编辑指南：作为数据分析师，了解业务是必然要求，然后数据分析师可以更好地发现、分析问题并给出解决问题的方法。 那么，了解业务后，数据分析师应该如何进行数据分析？ 在这篇文章中，作者结合自己的思考，发表了他对数据分析的看法，让我们一起来看看。

“SQL Boy/Girl，细心的大楼/能干的酒馆，清点机器，报告maker，无脑调包侠？ 所以，你真的是数据分析师吗？ ”

我从事基坑数据分析已经几年了，虽然经历了很多业务，接触了很多数据，做了很多报告和报告，但有时我会怀疑我是否真的在做数据分析。

为什么要怀疑？ 因为至今没有人能明确界定数据分析的工作内容和方向，所以在产品和运营同学看来数据分析是没有感情的提及机器，在上司们看来数据分析师是数据用户界面的报告maker，在圈外人看来数据分析师……大

正因为没有方向和预期，数据分析师有时会野蛮生长，探索多年，但数据分析很可能是从业务中发现问题，用对业务的理解和逻辑思考分析问题，找出问题的核心和发展态势，给出可行性方案，调整各方面资源落地

来自业务，回到业务，才是真正的制造差异！

谁都知道

一、业务究竟是什么？

数据分析师需要了解业务，但什么是业务？ 从来只问名字，不知道精髓，很多人迷失了第一步。 虽然业务很复杂，但从数据分析的角度来看，只需关注以下方面：

1. 商业模式

商业模式不仅仅是提供什么样的产品服务和如何赚钱。

互联网行业区别于其他传统企业，传统行业依靠销售产品牟利。 互联网企业的特点是羊毛出在狗身上，猪来买。 用什么服务进行引流？ 用什么服务粘用户？ 之后，提供什么服务进行收费和再购买？

2. 产品

你们提供什么类型的产品？ 对象是什么样的用户？ 解决用户的哪些痛点？ 产品的主要流程是什么？ 产品的生命周期是什么？ 你在验证功能吗？ 还是在迅速扩大市场？ 还是进入成熟期，拓展新领域或进行用户迁移？

3. 运营

对产品的运营战略是什么？ 有什么运营的战略和方法？ 在线上如何推进转换？ 如何做好用户精细的运营，把钱花在刀刃上？

4. 渠道

通过哪个渠道到达产品目标层，每个渠道的用户质量如何？ 生产投资回报怎么样？

5. 销售

销售方式往往依赖于业务模式，2B/2G一般需要在运营重要决策者的同时进行业务关系和代理商建设。 2C的情况下，在线上如何合作？

6. 竞品

在关注自身产品的同时，还需要了解细分领域的竞争对手情况。 同一路线的竞争产品是什么？ 有共性的产品功能和服务是什么？ 我们的强项和弱项分别是什么？ 未来有突围的机会吗？

二、懂业务了怎么搞数据分析？

已经整理了一次这样复杂的业务，面对数据分析的需求，应该如何下手？ 例如，数据显示当今顶级APP的“低龄用户”留存率较低。 分析一下理由吧。 我该怎么办？

第一步是否应该组织当今顶级APP的用户使用流程，找出用户留存率低是在哪个阶段丢失的？ 整理后，应该主要有以下重要流程。

接下来，就“低年龄层”残存率低的原因进行假设。 提出了从对业务的理解中产生的以下三个假说。 如果你更深入地理解，可能会发现更直接的第四个假说。

其次，收集关于3个假说的数据，逐一验证。 过程并不复杂，而是一个简单的演绎推理过程。

但在实际工作中，最复杂、最费时的是在对工作的理解基础上提出合理的假设，对工作的理解越深入，假设就越接近问题的本质，验证就越简单、直接。

010-10、10、90%的人做了“假”的数据分析。 数据分析基于业务需求，最终回归业务。 因此，整个闭环至少包括业务问题/需求的明确、分析目的的明确、分析思路和框架的整理、业务流程的整理、数据收集和处理、数据分析过程、结论和意见反馈的落地。

每一步都很重要，每一步都有很多容易陷入的误会。

三、数据分析的常见误区

有些人在进行数据分析时，抱着顽固的观念，追求所谓先进、高级、显示自己技术水平的分析技术，分析技术越高

越好，越尖端越厉害。明明有现成的、简单的、又非常适用的方案不采用，而把时间用在对数据算法追求上。

追求技术的进步和发展本身没有错，但不能一味强调高级方法。节约时间、节省资源，拿出高性价比的解决方案才是企业需要的工作态度，所以不论是高级的方法还是低级方法，只要能解决问题，就是好方法。

2. 误区2：业务面狭窄

前面已经说过，数据分析需要全面了解业务。

这个全面体现在数据分析不仅要关注技术层面，还要对市场、营销和管理领域的知识十分了解，只有这样储备下做出的数据分析才不会和业务环节出现脱节。有的分析报告内容看上去非常漂亮、专业、复杂，但是让老板看起来非常吃力，缺少的是业务逻辑，很难指导业务实践。

3. 误区3：分析目的不明确

面对茫茫数据，我们常常会觉得好像身处大海之中，盲无方向，不知所措，用什么分析方法，做什么图表，需要哪些数据，写什么形式的报告往往使我们百般纠结。

对于一个项目而言，首先要根据业务方的需求，明确为什么要做数据分析，要解决什么问题，也就是分析的目的。然后针对分析目的，搭建分析框架，选择分析方法和具体分析指标，以及明确抽取哪些数据，用到哪些图表等分析思路，只有对分析目的有清晰的认识，才会避开为分析而分析的误区，分析的结果和过程就越有价值。

4. 误区4：分析思路混乱

明确了数据分析的目的，就要紧紧围绕这个目的展开。

这个展开就是数据分析的思路和框架。如何把分析目的逐层拆解为子问题，如何把拆解后的子问题转化为数据指标，数据指标又会受到哪些维度的影响，如何表征影响的程度和趋势，如何找到问题的关键因素。

这个过程就是业务到数据的过程，尽量大胆地列举出所有可能的假设，然后把假设转化为数据指标和维度进行小心求证。

切忌拿到需求就立马着手分析，所谓数据未动，思路先行。在没有理清思路之前千万不要分析数据，否则百分百是要重新分来过的。把思路梳理清楚了，数据分析已经完成了一大半，而且整个问题的逻辑也会清晰很多。

5. 误区5：分析方法缺失

这个就是具体的实现层面了，思维纵然清晰了，但是在具体分析的过程中，分析方法不当也难以得出准确的结论。

1）只关注单一环节，没有全流程意识

比如发现这期活动用户报名明显降低了，不仅要关注用户在报名各环节的流失情况，还要关注更前置的环节，包括各渠道推广投入，各文案资源的点击转化等都需要考虑。

2）只关注单一指标，不去做关联分析

只看单一指标，只做简单归因，找到了一个指标就认为是影响问题的所有因素，由此推论问题原因。

这里往往忽略了很多问题并非只有单个因素，且多个因素和问题之间并非是因果关系，只是一种相关关系，我们要做的就是找到更多更相关的因素进行近似的“归因”。

3）只关注分析本身，没有结合业务动作

举个常见的例子，需要用RFM模型对用户进行高/中/低价值分层，那消费金额M的阈值如何取？自己拍脑袋？为何不结合业务动作进行设定呢？分层的目的不就是为了针对性的制定动作么？如果业务准备对高/中/低价值用户分别发放5000/3000/1000的优惠券，那阈值是不是就出来了？

4）只去做表面分析，不解决具体问题

报表做了一堆，没有抓住应该重点关注的业务指标；发现异常指标，没有结合数据分析去采取有效措施；复盘罗列数据，没有总结出有助于业务发展的结论。这些都是＂形式主义＂式的数据分析，看似没有问题，实际没有任何指导意义。

四、数据分析师的进阶之路

数据分析zzdfj和新手最大的区别在于：zzdfj能通过数据分析，找到工作的关键节点，思考怎样达成每个节点，并用数据证明能不能走得通。新手容易陷入＂毛线团式＂的工作状态，绕了一圈又一圈才完成任务。

想成为这样的zzdfj，拿到比数据小白高几倍的工资，至少需要经历以下3个能力阶段。

1. 能力阶段一：用数据分析解决业务问题

很多运营在遇到业务困难时，要么早早放弃，要么主观臆测，找不到问题的要害。这时候如果你能学会用数据严谨地分析和解决问题，相信老板一定会对你刮目相看。

2. 能力阶段二：用数据分析达成项目目标

你需要将数据分析思维贯穿整个项目，让你更好地掌控项目，最终帮助你达成目标。其中有一项非常关键的能力，即数据拆解能力。

然而，很多同学在做指标拆解时，都只会简单粗暴地“做加法”。销售量＝渠道A＋渠道B＋渠道C。渠道运营小伙伴很容易找一堆互推渠道，但最后这些渠道能成交多少，是不可控制的。

真正的数据分析zzdfj应该懂得在高度的不确定性当中，去寻找确定性。我建议采用的是“乘法逻辑”：销售量＝曝光量 x 转化率。

3. 能力阶段三：用数据分析驱动业务增长

到了这个阶段，数据分析就不仅仅是用来发现问题，或者仅仅只能用于某个活动或项目，而是可以持续指导业务增长。希望我们都能够不断打怪升级，道路虽长，但我们一直都在进步。

本文由 @大数据分析与运营星球 原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自 Unsplash，基于CC0协议