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。

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。

04 结尾

在经济整体下滑的大环境中又受到疫情冲击的2020年，各中小微企业都面临着巨大艰难挑战，并有着前所未有的机遇，希望这篇文章可以为焦虑中的中小微企业对于“数据分析”的应用带来一点思考，帮助实现真正意义上的“数据驱动增长”。

最后，把非常喜欢的一句话送给大家：悲观者往往正确，而乐观者往往成功，与君共勉。艰难环境下，正是逆境崛起和弯道超车的好时机，愿大家都能找到自己的数据分析之道。