一、業務究竟是什么？

誰都知道數據分析師要懂業務，可業務究竟是個啥？從來都是只聞其名，不得其精髓，以至于很多人就迷失在了第一步。業務雖然很復雜，但從數據分析的角度上來講，只需要關注以下幾個方面。

1. 商業模式

所謂的商業模式，無非就提供什么樣的產品服務，然后以何種方式賺錢。

互聯網行業區別于其他傳統企業，傳統行業靠的是銷售產品獲利，互聯網企業的特點往往是：羊毛出在狗身上，豬來買單。通過什么樣的服務進行引流？又通過什么樣的服務黏住用戶？然后提供什么樣的服務進行轉化付費以及復購？

2. 產品

我們提供什么類型的產品？面向的是什么樣的用戶？解決用戶什么樣的痛點需求？產品的主要流程是什么樣的？產品處于何種生命周期？是在驗證功能？還是在快速拓展市場？抑或是已經進入成熟期，要拓展新的領域或者做好用戶遷移了？

3. 運營

對于產品的運營策略是什么？有哪些運營的策略和方法？線上線下如何推廣轉化？如何做好用戶的精細化運營，把錢用到刀刃上？

4. 渠道

通過哪些渠道觸達到產品的目標人群，各渠道的用戶質量如何？投入產出ROI如何？

5. 銷售

銷售方式往往取決于商業模式，如果是2B/2G，一般來說需要做好關鍵決策人的運營，同時做好商務關系或者代理商建設，如果是2C，線上線下如何配合？

6. 競品

關注自身產品的同時，更要了解細分領域競品的情況。同一賽道的競品有哪些？共性的產品功能和服務是什么？我們的優勢和劣勢各是什么？未來有沒有機會可以突圍？

二、懂業務了怎么搞數據分析？

已經把這么復雜的業務理了一遍，接到一個數據分析的需求，又該如何下手呢？比如，通過數據發現今日頭條APP的“低齡用戶”的留存率很低，讓你分析一下原因，怎么做？

第一步，是不是應該把今日頭條APP的用戶使用流程梳理一遍，看看用戶究竟留存率低是在哪個環節流失了，梳理后主要應該有以下幾個關鍵流程：

然后，我們就要對＂低齡人群＂的留存率低的原因進行假設，進行了如下3種假設，這3種假設就來源于對業務的理解。如果理解得更加深入，可能會找到更直接的第4個假設。

接下來就是對3個假設收集數據，逐個驗證，過程并不復雜，就是簡單的演繹推理過程。

然而實際業務中，最復雜耗時的是基于業務的理解提出合理的假設，業務理解得越深入，假設就越接近問題本質，驗證就越簡單直接。

三、數據分析的常見誤區

90%的人做的都是“假”的數據分析。數據分析是源自于業務需求，最終回歸到業務中。所以整個閉環至少包括：明確業務問題/需求、明確分析目的、梳理分析思路和框架、梳理業務流程、數據采集與處理、數據分析過程、結論及意見反饋落地。

每一步都至關重要，而在每一步都會有很多容易陷入的誤區。

1. 誤區1：技術至上

有些人在進行數據分析時持有一種固執的觀念，追求所謂的尖端的、高級的、顯示自己技術水準的分析技術，認為分析技術越高級越好，越尖端越厲害。明明有現成的、簡單的、又非常適用的方案不采用，而把時間用在對數據算法追求上。

追求技術的進步和發展本身沒有錯，但不能一味強調高級方法。節約時間、節省資源，拿出高性價比的解決方案才是企業需要的工作態度，所以不論是高級的方法還是低級方法，只要能解決問題，就是好方法。

2. 誤區2：業務面狹窄

前面已經說過，數據分析需要全面了解業務。

這個全面體現在數據分析不僅要關注技術層面，還要對市場、營銷和管理領域的知識十分了解，只有這樣儲備下做出的數據分析才不會和業務環節出現脫節。有的分析報告內容看上去非常漂亮、專業、復雜，但是讓老板看起來非常吃力，缺少的是業務邏輯，很難指導業務實踐。

3. 誤區3：分析目的不明確

面對茫茫數據，我們常常會覺得好像身處大海之中，盲無方向，不知所措，用什么分析方法，做什么圖表，需要哪些數據，寫什么形式的報告往往使我們百般糾結。

對于一個項目而言，首先要根據業務方的需求，明確為什么要做數據分析，要解決什么問題，也就是分析的目的。然后針對分析目的，搭建分析框架，選擇分析方法和具體分析指標，以及明確抽取哪些數據，用到哪些圖表等分析思路，只有對分析目的有清晰的認識，才會避開為分析而分析的誤區，分析的結果和過程就越有價值。

4. 誤區4：分析思路混亂

明確了數據分析的目的，就要緊緊圍繞這個目的展開。

這個展開就是數據分析的思路和框架。如何把分析目的逐層拆解為子問題，如何把拆解后的子問題轉化為數據指標，數據指標又會受到哪些維度的影響，如何表征影響的程度和趨勢，如何找到問題的關鍵因素。

這個過程就是業務到數據的過程，盡量大膽地列舉出所有可能的假設，然后把假設轉化為數據指標和維度進行小心求證。

切忌拿到需求就立馬著手分析，所謂數據未動，思路先行。在沒有理清思路之前千萬不要分析數據，否則百分百是要重新分來過的。把思路梳理清楚了，數據分析已經完成了一大半，而且整個問題的邏輯也會清晰很多。

5. 誤區5：分析方法缺失

這個就是具體的實現層面了，思維縱然清晰了，但是在具體分析的過程中，分析方法不當也難以得出準確的結論。

1）只關注單一環節，沒有全流程意識

比如發現這期活動用戶報名明顯降低了，不僅要關注用戶在報名各環節的流失情況，還要關注更前置的環節，包括各渠道推廣投入，各文案資源的點擊轉化等都需要考慮。

2）只關注單一指標，不去做關聯分析

只看單一指標，只做簡單歸因，找到了一個指標就認為是影響問題的所有因素，由此推論問題原因。

這里往往忽略了很多問題并非只有單個因素，且多個因素和問題之間并非是因果關系，只是一種相關關系，我們要做的就是找到更多更相關的因素進行近似的“歸因”。

3）只關注分析本身，沒有結合業務動作

舉個常見的例子，需要用RFM模型對用戶進行高/中/低價值分層，那消費金額M的閾值如何取？自己拍腦袋？為何不結合業務動作進行設定呢？分層的目的不就是為了針對性的制定動作么？如果業務準備對高/中/低價值用戶分別發放5000/3000/1000的優惠券，那閾值是不是就出來了？

4）只去做表面分析，不解決具體問題

報表做了一堆，沒有抓住應該重點關注的業務指標；發現異常指標，沒有結合數據分析去采取有效措施；復盤羅列數據，沒有總結出有助于業務發展的結論。這些都是＂形式主義＂式的數據分析，看似沒有問題，實際沒有任何指導意義。

四、數據分析師的進階之路

數據分析高手和新手最大的區別在于：高手能通過數據分析，找到工作的關鍵節點，思考怎樣達成每個節點，并用數據證明能不能走得通。新手容易陷入＂毛線團式＂的工作狀態，繞了一圈又一圈才完成任務。

想成為這樣的高手，拿到比數據小白高幾倍的工資，至少需要經歷以下3個能力階段。

1. 能力階段一：用數據分析解決業務問題

很多運營在遇到業務困難時，要么早早放棄，要么主觀臆測，找不到問題的要害。這時候如果你能學會用數據嚴謹地分析和解決問題，相信老板一定會對你刮目相看。

2. 能力階段二：用數據分析達成項目目標

你需要將數據分析思維貫穿整個項目，讓你更好地掌控項目，最終幫助你達成目標。其中有一項非常關鍵的能力，即數據拆解能力。

然而，很多同學在做指標拆解時，都只會簡單粗暴地“做加法”。銷售量＝渠道A＋渠道B＋渠道C。渠道運營小伙伴很容易找一堆互推渠道，但最后這些渠道能成交多少，是不可控制的。

真正的數據分析高手應該懂得在高度的不確定性當中，去尋找確定性。我建議采用的是“乘法邏輯”：銷售量＝曝光量 x 轉化率。

3. 能力階段三：用數據分析驅動業務增長

到了這個階段，數據分析就不僅僅是用來發現問題，或者僅僅只能用于某個活動或項目，而是可以持續指導業務增長。希望我們都能夠不斷打怪升級，道路雖長，但我們一直都在進步。