很多同學在問：數據分析有沒有標準思路，有沒有分析思維模式。答案當然是：有。但絕不是大家日常在公衆號看到的各種炫酷名字。什麼SOWT，PEST，二八法、切割法、多維法、業務法……這些名字炫酷有餘，可解決真實商業問題的時候沒一個靠譜的。今天我們正本清源，一次性跟大家解釋清楚：哪些數據思維的常見誤區。
誤區一：數據分析思維是4P，4C，SWOT，PEST，五力模型……
澄清：這些太過宏觀，完全沒法具體分析。
這些概念是營銷學、戰略管理、產業經濟等等課程的理論模型。在真實企業中，往往是一組人乾的人，不是某一個人乾的事。比如營銷講4P，在真實企業中，如果是傳統企業，至少有一個營銷總監管着營銷部門，下邊分爲：產品管理、市場推廣、品牌宣傳、會員中心、促銷活動、公關聯盟等多個小組。如果是互聯網公司，往往新客戶獲取由市場做，老客戶維護由運營做。在運營裏，又有用戶運營、產品運營、活動運營、社羣運營、新媒體運營、渠道運營、商品運營……
每個部門的負責內容、工作流程、數據來源、考覈KPI都不一樣。不結合具體工作具體分析，而是洋洋灑灑寫4P，每個P寫了一堆東西，結果就是完全不具體，不知道給誰看，看了有什麼用。那感覺，就像我們看大學生寫的課後作業《騰訊發展的十大成功要點》一樣
(～￣▽￣)～
優化策略：在企業裏工作，要解決真實商業場景的真實問題，就要具體問題具體分析。
做分析前，搞清楚我們是在服務：
XX企業（行業、商業模式、發展階段）
XX部門（銷售、市場、運營、供應鏈、風控……）
XX小組（品牌、產品、活動、會員、公關、廣告……）
XX問題（我不知道目前情況，我們發現了XX問題，我們有XX困惑……）
這樣才能真正做出有商業價值，而不是自娛自樂的東西來
誤區二：數據分析思維是用戶留存、用戶畫像……
澄清：這些是具體的指標，是分析的素材，不是結果
如果把題目完整，其實應該還有用戶拉新、用戶促活、用戶留存、用戶轉化、用戶推薦、用戶畫像……你看，這就是用戶運營這個部門的工作內容嗎。對應在數據上的，是一個具體的指標，比如：
-
用戶拉新（用戶來源渠道、新用戶數、拉新轉化率、拉新漏斗、拉新質量）
-
用戶促活（用戶活躍率、活躍用戶質量、各層級用戶活躍率）
-
用戶留存（次日、3日、7日、30日、季度、年度留存率；留存用戶數）
-
用戶轉化（轉化率、轉化行爲、轉化MOT、首次、二次、多次消費，RFM）
-
用戶推薦（參與率，有推薦行爲人數、人均推薦人數、推薦質量）
-
用戶畫像（以上所有指標+用戶基礎信息+用戶設備信息）
然而，單單列出這些指標，並沒有達到“分析”的目的哦。比如用戶留存，有的把用戶登錄APP定爲留存，有的把消費定爲留存，當定義不同時，留存含義都會變化，指向的業務動作當然也會變化。只看一個數值多少，是沒法解答具體商業問題的。
而且，針對留存這個問題，還有個經典困惑：如果我們把3個月內有付費定義爲留存，一個月買1000產品，連續買3個月，和一次買6000，半年買一次的有什麼區別？看似一次買6000，半年買一次是“流失”了，可有的消費者就是喜歡囤貨，就是喜歡蹭618，雙11（剛好上下半年各一次）……那這個定義本身都有問題，要怎麼“分析呢？”
優化策略：結合商業場景定義指標，從商業問題入手，而非從指標入手，構建分析思路。單純看一個指標，屁都看不出來。可企業經營遇到的問題是活生生的：我們增長遭遇瓶頸，我們收入不夠，我們的商業化速度太慢，怎麼辦！從這些具體痛點入手，把“增長遭遇瓶頸”對應到數據指標上（新用戶數，GMV，……）這樣就能真正開始腳踏實地的分析了。
誤區三：數據分析思維是象限法、多維法、二八法、對比法
澄清：這些其實都是一個基礎操作→分組對比。
通過分組對比，找到數據差異。
-
二八法：一個指標按二八開做分組
-
象限法：兩個指標，先各自分類，再交叉分組
-
N個指標：聚類分析，聚成N組
這些都是具體的分析手段，是分析的一個環節，不是分析本身。如果大家把它和上一個誤區連起來看，就發現其實兩者是一脈相承的。有了指標，沒有標準，拿什麼判斷好壞！於是需要對指標做分類對比，先樹立起“好/壞”的標準。或者業務上已經有了“好/壞”的定義，我們做分組對比，看看“好”到底在哪裏好，“壞”到底在哪裏壞，明確一個清晰的數量分界線，這樣纔好做後續深入分析。
優化策略：標準至關重要，數據+標準=判斷。有了判斷才能深入分析。因此沒有標準，就通過分組對比找標準。有標準，通過分析對比，找到“好/壞”的點。分組的方式可以根據數據多寡來選。但思路一定要清晰。經常有同學來問老師：老師，我要聚類，我有一堆數據，我該怎麼聚？老師肯定反問：你想聚了幹什麼啊。去餐館喫飯，你都得先問客人：客官想喫點什麼。而不是在這想：我有大米、蘑菇、牛肉、所以我要怎麼做客人才愛喫呢？
誤區四：數據分析思維是漏斗法、多維法
澄清：這些其實是一個基礎操作→構建指標體系。
指標背後具體商業動作，指標體系是按商業動作的邏輯，把一頓指標串行/並起來，從而觀察商業問題的基本方法。單一的指標本身就是很難說明問題的。
商業動作的邏輯關係有兩個基本類型。一類是串行關係，比如用戶看到我們的站外廣告然後到網站註冊買東西，就有看到廣告→落地頁→註冊→瀏覽→購買，這樣一個順序動作。需要先做完一個再做另一個。每一步會損失一些用戶，因此擺在一起像個漏斗，是所謂漏斗法。其實只要是串行指標都能做漏斗，不限於“互聯網AARRR漏斗”。比如B2B企業的跟單，就是一個典型串行關係：接受銷售線索→首次聯繫→二次跟進→打樣→競標→籤合同
另一類是並行關係。比如用戶購買會帶來收入和利潤。
-
利潤=收入-成本
-
收入=銷售收入+廣告收入+投資收入
-
銷售收入=日用+百貨+3C+餐飲+……
這種整體與局部、總分關係的都是並行關係。基於這種關係有一個分析方法叫杜邦分析法。在追查問題的時候，可以從總體到局部，從宏觀到細節層層深入，比如發現利潤未達預期，再往下看，是收入不夠，還是成本飆升；再往下看是哪些區域、產品、用戶貢獻的收入不夠；哪些項目成本飆升。這樣的推進方式，是所謂“多維法”“分解法”“拆解法”——其實就是總分看數的意思。
優化策略：
其實看完前四個誤區，大家已經發現了，本質問題是，這四種誤區其實是一件事，就是：把一個完整的分析思路，人爲割裂成若干個炫酷的名字。名字看起來是牛逼了，可真正操作的時候，單純靠某個環節是無法解決問題的。真正做分析，是把上邊四類打通，一步步的深入，逐漸逼近真相。要
-
理解商業背景
-
建立指標，用數據說話
-
明確指標背後的商業含義
-
把商業問題轉化爲可量化的數據問題
-
梳理指標關係，建立指標體系
-
尋找判斷問題的標準
-
按圖索驥，找到問題點
-
提出假設，推測原因
-
驗證假設，歸納結論
-
提出預測，判斷走勢
-
跟蹤走勢，發現新問題
如此循環往復，逐步積累經驗，就會分析的越來越準確。只可惜這個過程太複雜，需要一步步詳細解釋。因此很難給新人們直觀的感受，並且不夠炫酷啊！新人們總在問：分析思維模型是什麼？老師你有哪些模型可以講？於是爲了吸引新人，很多教數據分析的老師就忍痛割愛，咔嚓幾刀把原本完整的分析思路切成“矩陣模型”“二八模型”。看起來賣相好多，哈哈。
如果把上邊的一堆方法，連同統計學方法打包，大概可以歸納如下
當然，還有一類誤區是直接把統計學方法當做數據分析方法。不過這個誤區一般存在於沒有見過真實商業數據的在校學生羣體。真正進入企業工作後，大家都被糟糕的數據質量和混亂的問題搞得暈頭轉向，沒人迷信這個了。