数据分析师需要具备哪些能力？（四）

如何做好一个数据分析专题并落地应用

当一个公司的业务团队，可以比较方便准确、及时、完整的看到数据，往往都会很容易从数据的变化中看到业务问题，再通过关键业务维度的拆分，可以定位清楚业务问题发生的版块、准确衡量业务变化影响大小。

举个例子，用户复购数是一个很核心衡量用户运营的核心指标。当这个指标出现下降的时候，可能拆分成：

image.png

然后继续往更细的维度进行拆分，从而发现问题并进行解决。

那么，本文就详细介绍一下数据分析的几个步骤（问题描述：What？Where？When？Who？，找原因：Why？解决方案：How？）：

一、先弄清楚4W

通过分析定位到是发生了什么问题？问题是在哪个业务版块发生？在什么时间点发生？是谁在为这个变化的结果负责？只有明确这4W，数据分析的“着力点”才有可能确定。

如果你第一步不是去思考和分析清楚4W这些内容，你后面基本就会“迷失”在数据的海洋中、迷失在数据分析的方向中。你可能会有这样的体会：会不知道从哪个点开始着力，你会感觉是你一个人在“战斗”，你会感觉到不知道要找谁去讨论与交流，你也不知道这个分析出来结果应该是找到哪个人或者哪几个一起讨论。

如果没有把4W搞清楚，就会导致：

“数据分析不知道如何入手？”

“面对一堆数据不知道应该分析什么？”

“老板叫我做个数据分析，我不知道怎么办？”

要找到数据分析的“着力点”，第一步一定是搞要清楚：在哪，什么时候，发生了什么，谁会为这个数据指标变化负责？

1) Where：哪个业务板块发生了问题？

2) What：发生了什么问题？留存率是上升了还是下降了？还是其它原因？

3) Who：有两层含义：是谁提出来这个问题？是谁会为这个问题的结果负责？

例如：用户转化率下降，可能是部门负责人看到了或者是数据分析师看到了，提出这个问题，但他们可能不是直接为这个指标负责。所以发现问题、解决问题、为结果负责可能不是同一个人。

4) When：即数据异常发生的时间点

开始的时间点：不同的场景可能粒度不一样，可能是天，可能是小时，可能是分钟。持续时间长：在开始时间后，持续多长时间。

例如：单用户留存，发现上周一到周二在下降，后面又恢复正常了。如果你本周做周总结才发现这个数据，你觉得有必要再去花大量时间与资源去分析吗？最有价值一定是当时发现后，立即采取行动。当然要快速采取行动，很大程度又要取决你公司的数据基础。

做数据的同学，不管哪个岗位一定要记住数据的时效性。数据价值对于点的决策来说，随着时间的推迟价值会越来越低；但方向与趋势的判断需要数据的时间积累，随着时间的推迟价值数据价值可能是越来越大的。

通过数据能快速回答上述几个W，才能为后面工作开展打上基础。

最终应该是这样描述的：由A伙伴负责的留存数据，在上周一到周二，用户留存从平常的30%下降为20%。周三到周天又恢复正常水平30%-33%，对周留存率整体影响3%。

二、找原因（Why）

假设收到上述结果后，相信A伙伴的老板一定会问为什么这两天下降？很多业务伙伴看到数据变化的时候，往往就会开始向数据分析师提各种数据需求来寻找原因，数据分析师将会有”幸福的烦恼“，所以分析师每天都可能会收到这样对话（当然可能发生在比较成熟有一定规模的公司中）：

“亲，帮我拉这个数据，帮我取那个数据。”

“最好今天给我，上午能给我不？老板急着要。”

”亲，好了没有啊？下午和老板开会，老板一直催着我。“

数据需求往往追求响应效率，因为可能你的业务方的领导在等着他呢。把数据需求响应好、处理好，是一个与业务团队构建和谐关系的很好渠道，多点耐心，多点需求思考（上述的四个W），也许会帮助你更好的理解这个数据需求，理解到业务当前的痛点：业务同学当前的痛点可能不是解决问题，是应付老板，应付老板的老板。

有做数据的伙伴好好理解上述这些话，这对刚从事、已从事数据分析师的伙伴都应该会很有帮助的。懂业务很重要，非常重要，你懂业务才能和业务有共同语言，而且还要懂谁在负责这个业务，然后适当的去懂他的痛点，在有共同语言的基础上，懂“你服务用户的痛点”。

这个为什么主要回答：

一是，通过业务伙伴基于经验形成的各种业务问题的各种假设，希望用数据去证明这个假设是否成立。所以这个假设可能会很多，但他基于经验会告诉你最有可能是哪个，会有相关的优先级。

二是，数据分析师在服务业务一段时间后，在懂业务的基础上，最好能用一个数据指标分析体系构建后，快速寻找到相关指标来形成这个“为什么答案的假设”。从而让业务的这些假设沉淀在你的数据体系中。

接着上述的案例回答，假设你平时有一定的数据体系去分析与定位这个关键的KPI数据指标：

image.png

“在案例中的回答可能是，发现上周一、周二来的用户有50%用户订单金额中促销占比超过60%，客单价基于都在40元以上，刚好满足新人券的门槛。”“可能是由于某个渠道存在异常用户，周三停止该渠道后复购率恢复正常，所以建议停止该渠道的投放。”

三、数据落地执行（解决方案How）

关于How的问题是一个数据落地的问题，很多时候数据分析师的思路有限，常常是依赖于业务方提出How。如果在业务和分析师都没有思路的情况下就很尴尬了，毕竟很多业务还没有分析师那种解构思路还是靠直觉为先。

而此时如果数据分析师上述两个步骤没有做好，你会直接“迷失”，找不到重点，更不用谈所谓有数据分析逻辑的。能否回答好How，还是基于你本身对“业务知识与业务模式”的理解，基于你对数据指标体系构建和结构，基于平时对于数据敏感性的培养。

另外，产生异常的原因很多时候是没有办法得到明显的因果关系，在数量量大的时候，经常也有通过核心的指标对比形成相关关系(大数据时代相关性甚至比因果关系还重要)。

我们还是回到上述的案例，数据分析师去回答How，去针对核心的数据指标回答的问题时，去跟业务沟通时，应该这样和业务和自己对话：

“为什么月度复购留存是30%-33%，为什么不能做到35%以上！”

“如果要达到这个指标，我应该怎么去分析与洞察数据，怎么从数据分析寻找到这个机会点？”

“从哪些数据指标与维度，可能不断去细分，不断看各个细分机会点的趋势变化。”

数据分析师的成长真的没有捷径，是需要时间去打磨你的业务知识体系、你对数据的洞察与解读能力、你数据技术的处理能力。