數據分析小白提升記：學會這種通用的數據思維，讓你的工作事半功倍

作者 | 數據分析不是個事兒
來源 | ID：nizhidaoma2013

很多小白在剛接觸數據分析的時候，缺乏數據思維的支持，做起分析來感覺找不準方向，很難通過分析挖掘出數據的價值，因此，我今天給剛入行的新人們分享一種通用的數據分析思維，在很多種分析場景都可以借鑑使用。

我要說的就是「Why-What-How」模型，這個模型在講解概念和執行上是個不錯的思維模型，本文將按照這個模型框架來拆分數據分析，爲了幫助大家更好地理解，先貼出一張思維導圖：

WHY：爲什麼要做數據分析

個人的理解， 數據分析是爲了能以量化的方式來分析業務問題並得出結論，其中有兩個重點詞語：量化和業務。

量化是爲了統一認知，並且確保路徑可回溯，可複製。除量化之外，另外一個重點詞語是業務。只有解決業務問題分析才能創造價值，價值包括個人價值和公司價值。

那麼，如何站在業務方的角度思考問題呢，總結起來就是八個字憂其所慮，給其所欲：

• 溝通充分
• 結論簡明
• 提供信息量及可落地建議
• 尋求反饋

在溝通上，確定業務方想要分析什麼，提出更合理專業的衡量和分析方式，同時做好節點同步，切忌一條路走到黑。舉例來講，業務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量，那麼留存率、目標轉化率纔是更合適的指標。

在闡述分析結果上，要記得結論先行，逐層講解，再提供論據。因爲業務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，先要明白什麼叫信息量：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，從西方升起纔是。

WHAT：什麼是數據分析

數據分析的本質是抓住變與不變。「變」是數據分析的基礎，如果一個業務每天訂單是 10000 單，或者每天都是以 10% 的速度穩步增長，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據：實時&日周月報；記錄關鍵數據（榜單&報告）

在「不變」的基礎上，便能逐漸培養出指標敏感性，即意識指標偏離的能力。這主要是通過各種日環比，周月同比的監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」是怎麼應用到日常的分析上的：

這裏先跟大家分享下怎麼看這種榜單：

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

數據分析的定義，還有國外一本商務分析的書籍的定義作爲註腳：

HOW：怎麼進行數據分析

任何數據分析都是「細分，對比，溯源」這三種行爲的不斷交叉。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，發現數據異常後，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：根據某個維度對指標進行切分及交叉分析
• 縱切：以時間變化爲軸，切分指標上下游
• 內切：根據某個模型從目標內部進行劃分

橫切

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問題時，我們便知道該從什麼維度進行分析。在進行橫切分析時，經常需要多個維度交叉着使用。

縱切

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，則用日誌分析。

內切

內切上，主要是根據現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

對比主要分爲以下幾種：

• 橫切對比：根據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化率
• 目標對比：常見於目標管理，如完成率等
• 時間對比：日環比，周月同比；7天滑動平均值對比，7天內極值對比

3、溯源

經過反覆的細分對比後，基本可以確認問題所在了。這時候就需要和業務方確認是否因爲某些業務動作導致的數據異常，包括新版本上線，或者活動策略優化等等。

如果仍然沒有頭緒，那麼只能從最細顆粒度查起了，如用戶日誌分析、用戶訪談、外在環境瞭解，如外部活動，政策經濟條件變化等等

4 、衍生模型

在「細分對比」的基礎上，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鍵要素，並做到不重不漏。這裏列舉幾個以供參考：

• Why-How-What
• 5W1H
• 5Why
• 4P模型（產品，價格，渠道，宣傳）
• SWOT 模型（優勢，劣勢，機會，威脅）
• PEST 模型（政治，經濟，社會，科技）
• 波士頓矩陣

How：數據分析如何落地

以上講的都偏「道術技」中的「術」部分，下面則通過彙總以上內容，和實際工作進行結合，落地成「技」部分。

1、數據分析流程和場景

根據不同的流程和場景，會有些不同的注意點和「術」的結合

• 衡量——業務發展，產品效果
• 監控——數據異常
• 尋因——找到數據變化的原因
• 論證——產品上線是否有效，新策略能否上線，是否起了作用
• 探索——優化方案，專題報告，增長黑客
• 預測——預測銷量，制定目標

2、數據分析常見謬誤

**控制變量謬誤：**在做 A/B 測試時沒有控制好變量，導致測試結果不能反映實驗結果。或者在進行數據對比時，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，互聯網圈的人會發現身邊的人幾乎不用「今日頭條」，爲什麼這 APP 還能有這麼大瀏覽量？

**定義謬誤：**在看某些報告或者公開數據時，經常會有人魚目混珠。「網站訪問量過億」，是指的訪問用戶數還是訪問頁面數？

**比率謬誤：**比率型或比例型的指標出現的謬誤以至於可以單獨拎出來將。一個是每次談論此類型指標時，都需要明確分子和分母是什麼。

**因果相關謬誤：**會誤把相關當因果，忽略中介變量。比如，有人發現雪糕的銷量和河溪溺死的兒童數量呈明顯相關，就下令削減雪糕銷量。其實可能只是因爲這兩者都是發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據相加時，在分組比較中都佔優勢的一方，會在總評中反而是失勢的一方。

總結

做數據分析首先數據準確性是第一位的，然後就是要站在業務方的角度思考問題，憂其所慮，予其所欲，這樣做出來的分析更容易產出價值。