一次澄清：数据分析思维五大误区
很多同学在问：数据分析有没有标准思路，有没有分析思维模式。答案当然是：有。但绝不是大家日常在公众号看到的各种炫酷名字。什么SOWT，PEST，二八法、切割法、多维法、业务法……这些名字炫酷有余，可解决真实商业问题的时候没一个靠谱的。今天我们正本清源，一次性跟大家解释清楚：哪些数据思维的常见误区。
误区一：数据分析思维是4P，4C，SWOT，PEST，五力模型……
澄清：这些太过宏观，完全没法具体分析。
这些概念是营销学、战略管理、产业经济等等课程的理论模型。在真实企业中，往往是一组人干的人，不是某一个人干的事。比如营销讲4P，在真实企业中，如果是传统企业，至少有一个营销总监管着营销部门，下边分为：产品管理、市场推广、品牌宣传、会员中心、促销活动、公关联盟等多个小组。如果是互联网公司，往往新客户获取由市场做，老客户维护由运营做。在运营里，又有用户运营、产品运营、活动运营、社群运营、新媒体运营、渠道运营、商品运营……
每个部门的负责内容、工作流程、数据来源、考核KPI都不一样。不结合具体工作具体分析，而是洋洋洒洒写4P，每个P写了一堆东西，结果就是完全不具体，不知道给谁看，看了有什么用。那感觉，就像我们看大学生写的课后作业《腾讯发展的十大成功要点》一样
(～￣▽￣)～
优化策略：在企业里工作，要解决真实商业场景的真实问题，就要具体问题具体分析。
做分析前，搞清楚我们是在服务：
XX企业（行业、商业模式、发展阶段）
XX部门（销售、市场、运营、供应链、风控……）
XX小组（品牌、产品、活动、会员、公关、广告……）
XX问题（我不知道目前情况，我们发现了XX问题，我们有XX困惑……）
这样才能真正做出有商业价值，而不是自娱自乐的东西来
误区二：数据分析思维是用户留存、用户画像……
澄清：这些是具体的指标，是分析的素材，不是结果
如果把题目完整，其实应该还有用户拉新、用户促活、用户留存、用户转化、用户推荐、用户画像……你看，这就是用户运营这个部门的工作内容吗。对应在数据上的，是一个具体的指标，比如：
- 用户拉新（用户来源渠道、新用户数、拉新转化率、拉新漏斗、拉新质量）
- 用户促活（用户活跃率、活跃用户质量、各层级用户活跃率）
- 用户留存（次日、3日、7日、30日、季度、年度留存率；留存用户数）
- 用户转化（转化率、转化行为、转化MOT、首次、二次、多次消费，RFM）
- 用户推荐（参与率，有推荐行为人数、人均推荐人数、推荐质量）
- 用户画像（以上所有指标+用户基础信息+用户设备信息）
然而，单单列出这些指标，并没有达到“分析”的目的哦。比如用户留存，有的把用户登录APP定为留存，有的把消费定为留存，当定义不同时，留存含义都会变化，指向的业务动作当然也会变化。只看一个数值多少，是没法解答具体商业问题的。
而且，针对留存这个问题，还有个经典困惑：如果我们把3个月内有付费定义为留存，一个月买1000产品，连续买3个月，和一次买6000，半年买一次的有什么区别？看似一次买6000，半年买一次是“流失”了，可有的消费者就是喜欢囤货，就是喜欢蹭618，双11（刚好上下半年各一次）……那这个定义本身都有问题，要怎么“分析呢？”
优化策略：结合商业场景定义指标，从商业问题入手，而非从指标入手，构建分析思路。单纯看一个指标，屁都看不出来。可企业经营遇到的问题是活生生的：我们增长遭遇瓶颈，我们收入不够，我们的商业化速度太慢，怎么办！从这些具体痛点入手，把“增长遭遇瓶颈”对应到数据指标上（新用户数，GMV，……）这样就能真正开始脚踏实地的分析了。
误区三：数据分析思维是象限法、多维法、二八法、对比法
澄清：这些其实都是一个基础操作→分组对比。
通过分组对比，找到数据差异。
- 二八法：一个指标按二八开做分组
- 象限法：两个指标，先各自分类，再交叉分组
- N个指标：聚类分析，聚成N组
这些都是具体的分析手段，是分析的一个环节，不是分析本身。如果大家把它和上一个误区连起来看，就发现其实两者是一脉相承的。有了指标，没有标准，拿什么判断好坏！于是需要对指标做分类对比，先树立起“好/坏”的标准。或者业务上已经有了“好/坏”的定义，我们做分组对比，看看“好”到底在哪里好，“坏”到底在哪里坏，明确一个清晰的数量分界线，这样才好做后续深入分析。
优化策略：标准至关重要，数据+标准=判断。有了判断才能深入分析。因此没有标准，就通过分组对比找标准。有标准，通过分析对比，找到“好/坏”的点。分组的方式可以根据数据多寡来选。但思路一定要清晰。经常有同学来问老师：老师，我要聚类，我有一堆数据，我该怎么聚？老师肯定反问：你想聚了干什么啊。去餐馆吃饭，你都得先问客人：客官想吃点什么。而不是在这想：我有大米、蘑菇、牛肉、所以我要怎么做客人才爱吃呢？
误区四：数据分析思维是漏斗法、多维法
澄清：这些其实是一个基础操作→构建指标体系。
指标背后具体商业动作，指标体系是按商业动作的逻辑，把一顿指标串行/并起来，从而观察商业问题的基本方法。单一的指标本身就是很难说明问题的。
商业动作的逻辑关系有两个基本类型。一类是串行关系，比如用户看到我们的站外广告然后到网站注册买东西，就有看到广告→落地页→注册→浏览→购买，这样一个顺序动作。需要先做完一个再做另一个。每一步会损失一些用户，因此摆在一起像个漏斗，是所谓漏斗法。其实只要是串行指标都能做漏斗，不限于“互联网AARRR漏斗”。比如B2B企业的跟单，就是一个典型串行关系：接受销售线索→首次联系→二次跟进→打样→竞标→签合同
另一类是并行关系。比如用户购买会带来收入和利润。
- 利润=收入-成本
- 收入=销售收入+广告收入+投资收入
- 销售收入=日用+百货+3C+餐饮+……
这种整体与局部、总分关系的都是并行关系。基于这种关系有一个分析方法叫杜邦分析法。在追查问题的时候，可以从总体到局部，从宏观到细节层层深入，比如发现利润未达预期，再往下看，是收入不够，还是成本飙升；再往下看是哪些区域、产品、用户贡献的收入不够；哪些项目成本飙升。这样的推进方式，是所谓“多维法”“分解法”“拆解法”——其实就是总分看数的意思。
优化策略：
其实看完前四个误区，大家已经发现了，本质问题是，这四种误区其实是一件事，就是：把一个完整的分析思路，人为割裂成若干个炫酷的名字。名字看起来是牛逼了，可真正操作的时候，单纯靠某个环节是无法解决问题的。真正做分析，是把上边四类打通，一步步的深入，逐渐逼近真相。要
- 理解商业背景
- 建立指标，用数据说话
- 明确指标背后的商业含义
- 把商业问题转化为可量化的数据问题
- 梳理指标关系，建立指标体系
- 寻找判断问题的标准
- 按图索骥，找到问题点
- 提出假设，推测原因
- 验证假设，归纳结论
- 提出预测，判断走势
- 跟踪走势，发现新问题
如此循环往复，逐步积累经验，就会分析的越来越准确。只可惜这个过程太复杂，需要一步步详细解释。因此很难给新人们直观的感受，并且不够炫酷啊！新人们总在问：分析思维模型是什么？老师你有哪些模型可以讲？于是为了吸引新人，很多教数据分析的老师就忍痛割爱，咔嚓几刀把原本完整的分析思路切成“矩阵模型”“二八模型”。看起来卖相好多，哈哈。
如果把上边的一堆方法，连同统计学方法打包，大概可以归纳如下
当然，还有一类误区是直接把统计学方法当做数据分析方法。不过这个误区一般存在于没有见过真实商业数据的在校学生群体。真正进入企业工作后，大家都被糟糕的数据质量和混乱的问题搞得晕头转向，没人迷信这个了。这个我们下次再分享，想学习更多真实商业分析知识