做这件事。我在前司的工作有一部分就是对业务数据做周维度以及月维度的解读。这件事我大概做了一年多吧，我理解这样的好处至少有以下这三个。

更深刻理解业务：

这个好处是对于个人而言。之前的公司有个不成文的规定是每个新入职的同学会写业务数据月报。好多同学挺抵触这件事的。的确那么大的业务，刚入职的同学写这个业务数据解读的确是有些困难，

但是，我也发现好多同学做过一次数据分析，基本上对于业务就有了一层更清晰的认知。

及时感知线上问题：这个是观测数据比较最重要的原因之一吧，很多时候组织庞大以后，很难通过体感感知线上的问题，这个时候数据是能够在一定程度上反馈业务问题的，通过数据可以快速找到问题侦查方向。

发现业务规律找到机会点：这个好处一定是最重要的，如果你长期观察数据波动，你就一定会找到数据波动的某种规律，如果你知道这背后的原因，你就可以“顺势而为”，有针对性的制定产品或者运营策略，往往能事半功倍。

二、理想状态

1. 业务数据分析工作的理想状态

在前司做了一年多的业务数据解读，逐渐发现要想做好业务数据解读这件事，至少需要三个层面的建设。这个三个层面相辅相成，一起构成了一个清晰的业务数据解读的理想状态。

2. 经验丰富的大脑

大脑核心在做判断，这个判断本身需要你足够的了解自己的业务。

你要足够了解自己业务内所有指标的含义，这里既包含业务的核心指标，也包含各个维度的分层分级指标。你不仅要了解他们，还要了解他们之间的关系。

经验丰富的大脑看到一个指标的波动，就能联想到有可能是什么动作导致的，同时能映射到其他指标上，能够快速结合工具进行交叉指标的验证。

3. 好用的工具

初级的工具能提高获取数据的效率，中级的工具能帮助理清分析思路，高阶的工具能帮助决策，但无论是哪种水平的工具都要符合你自己的业务本身特性以及自己分析框架。

我之前和数据部门产品同学一起搞过一个异动数据分析工具。这个工具会直接告诉你在某个周期内的所有的数据维度的变化，并计算出每个数据维度的对于整体业务数据变化的贡献率。到后期还是发挥很大的作用的。

不过这都是在我们吃透了自己业务每个指标代表什么意思以及摸透自己业务本身的分析框架的基础上做的产品化工具，如果盲目就投入工具建设，应该结果是得不偿失的。

4. 丰富的信息感知

这个层面不难理解，或者说数据分析本身就是个甄别信息的过程，你需要建立你自己数据特征与内外部之间的信息逻辑，拿外卖举例，世界杯期间的外卖业务的DAU在上涨，那么你首先要知道世界杯正在发生这个事，否则也就别谈验证世界杯与业务数据之间关系的问题了。

我在前司任职期间，我感知的每个信息我都会结合业务本身去想一想有没有产生关联关系，同时我也足够多的开放自己，企求接收更多的信息。

5. 什么是好的业务数据分析

上面三个层面是指数据分析的理想状态，但是不代表三个层面你都有建设就可以做好业务数据分析，按照目前我的理解，好的业务数据分析一定能讲的清什么样的人，在什么样的场景，因为什么事件驱动，最后造成了业务数据怎样的变化。

好的数据分析=人+场景+事件驱动；推导逻辑大概是，数据变化不是原因本身，数据变化是业务变化的特征表现，人是业务的主体，场景是主体的范围或者是特定的主体集合，事件驱动是动因。

还是拿上面的外卖业务的例子讲，世界杯期间外卖业务DAU在上涨，是住宅小区和校园的用户因需要熬夜观看球赛，导致宵夜场景的DAU增幅较大，进而拉动了大盘DAU的增长；如果但看结论本身，不做定量分析我理解是个合格的业务数据的解读。

三、怎么做这个事

通过自己长期以来数据分析的摸索，我逐渐形成了一套业务数据分析的框架思路。共分为四个步骤：

1. 明确问题

这个环节你要明确数据问题到底是什么。一般情况下至少要从两个维度描述问题，什么时间，什么指标。时间好理解，指标这回事你要根据你的业务拆解到最小的单位，比如订单量异动了，至少要明白是DAU在异动，还是转化率在异动，还是都在异动；

2. 经验假设

这个环节是经验输出，你要平常的时候足够了解业务，了解用户，并通过不断的数据分析或者各种信息对于数据异动做出合理假设。

比如你是外卖业务，你明确问题是7月份～8月份外卖业务DAU在增加，那这个时候我会想到可能是学生放假导致依赖外卖解决用餐需求的场景增多（因为学校有食堂）。无论如何这个环节你要根据信息或者经验对于数据异动做出合理解释，再进行下一步。

3. 证明假设

这个环节你要证明你的假设，如果你的假设成立，那么到底该怎么证明，还拿外卖业务举例，我的假设是学生放假导致的外卖业务DAU增长，如果要验证这一点的话，我可以从DAU的年龄分层以及浏览地点两个维度进行验证，如果是年龄分层中20岁左右的住宅场景的DAU增长较大，那你的假设至少逻辑上是没问题的。

如果有问题，你就要再回到经验假设这一层，重复这个循环。

4. 信息补齐

当你做了前三个环节之后，还没能把事情说明白时，你要尽可能补齐信息，当然也不是盲目补齐，而是从人、场景、事件任何一个因素往外了解。同样需要你足够了解业务。

比如点评app是个地方性比较强的应用，某个城市的占比会很重，如果以上三个环节仍无法定位数据问题时，那你可以了解某个城市发生了什么，有没有可能是这个城市的某个因素造成的，以及怎么验证。

四、最后

业务数据分析这个事核心是你得了解业务，我更多说的是一些方法论的框架和思考，一定不能照搬，要结合业务本身的特性使用。

其实操作起来还是有很多难点的，例如你怎么理解业务？怎么定义人，场景，事件这三个数据维度？当业务数据的变化有多个归因的时候，怎么找到影响比重最大的那个归因？这些问题都需要你的思考，后续我也会持续分享。

本文作者@产品汪汪汪

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！