数据分析

好的数据分析师应该具备哪些能力项？

业务洞察

数据分析的第一步就是要明确目的或者定义好要解决什么问题。如果这一步都没有搞清楚，后面的无论做的再fancy，都是白做，对真正想解决的问题没有丝毫帮助。这也就是我们常说的，比努力更重要的是方向啊！

重点来了，如何能够准确地定义好要解决的问题呢？这就需要对业务有深刻的洞察。想要对业务有深刻的理解，只有两个杀手锏，一个是多问（加强对业务的了解），一个是思考（留意“问题之外的问题”，试着从高出自己一两个级别的水平进行思考）。

问有两问，第一问就是平时就要和业务多接触，多聊天，问业务人员他们最近的项目，了解下项目的背景、进展和他们的看法。第二问就是当分析需求来的时候，要问下为什么要做这个分析，想解决什么问题。尤其是第二问，特别重要，因为很多时候，需求方（无论是老板还是产品经理）的需求都是在他们自己的假设下提出来的需求，有可能是片面的甚至不合理的。

任何一个领域中的顶尖人才都不会仅仅停留在做的具体事情上，而会思考做这些事情背后的原因。

另外一个提高业务洞察的方法是多思考。这里的思考不仅仅是思考如何去解决定义的问题A。更重要的是在对要解决的问题A时，不只看问题A本身，而是试着从高出自己一两个级别的水平进行思考，即留意“问题之外的问题”，例如问题B或者C。很多时候我们从更高级别思考的时候，会把原来定义要解决的问题A重新定义。

原因定位

既然定义了问题，那就要定位产生问题的原因，这就要聊一聊原因定位的方法论。 当我们接到一个问题的时候，最忌讳的就是不经思考直接去看各种数据，迷失在数据的海洋里，纠结于不重要的数据细节中。我们要做的是先对问题进行拆解，把分析思路梳理清楚了，才能有的放矢。拆解问题有两种方法：一种叫假设拆解（咨询公司叫做假设树），另一种称为逻辑拆解（咨询公司叫做议题树）。

假设拆解，顾名思义，就是对问题的原因列出一个个的假设。这种拆解问题的方法门槛比较低，无论是业务小白，还是资深大咖，当面临一个业务问题时，大家自然而然都能提出一系列的原因假设，进而通过数据分析验证真伪。举个例子（案例和数据都是示例，非真实情况），微信的数据分析师小明发现，从9月11日左右开始，每日成功发送红包的总金额（即红包被抢了且成功转账的金额）逐步下跌，在此之前，这个指标一直都比较平稳。

看到这个现象，大家可能有很多假设：

• 微信内部上线了某些新功能（比如发红包的上限从200元降低到100元，用户更多的使用转账），对红包功能有负面影响。
• 暑假结束开学了，学生党花销变少了，所以家长给孩子，以及学生党之间发的红包变少了。
• 竞对（比如支付宝）的红包功能开发了新玩法，对微信红包有负面影响。

假设拆解方法的优点是，如果对业务了解深刻且幸运的话，可能提出的第一个假设就是问题的核心，又快又准地定位原因；风险是人们建立假设时，很容易依赖工作中的常识、自身的经验或直觉，可能会无意识地排除一些重要的假设。如果这些遗漏的假设恰好是问题的根源，就会陷入假设-》证伪-》再假设-》再证伪....的死循环中，这样只是花费了大量的精力排除掉错误的假设，真正的原因却迟迟找不到。

逻辑拆解方法能很好地降低遗漏。 互联网产品中常用的逻辑拆解方法，包括漏斗拆解和指标拆解。如按照用户发送以及对方接收红包的操作路径来拆解：微信日活 -> 点击输入框右侧+号人数 -> 点击“红包”按钮人数 -> 发送红包人数&金额 -> 看到红包人数 -> 领取红包人数&金额。

下图是指标拆解，即运用“四则运算”将指标拆分成具有业务代表意义的n个具体指标。再结合重要的维度进行拆解分析。

我们可以看到，定位原因最好的方法论是逻辑拆解和假设拆解配合使用。逻辑拆解的最大好处是不重不漏，能帮助我们快速地定位问题的核心要素。这个时候运用假设拆解法，提出可能影响这个要素的假设，我们找到核心原因的成功率就会大大提升。

除了原因定位的方法论，我还有两个重要建议提给大家。

1、**越重大的问题，越要使用逻辑拆解。**正如上述提到，假设拆解是门槛很低的方法，所有人都能对问题提出几个假设。我在面试应届生架空分析题目的时候，80%的候选人都是用假设拆解法，很少有人有逻辑拆解的意识。同样的，在我们遇到一个重大的问题时候（比如电商GMV下降），关心这个问题的人也会很多，通常大家就会七嘴八舌提出自己的想法，而这些想法会局限在他们自己所负责的范畴。比如技术同学担忧是不是推荐算法不好，推荐的商品用户不喜欢， 供应链同学担心是不是货品不够全面，运营同学担心是不是优惠力度不如竞对，甚至有时候大佬们也会抛出一两个假设。每个业务方都紧张兮兮，都想请你用相关数据证明问题的核心不在他们。 **如果你被他们的假设牵着鼻子走，最终可能就是帮他们排除掉了一个个与他们相关的假设，但真正核心的原因还是没有找到，老板肯定不会满意。**你总不能和老板说："老板，我们花了3天时间，做了大量的数据分析，最后我们排除掉了以下10种可能性。" 老板一句"那原因是什么呢？"就能把你怼的体无完肤。

记住，原因定位永远是以找到正确的原因为最终成果，排除一系列潜在原因不是交差的正确姿态。所以，越是重大的问题，越要采用逻辑拆解，这样你才能快速地定位关键因素，为找到最终原因奠定好的基础。

2、除了海量的数据分析，别忘了用户调研！

为什么在这里着重提到用户调研，主要是由于数据分析师的两个认知误区。误区一：进入大数据时代后，有时候我们会过度依赖用户的行为数据，例如点击、观看、使用时长等，却忽略了这些行为背后的用户需求。好的产品，都是以满足用户的核心需求为目的。**异常的产品使用行为数据背后，都应该有一个合理的用户需求解释。**否则知其然而不知其所以然，怎么能有好的业务对策呢？

误区二：**在实际工作中，很少会遇到所需数据全都摆在眼前的情况，用户调研能从另一种角度提供所需的信息。**举个例子，在工作中，最让我头疼的就是留存下降的分析。留存下降，说白了就是用户不像以前一样喜欢你的产品了。这就像你的男/女朋友说不爱你了一样，潜在的可能原因或者干扰因素太多了。当我做切片分析的时候，我希望能从年龄、注册时间、职业、地域、教育水平、收入水平、工作繁忙程度等各个因素进行分析，甚至希望对比他们的竞对使用数据。但是很可惜，我想要的数据大部分都是没法获得的。即便这样，也不应该根据“现有数据”来开始所有的工作。只在“现有数据”的范围内进行分析，最有可能的结果就是找不到原因，陷入分析困境。这个时候，通过线上的调查问卷，或者与用户一对一访谈，能给我们提供想要的信息，甚至是行为数据里挖掘不出来的insight。看多了百万、千万数据的分析师可能会质疑，几百个用户的问卷能具有代表性吗？在大数据流行之前甚至现在，知名的咨询公司仍旧采用问卷或者访谈的形式，辅助解决了很多复杂问题。很多时候，以点撬面，以深度换广度，也是解决问题的一个思路。