数据分析的思路与框架

数据分析是产品、市场、运营等岗位的基本技能，越来越多的JD中，将数据分析视作基本要求。当然，大部分情况下，业务需要的数据分析是非常基础的，只需用Excel做基本的统计计算，无须像专业的数据分析师，手握SQL和R，运用回归、分类树等算法，输出高精尖的报告。

从业务场景出发，数据分析是问题驱动的。也就是说，每一次启动数据分析，本质是发现问题、归因问题和解决问题。

基于数据，发现问题是数据分析的第一步。问题之所以被称为问题，是因为数据表现不符合“常理”或逻辑，正所谓“事出反常必有妖”。

我记得大学时上普通心理学课程，讲到精神障碍一章定义“正常行为”时，老师课上讨论过“正常”的定义——是取平均值，还是取众数，还是取中位数？

数据分析中也是如此，“常”是什么？

“常”可以是时序中的历史数据，比如App的日活用户数（DAU），我们要判断它是否正常，通常需要参考T-1、T-7、T-30的DAU，计算环比增幅（降幅）。

“常”也可以是竞品或者行业均值的指标表现。例如，微信公众号头条文章的粉丝打开率为5%（一个虚拟的数字不具备实际参考意义，即100个公众号粉丝，平均5个会打开公众号推送的头条文章）。如果你的公众号的粉丝打开率低于这个数值，那么就要反思，是否是头条文章的内容不够吸引人。

或许你也发现了，“正常”也好，“异常”也罢，都是基于比较产生的。增速“快”、渗透率“高”、客户数“少”，都是相对而言的。因此，基于数据定位问题的第一步，在于找到正确的锚点。

再看一个简单的例子，你就会明白选择正确的“锚点”对于定义问题是多么的至关重要，只有这样才能发现真问题。

互联网广告有一个显著的特点，广告主特别是中小广告主倾向在周末减投或者停止投放，因此周末大盘的广告主数量都会比较少。因此，如果是将周六在投的广告主数量与T-1（昨天，也就是周五）的投放广告主数量想比，在部分行业会出现“断崖式”的下跌。但是如果你去对比T-7（也就是上一个周六）在投广告主数量，你会发现数据并没有发生显著变化。

假设我们已经定义清楚了问题，那么接下来就是找到引起问题的因素，而这则是数据指标按维度的拆解。

维度与指标是大家经常用到，但是也经常容易混淆的两个名词。指标，是对事物本身的衡量，维度是表述事情的角度，是事情的特征。例如2019年中国的新增人口数量，人口数量是一个指标；按新增人口所在的省份拆解人口数量，省份就成为一个维度。一般而言，指标在维度上是可以拆解的。

我们一般依赖指标的“异常”来定义问题，然后通过维度来定位和归因问题。

还是以广告收入为例。广告收入就是一个指标，某天当发现昨日广告收入跌了10亿（日环比、周环比都在下降），接下来就是看，收入在哪个维度上跌了。

最常见的，我们可以按照行业拆解。假设我们有20个一级行业，每个广告主都会被归到一个行业中，通过对每个行业广告收入的日环比和差值绝对值，明确哪个行业应该为广告收入下降“负责”。

例如，我们发现是电商行业的广告收入从前天的10个亿降低到了昨天的1个亿，下降9亿元，占据整体下降的90%（9亿/10亿），我们可以认为是电商行业的下降导致了整体广告收入的下降。

如果我们将分析视角进一步细化，可以聚焦到某几个广告主身上，通常是头部大广告主的减投影响最大。

到了这里，只是走完了问题归因的一半——只是明确了问题在哪。接下来就做的是，就是明确为什么这个行业大广告主减投——直接找到客户问是最直接的。

客户可能回答：双11刚过，市场预算缩减了。

当我们发现了问题，也知道问题出在哪了，接下来就是怎么做，让数据指标恢复到“正常”——由上面的成因，导出你的执行策略。业务场景不同，问题不同，解决问题的方法也就不同，这里也就不展开细讲。

之后的一篇中，我将会围绕维度和指标、问题转译等话题，继续今天的分析。