数据分析之道：抽丝剥茧，存乎一心

木木自由与数据分析 2023-07-27 07:21:12

这将是一个以“数据”说话的时代，更是一个依靠“数据”竞争的时代！麦肯锡公司称：“数据，已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。”并且，在世界500强企业中，有90%以上都建立了专门的数据分析部门。由此可见，数据分析的重要性以及未来趋势。

那么，数据分析究竟是什么？需要掌握哪些技能？如何进行数据分析？

我今天要分享的主题是：数据分析之道，抽丝剥茧与存乎一心，也就是我对于数据分析本身的实践与总结。

01 解构数据分析

我们字面拆解：数据 + 分析，数据是基础，分析是主导。可见，数据并不意味着价值，分析和决策才能创造价值！

而数据分析：思维方式大于实践方法思维方式：业务目标及调研+思维逻辑+创新想法+可行建议

实践方法：数据汇总统计+工具使用+可视化

数据分析对一个企业有巨大价值，则是对企业“数据”进行全方位的分析，两者相辅相成才能实现企业决策价值最大化。

所以，我们做好数据分析，要对数据分析的价值有清楚的定位，不能沦为单纯的 “取数”、“做表”、“写报告”，数据分析应该是对业务有实际的指导意义，并结合业务痛点去发现问题从而解决问题的工具。

1. 灵魂三问

数据分析的灵魂三问，这就是我今天讲的主要内容：数据分析是个什么东西？他到底解决什么问题？

数据分析如何学习技能知识？需要掌握什么样的能力？

数据分析如何进行?有什么方法论？

一谈到数据分析，我们就会联想到这些问题。

然而，我接触数据分析的契机，是从刚开始工作是接触的数据处理和市场调研，再之后商家代运营，产品数据运营等，这些工作中都涉及数据分析，到现在和朋友一起创建小飞象数据分析社群。

其实，我理解的数据分析不是从什么高大上的角度出发，它绕不开是什么、是多少、为什么、会怎样、又如何这几个问题。

说明白点：

是什么（树立数据标准）
是多少（数据描述状况）
为什么（探索问题原因）
会怎样（预测业务走势）
又如何（综合判断状况）

其核心就是分析数据（结合统计学等知识），找到规律（比如异动），给出结论和建议，进而能够辅助决策。

那么，接下来我们来看一下数据分析在工作中几种常见的应用场景，切身体会一下：

活动上线前，需要做A/B测试，通过数据反馈结果，验证活动是否符合预期；活动上线后，还要分析实时数据，调整推广节奏和推广动作。
设计产品时，需要用数据来分析用户行为，挖掘用户需求；产品诞生后，还要用数据监测用户行为、测试产品功能，促进产品迭代。
推广拉新时，需要对每个引流渠道进行质量评价；我们要收集每个渠道的投入，用数据分析来分辨渠道资源的效果，对比各大渠道对业务的影响，从中找出最优渠道。
······

以上就是工作中遇到的数据分析应用的场景，然而，我在曾经公司里面亲眼看到，日常工作涉及到决策的时候，会常常出现如下场景：

场景一：“我觉得”、“应该”这样的词汇，谁也说服不了谁，一点点小事都要老板去拍板；

场景二：活动效果没出来，做汇报时，遭遇灵魂式追问：

“上线的新功能效果如何？”
“接下来打算怎么优化”
“最近数据波动的原因是什么？”
······

有以上这样的场景，其根本原因在于缺乏数据思维思考逻辑，对业务的思维只停留在浅层的对比，甚至会出现“拍脑袋决定”的情况。

所以，在工作生活中，我们应该不断培养数据思维的习惯。举几个习惯：

若看到一个广告，尝试去分析广告的受众群数量大小，渠道数量、成本和效果回收的情况。
若看到一个活动，想办法去拆解出它的目的、针对人群、预期活动目标、投入成本、奖品爆率模型等信息。
若看到一个产品，在使用完毕之后去分析他的商业模式、面对的用户群体、群体的使用场景，以及可能设置的付费点并去验证，同时想到可改进的价值点，并观察后续运营动作是否验证了改进点。
若看到一组客服回访数据，能想到线索来源，通话总次数，通话有效次数&时长，线索意向级别，销售司龄，套餐类型，来判断这组客户的意向度，以及跟进程度，成单周期。
若看到一列数据，我们应该可以清楚的指出数据是否有波动，这种波动是否正常，可能由哪些原因带来了这些波动，相关的原因是否有数据呈现。
若看到一篇关于运营效果的报告，我们应该试图去分析它的内生逻辑是否足够支撑报告的结论，在哪些点上可能没有详尽调查。
·······

以上是我们可以在生活中培养数据思维的习惯思考场景，当然，在实际工作中的前提是，我们要熟悉自己的业务流程以及业务指标等，我们在培养数据思维的同时数据敏感度会不断提升。

2. 数据的特性

数据是客观事物发生留下的客观事实，发展变动的数字化记录。随着科学技术的发展，数据的概念内涵越来越广泛包括数值，文本，声音，图像，视频等。

而新增用户、留存、用户活跃、转化、收入、用户规模等，通过数据量化，我们才能精准感知业务指标。所以，数据是用来描述业务指标的，是被量化的业务指标。但数据的本质还是数值，只是属于最后结果的一种表现形式，要想改变结果，只能去寻找因，从因上做改变，才能引起结果的改变。

而数据的特性有：

1）统一性

统计口径一致、计算逻辑一致、数据管理流程一致……

2）安全性

就是除了统一性之外，还有安全性的问题。数据会不会泄露？不同数据牵涉的敏感点有哪些？

3）时效性

很大程度上制约着决策的客观效果。有些数据随着时间的推移，价值会越来越小。

4）准确性

大家都知道，数据正确与否的重要性。错误的数据，可能会导致失败的决策；当出现问题时，到底是后台系统的统计，还是指标统计逻辑有问题。

3. 分析的本质

分析的思维过程是：

发生了什么？——追溯过去，了解真相。
为什么发生？——洞察事务发生的本质，寻找根源。
未来可能发生什么？——掌握事物发展的规律，预测未来。
我们该怎么做？——基于已经知道的“发生了什么”、“为什么会发生”以及“未来可能发生什么”的分析，帮助和确定可以采取的措施。

分析本质即面临各种问题时，对于企业而言，让业务更加清晰，让决策更加高效。对于个人而言，认清现状，让自己的决定更加有利。

这些东西说起来都是高大上的，简单来说，能通过数据找到问题，准确地定位问题，准确地找到问题产生的原因，为下一步的改进，找到机会点，也就是所谓的：数据驱动。

4. 数据分析需要怎样的能力

1）通关心态

当你决定进入数据分析行业的第一天，你就要对标行业中的90分高手、100分高手。具备通关的心态，3年，也就是6个6个月。每6个月左右，至少要突破1个关卡。

如此，6个6个月过后，你往往能突破到第6关、第7关。

如果是你天赋极强的人，或者你的运气很好，你极可能就成为顶尖专家了。

那么，我们来看一下“德雷福斯模型”，把打怪升级的成长过程分为五级。

第一级是新手（10-20分）。新手能记住抽象的规则，然后按照规则行事。
第二级是先进的初学者（30-40分）。先进的初学者不但能按规则行事，而且能够根据以往的经验，面对不同的局面能采取不同的行动。新手只会规则告诉他的那几招，而先进的初学者除了规则还有经验，他可以在一定程度上，对不同环境随机应变。
第三级是胜任（50-60分）。胜任者面对几个事情，能够分出优先级。也就是说，在做决策的时候，他清楚地知道，首先应该照顾什么地方，其次应该做什么事。能分清什么重要，什么不重要。他有时候按照固定规则去做事，有时候则是依据以往的经验。
第四级是精通（70-80分）。精通者能够把所有的信息当做一个整体来考虑。精通者考虑问题，很少理性地使用固定的规则，他已经不再区分经验和规则，而是从整体出发，全盘考虑。
第五级是专业（90分-100分）。专业者完全不受理性的束缚，他的判断和反应都是在无意识的情况下做出的。哪怕面对的是全新的情况，他也能无意识地把这个情况和以前的经验联系在一起，自动处理。

2）综合的能力

数据分析要做好，综合要求非常高，因为大多数据分析是要向老板汇报的，厉害的数据分析人员至少要具备业务能力、思考能力、沟通能力、表达能力、分析能力、数据能力、技术能力及统计能力。

业务能力：充分理解公司战略、行业、领导思想，最好有业务岗位实战经验
思考能力：最值钱的是想法，通过数据对这些想法进行系统化的分析和论证
沟通能力：对上沟通确认目标、对中要采取合作、对下要明确执行要求
表达能力：一切都是为了让人看懂，态度上重视汇报，汇报讲究故事和逻辑
分析能力：基于业务常识选择合适的指标和维度，发现异动原因并可视化展现
数据能力：拥有全局的数据视野、更深的数据理解能力和操作能力
技术能力：EXCEL、SQL、Python/R、机器学习/深度学习引擎
统计能力：理解统计的基本概念、理解基本算法

以上，就是数据分析需要怎样的能力，其实，在很多企业中，数据分析是个岗位，但我一直认为数据分析仅仅是数据从业者谋生的高级手段，数据运营、数据产品、数据管理等各类岗位都需要数据分析的技能，比如数据运营就是数据分析的一种持续迭代形式。

总之，优秀的数据分析人员一定是主动发现问题、解决问题并扛得住压力的。

5. 常见的数据分析方法汇总

数据分析方法其实有很多，包含战略与组织、营销、人力资源、生产管理、财务管理、供应链管理等等方面。

1）战略与组织方面SWOT分析：战略规划的经典分析工具

PEST分析：组织外部宏观环境分析工具
BCG矩阵法：制定公司层战略最流行的工具
麦肯锡三层面分析：企业设计战略规划、开拓增长的有效工具
波特五力分析：行业竞争战略最流行的分析工具
核心竞争力分析：分析企业有效竞争和成长的重要工具
……..

2）市场营销方面STP分析：现代营销战略的核心分析工具

4Ps营销组合模型：制定市场战略最经典的营销理论工具
产品生命周期模型：描述产品和市场运作方法的有力工具
营销漏斗模型：量化了营销过程各个环节的效率，帮助找到薄弱环节
SPIN销售法：系统化挖掘客户需求的销售工具
营销战略新三角模型：战略业务架构分析工具
顾客金字塔模型：有效的顾客细分管理工具
……..

3）人力资源方面

平衡计分卡：最具影响力的战略绩效管理工具
360度绩效考核：推进员工行为改变最有效的工具之一
KPI：国际通行的企业经营绩效成果测量和战略目标管理的工具
3P模型：实施企业人力资源战略化管理的有效工具
关键事件技术：识别工作绩效的关键性因素的工作分析方法
职业锚：职业测评运用最广泛、最有效的工具之一
······

4）生产管理方面

5S现场管理法：现场科学管理的基础工具
六西格玛：世界最先进的质量管理法
QFD法：一种顾客驱动的先进质量管理应用技术
PDCA：循环有效控制管理过程和工作质量的工具
AUDIT法：保证产品质量的先进质量管理控制方法
零缺陷管理法：企业质量管理方法的又一次革命
……

5）财务管理方面

ABC成本法：企业控制成本的有力工具

杜邦分析法：企业业绩评价体系中最为有效的工具之一
比率分析法：财务分析最基本的工具
净现值法：企业投资决策中最基本、最常用的一种方法
沃尔评分法：对企业财务信用能力综合评价的方法
本量利分析：实施目标成本管理的一个重要工具
……

6）供应链管理方面

SCOR模型：第一个标准的供应链流程参考模型，供应链一体化的得力工具
ECR系统：一种新型的供应链管理策略
关键路径法：项目管理中应用最为广泛的方法之一
逻辑框架法：项目质量评价的综合评价方法
PERT网络分析法：有效的项目进度管理工具
工作分解结构：项目管理众多工具中最有价值的工具之一
……..

（我挑选了几种经典的数据分析方法，若大家对这些方法感兴趣自己去查找学习~这里不一一展开了）

02 实践总结

1. 抽丝剥茧

1）为什么要抽丝剥茧？

我们来看一个例子：当你去分析某段时间内一个产品的活跃数据，就觉得这个事情很简单啊，不就是把数据统计清楚吗？看看趋势，对比上周、上一年，然后进行分群分析，哪部分用户流失等等。

看做完一遍之后呢，你会面临一个纠结的情绪：同样的指标，有同词不同意；有同意不同词；还有互相包含，就是我的这个指标当中有你的一部分，你的指标中有我的一部分啊；还有各不相干毫无关联的指标却出现在同一个报表上——这都是有可能的。

其实，在做数据分析的时候，我们就会有一个扪心自问的过程：我们到底从何下手？从哪里开始分析呢？

我自己的思考就是：先忽略乱七八糟，高大上的概念，回归到本质，其实，明确分析目标后，数据分析就是为了指标服务的，最终的体现就是某个数据指标提升或者下降，进而影响业务决策，所以需要先了解一个问题：什么是指标？它应该如何被解释？

指标，它分成单一指标和衍生指标，衍生指标有一个或多个单一指标的计算得来。指标有维度和度量组成，需要注意的是，衍生指标的维度来源于组成其单一指标维度的交集。

单一指标需要经过数据统计的前置筛选，才能在逻辑上成立；衍生指标没有自己的统计口径，其统计口径寄生于组成其的单一指标身上。

其实：指标就是由维度和度量组成。

我们可以给指标下定义：指标是描述一个数据统计业务的最小逻辑单元。

例如，咱们来拆解一个数据指标，就需要一个抽丝剥茧的过程，但在实际业务分析中，不一定要拆解的多么细，基本上3个层级就能够指导我们去做一些动作。量化以及拆分指标，是数据分析的灵魂。

一级指标必须是全公司都认可的、衡量业绩的核心指标。它可以直接指引公司的战略目标，衡量公司的业务达成情况，本质上需要管理层和下级员工的双向理解、认同，且要易于沟通传达，比如公司的销售额，或者社交产品的活跃度。

二级指标是一级指标的路径指标。一级指标发生变化的时候，我们通过查看二级指标，能够快速定位问题的原因所在。如我们的一级指标是 GMV 和订单数量上升，那怎样去定二级指标呢？我们就要去拆解一级指标，而能够影响到 GMV 和订单数量上升的，就是我们的核心二级指标。比如说货品的单价上升，或者最近做的一些活动。

三级指标是对二级指标的路径分析。通过三级指标，可以高效定位二级指标波动的原因，这一步也会基于历史经验和拆解。

2）小结

回归今天的议题是数据分析之道，我们可以回到公司的战略层，回到企业发展的战略上去思考问题，需要我们思考如何应用数据分析，通过数据团队搭建、数据指标监控体系搭建、业务分析模型规划、业务目标规划、相关责任人梳理等方式，快速地帮企业解决问题，实现业务增长！

所以，我认为作为一个数据分析人员而言，抽丝剥茧、总结规律、解决问题的思维方式能力，是最核心的能力。衡量一个数据分析人员是否优秀的标准，并不是学各种SQL、Python/R等数据分析工具，而是，是否能够解构问题思维方式、还原本质、找到规律、寻找提升业务的最优解。

去寻求最优解、发展规律，那就应该运用到自己的思维框架——我们该怎么去找到规律、怎么去发展、怎么去找到这个细节，需要这三步法。

2. 三步法

1）三步法

首先，还原场景，寻找规律；深入细节，全面观察；窥斑见豹群，准确推演；交叉验证，排除影响。要沉的够深，要足够的信心，要扎得够狠。要跳出细节，回归本质，用上帝视角做敏锐的洞察思维，大胆假设，寻找规律。

其次，觉得大方向上没有问题，不要轻易下结论，还要再跳回到那些纷杂的细节当中，去一个一个地验证你总结出的规律是不是适用，要保持一颗谦卑的心。当发现这些规律不适用的时候，就要大胆改正。

最后，就是场景与验证，需要回归到细节，做仔细的核对，小心地求证，严格地论述；要理清场景，一定不要有遗漏，要及时地调整，迭代更新。

2）小结

对于数据分析人员而言，给出的每一份数据，都要抱着对其负责到底的态度，这样大家才能建立相互信任。所以，用思维去击穿复杂的逻辑，抽丝剥茧，发现问题的本质，这是一种需要被加强的能力。

这就是在当下而言，为什么数据产品经理、数据科学家这些厚重的职位，会成为当下的数据分析热门领域的原因——就是因为它对能力跟素质有新的挑战，不是大家能轻易适配的岗位。物竞天择，适者生存，市场规律就是供给多了，需求就容易满足；供给的少，自然价位就高。

所以，你要去做那个供给少的环节，成为这个行业当中比较少见的人，而不是成为普遍的人。

3. 存乎一心

1）指标监控体系的搭建

当你把一个东西解构的足够深的时候，你会面对一堆的需求碎片，万法不离其宗，先找到离你思维逻辑最近的那一步，叫第一层立足点。找逻辑点的时候，我们就要存乎一心，明确分析目的，发现核心指标。尤其是第一指标，在整个分析过程中都不忘最初目的，其实就非常简单。

那么，如何去搭建一个指标监控体系？

①要明确产品业务目标以及KPI和所处的产品阶段

要认清和明确目标。判断业务走势正常还是异常，探索解决问题的办法，都是从计算目标和现状的差距开始的，这一点非常重要。而不同的产品阶段是有不同的产品目标业务的。

拆解目标，细分可以有多种类型，比如常见几种的：

按达成时间为：年、季度、月
按服务对象为：各个部门、整个公司
按流程位置为：结果型目标/过程型目标

②根据现阶段产品业务目标，将数据指标分级

数据指标有很多：日活DAU、月活MAU、下载量、激活量、新增注册量、活跃度（DAU/MAU）、次日留存率、次人均时长、首页访问率、停留率、人均充值金额ARPU、GMV，客单价等等，我们会针对不同的指标，分不同的层级。一个数据指标，会受到多种因素的影响，而这些因素有内部的，有外部的，我们应当尽可能多的了解所有层面的影响因素，帮助我们对于数据的解读及分析是在一个相对正确的范围内。不一定要拆得太细，否则层级会过深，基本上 3 个层级就能够指导我们去做一些动作。

我们还以上述一级指标 GMV 提升为例，我们拆解后发现是转化率提升，那么转化率就是二级指标。而三级指标则起到能够直接指导一线运营的角色和作用，接着分平台去拆解各个转化率的时候，我们发现是 IOS 的客户端转化率有所提升。那为什么安卓没有提升，是不是 IOS 最近做了一些迭代？是不是它的一个转换路径比其他端好？这些思考就能指导业务人员展开行动。

③搭建以日、周、月为单位的数据指标监控体系报表

监控每日、过去一周，上周，上月同周，上上月同周的数据报表，以图表展示，来反映产品的变化趋势，通过过去的一周数据反映产品现状，通过每日、周、过去三个月的产品业务线数据变化趋势预估未来的变化趋势。

监控指标体系的基本逻辑：先看一级指标，结合二、三指标再预测判断未来趋势。

④根据数据监控结果，明确管理流程，实现控制

第一，当指标有异常状态，明确运营策略执行者。如：

GMV降了→ 客单价降低了→ 用户运营想策略
GMV降了→ 某类商品降幅大了→ 商品运营想策略
GMV降了→ 外部流量太少了 → 渠道运营想策略

第二，再明确执行时间。要有时间状态和走向判断。如:

过去+负向 → 关注某某的问题
过去+正向 → 发现什么的经验
未来+负向 → 警惕啥啥的风险
未来+正向 → 提示怎样的机会

第三，明确需要多大力度，如：

注意出现异常，要提高等，立即执行。

比如：“如客单价不能在3天内得到改善提高，本月KPI将不达标，需立即优化商品组合，提升客单价”。

第四，复盘改善后效果

搭建数据监控体系，最主要环节就是效果的复盘。而且要先看是哪个层级的效果，再看具体效果大小。

2）小结

我们是要对数据的质量负责、对数据的追踪负责、对数据服务的可靠性负责。回到存乎一心这件事，其实就是从碎片化的需求当中，结合自身和外部资源，将我们思维的底层逻辑体系一点一点的收拢起来，较精细化的解决问题。

而存乎一心的核心是应对诸多碎片化的需求时，有着深刻的洞察，顺势发展，因势利导，随机应变，运用之妙，存乎一心，以满足业务诉求。

03 数据分析之道

新事物的发展速度远远超出我们的想象，因此，关于“道”的思考还需要继续深入，暂且当做是数据分析领域里孜孜不倦又乐在其中地求索。回想搭建小飞象数据分析社群的历程，我们做了很多的准备工作，从社群愿景、价值观、使命的规划，运营体系的搭建，到内容体系的搭建，初始用户调研，后来用户反馈等等，遇到的困难一点点解决。

我觉得我们是站在了内容、商业和体验的三者之间，我们为群友营造用户体验，我们为社群争取商业利益，同时我们也消耗着内容资源，面对内容要高质量提升的挑战。

但是一定要有一个平衡点，这个平衡点就是最优解。我刚才讲的那一切都可以忘掉，那都不是你的数据之道。回到你的实际情况当中，你要这三个点中寻找一个平衡。

所以，回到方法论就是要找到平衡点，也许这个平衡点一脚站在了内容上。

实际上，“数据分析方法论”是承上启下的法门，往下，它们指导着“数据分析工具”的开展，往上，“数据分析之道”是战略，是形而上的价值体系，我们需要建立自己的数据价值观，一以贯之。

因此，如果你想真正的利用好数据分析，上述的抽丝剥茧和存乎一心，才是你们强大之道。