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：

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：

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：

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：

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、用户规模等营销宏观环境，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：

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。

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。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。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。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。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。

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

2）市场营销方面STP分析：现代营销战略的核心分析工具

3）人力资源方面

4）生产管理方面

5）财务管理方面

ABC成本法：企业控制成本的有力工具

6）供应链管理方面

（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：

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。

来源【写作训练营】自媒体，更多内容/合作请关注「辉声辉语」公众号，送10G营销资料！