优秀的数据分析师有哪些特质（二）？

后厂村AJ 2023-07-22 11:16:36

我们先来回顾下解决问题的流程图（左图，改编自书籍《如何用数据解决实际问题》），以及数据分析师的能力框架（右图，百度DA的晋升能力体系）。

我们可以看到，如果要解决一个问题，首先我们要准确地定义这个问题（按照上期所讲，这个需要有深刻的业务洞察能力），然后通过一系列的数据分析，定位原因，最后讨论并实施对策（即实现项目影响）。左右两个图对比，我们可以看到，数据分析的能力框架并不是天马行空想出来的，它是从解决问题的流程中提炼出来的。

优秀的数据分析师有哪些特质（二）？

你们觉得这四大核心能力中，哪个能力最能体现数据分析师的价值呢？

在我看来，无疑是原因定位（这也是我把原因定位放在最中间的原因）。为什么呢？我先给大家讲个故事。

据说，有一次，美国一个大公司，电机发生了故障，把公司所有内行人请来也找不出症结所在。没有办法，只好派人乘专机将一个德国专家请来，德国专家问了业务人员电机以往的使用情况，看了下相关的数据，然后围着像一间房大的电机转了起来，他一会儿敲敲这，一会儿听听那……大约一个小时后，专家拿起粉笔在电机上最不起眼的部位划了一道线，对在场的工人说，把这里打开……

电机被打开了，故障，原来真在这里！

德国工程师索要1万美元费用。周围的人不理解，问道，用粉笔划了这么一道线，就一万美元，我们辛辛苦苦干一个月才几千元？工程师见他们不理解，就笑着对他们说，我拿粉笔划这一道线，只有一元钱，可是我知道在哪里去划，要9999美元。

看完这个故事，大家再想想就应该明白了。无论是业务洞察还是数据分析，都是服务于原因定位。而当原因定位好之后，如果和你配合的业务人员足够优秀，实现项目影响自然也是顺理成章的事情（就像故事里的工人，在看到故障后不需要专家指导自然就知道如何维修）。

01

接下来我们就详细讨论下原因定位的方法论。当我们接到一个问题的时候，最忌讳的就是不经思考直接去看各种数据，迷失在数据的海洋里，纠结于不重要的数据细节中。我们要做的是先对问题进行拆解，把分析思路梳理清楚了，才能有的放矢。

拆解问题有两种方法：一种叫假设拆解（咨询公司叫做假设树），另一种称为逻辑拆解（咨询公司叫做议题树）。

假设拆解，顾名思义，就是对问题的原因列出一个个的假设。这种拆解问题的方法门槛比较低，无论是业务小白，还是资深大咖，当面临一个业务问题时，大家自然而然都能提出一系列的原因假设，进而通过数据分析验证真伪。

举个例子（案例和数据都是示例，非真实情况），微信的数据分析师小明发现，从9月11日左右开始，每日成功发送红包的总金额（即红包被抢了且成功转账的金额）逐步下跌，在此之前，这个指标一直都比较平稳。

优秀的数据分析师有哪些特质（二）？

看到这个现象，大家可能有很多假设：

微信内部上线了某些新功能（比如发红包的上限从200元降低到100元，用户更多的使用转账），对红包功能有负面影响。
暑假结束开学了，学生党花销变少了，所以家长给孩子，以及学生党之间发的红包变少了。
竞对（比如支付宝）的红包功能开发了新玩法，对微信红包有负面影响。

假设拆解方法的优点是，如果对业务了解深刻且幸运的话，可能提出的第一个假设就是问题的核心，又快又准地定位原因；风险是人们建立假设时，很容易依赖工作中的常识、自身的经验或直觉，可能会无意识地排除一些重要的假设。

如果这些遗漏的假设恰好是问题的根源，就会陷入假设-》证伪-》再假设-》再证伪….的死循环中，这样只是花费了大量的精力排除掉错误的假设，真正的原因却迟迟找不到。

逻辑拆解方法能很好地降低遗漏。 互联网产品中常用的逻辑拆解方法，包括漏斗拆解和指标拆解。如下图，就是按照用户发送以及对方接收红包的操作路径来拆解。

优秀的数据分析师有哪些特质（二）？

下图是指标拆解，即运用“四则运算”将指标拆分成具有业务代表意义的n个具体指标，再结合重要的维度进行拆解分析。

优秀的数据分析师有哪些特质（二）？

我们可以看到，定位原因最好的方法论是逻辑拆解和假设拆解配合使用。逻辑拆解的最大好处是不重不漏，能帮助我们快速地定位问题的核心要素。这个时候运用假设拆解法，提出可能影响这个要素的假设，我们找到核心原因的成功率就会大大提升。

好啦！方法论讲完了。有些读者可能会说，其实这些没那么难，我早就知道了。可是，世界上最难做的事情就是知行合一，从知到行还远着呢。 我们每个人都知道饭前洗手，你想想你每次都能做到吗？嘿嘿！

02

除了原因定位的方法论，我还有两个重要建议提给大家。

（1）越重大的问题，越要使用逻辑拆解

正如上述提到，假设拆解是门槛很低的方法，所有人都能对问题提出几个假设。我在面试应届生架空分析题目的时候，80%的候选人都是用假设拆解法，很少有人有逻辑拆解的意识。

同样的，在我们遇到一个重大的问题时候（比如电商GMV下降），关心这个问题的人也会很多，通常大家就会七嘴八舌提出自己的想法，而这些想法会局限在他们自己所负责的范畴。比如技术同学担忧是不是推荐算法不好，推荐的商品用户不喜欢，供应链同学担心是不是货品不够全面，运营同学担心是不是优惠力度不如竞对，甚至有时候大佬们也会抛出一两个假设。

每个业务方都紧张兮兮，都想请你用相关数据证明问题的核心不在他们。如果你被他们的假设牵着鼻子走，最终可能就是帮他们排除掉了一个个与他们相关的假设，但真正核心的原因还是没有找到，老板肯定不会满意。

你总不能和老板说：“老板，我们花了3天时间，做了大量的数据分析，最后我们排除掉了以下10种可能性。”

老板一句“那原因是什么呢？”就能把你怼的体无完肤。

记住，原因定位永远是以找到正确的原因为最终成果，排除一系列潜在原因不是交差的正确姿态。所以，越是重大的问题，越要采用逻辑拆解，这样你才能快速地定位关键因素，为找到最终原因奠定好的基础。

（2）除了海量的数据分析，别忘了用户调研！

为什么在这里着重提到用户调研，主要是由于数据分析师的两个认知误区。

误区一：进入大数据时代后，有时候我们会过度依赖用户的行为数据，例如点击、观看、使用时长等，却忽略了这些行为背后的用户需求。好的产品，都是以满足用户的核心需求为目的。异常的产品使用行为数据背后，都应该有一个合理的用户需求解释。否则知其然而不知其所以然，怎么能有好的业务对策呢？

误区二：在实际工作中，很少会遇到所需数据全都摆在眼前的情况，用户调研能从另一种角度提供所需的信息。

举个例子，在工作中，最让我头疼的就是留存下降的分析。留存下降，说白了就是用户不像以前一样喜欢你的产品了。这就像你的男/女朋友说不爱你了一样，潜在的可能原因或者干扰因素太多了。

当我做切片分析的时候，我希望能从年龄、注册时间、职业、地域、教育水平、收入水平、工作繁忙程度等各个因素进行分析，甚至希望对比他们的竞对使用数据。但是很可惜，我想要的数据大部分都是没法获得的。

即便这样，也不应该根据“现有数据”来开始所有的工作。只在“现有数据”的范围内进行分析，最有可能的结果就是找不到原因，陷入分析困境。这个时候，通过线上的调查问卷，或者与用户一对一访谈，能给我们提供想要的信息，甚至是行为数据里挖掘不出来的insight。

看多了百万、千万数据的分析师可能会质疑，几百个用户的问卷能具有代表性吗？