经常有人说，我不是专业的数据分析师，但工作中常常需要分析数据才能推进业务，有没有一种简单粗暴的方式可以让我快速上手数据分析软件呢？

现代管理学之父彼得·德鲁克说过一句很经典的话：如果你不能衡量它，那么你就不能有效增长它。所以，我们做数据分析是为了能以量化的方式来分析业务问题，并得出结论。其中有两个重点词语：量化和业务。

1、量化

量化是为了统一认知，并且确保路径可回溯、可复制。 统一认知后，才能保证不同层级、不同部门的人在平等话语权和同一个方向上进行讨论和协作，才能避免公司内的人以“我感觉”、“我猜测”来判断当前业务的情况。

例如，这个产品功能上线后效果怎么样？A方案和B方案哪个更好些呢？诸如此类的问题，都牵涉到一个“标准”的问题，如果标准是这个功能必须有200人以上使用，那只有100人使用都不叫效果好。只有给出真实、可靠、客观的事实数据，才能对具体的活动作出最真实的评判。

2、业务

只有解决业务问题分析才能创造价值。价值包括个人价值和公司价值。对于公司来讲，解决业务问题可以提高收益或者降低成本；对于个人来讲，知道怎么利用数据分析软件解决业务问题，对个人的能力成长和职业生涯都有非常大的帮助。
 

数据分析是基于商业目的，收集、整理、加工和分析数据，提炼有价值信息，并指导实践的过程。

在实际应用中，数据分析可帮助人们作出判断，以便采取适当行动。但数据本身其实并没有任何价值，是分析方法的存在使得原本毫无价值的数据大放异彩。数据分析的三大作用，主要是现状分析、原因分析和预测分析。

那什么是指标呢？假设隔壁老王开了一家水果铺子，你问他每天生意怎么样，他可以回答卖的“不错，很好”、“最近不景气”。这些都是很虚的词，因为他认为卖的不错也许是卖了50个，而你认为的卖的不错，是卖了100。老王想要描述生意，他应该使用销量，这就是他的指标。

互联网想要描述产品，也应该使用活跃率、使用率、转化率等指标。

在建立指标体系的过程中，我们知道孤立的指标发挥不出数据的价值，和分析思维的金字塔结构一样，指标也有固有结构，呈现树状。

我们在考虑问题的时候都会遵循一个思路，例如从宏观到微观，从全局到局部，数据分析也不例外。例如产品运营中的数据分析指标体系：

需要注意的是，指标体系没有放之四海而皆准的模板，不同业务形态有不同的指标体系。移动APP和网站不一样，SaaS和电子商务不一样，低频消费和高频消费不一样。好比一款婚庆相关的APP，不需要考虑复购率指标；互联网金融，必须要风控指标；昨日突破了2135亿成交额的天猫双十一，它属于电子商务，所以卖家和买家的指标也各不一样。这些需要不同行业经验和业务知识去学习掌握。

美国硅谷增长黑客专家曲卉提出了产品的“北极星”指标。定义北极星指标有6个标准：

①这个指标可以让你知道你的用户体验到了产品的核心价值吗？

②这个指标能够反映用户的活跃程度吗？

③如果这个指标变好了，是不是说明整个公司是在向好的方向发展？

④这个指标是不是很容易被整个团队理解和交流呢？

⑤这个指标是一个先导指标，还是一个滞后指标？

⑥这个指标是不是一个可操作的指标？

北极星指标和公司发展相关联，是公司在一个阶段内的重点方向。记住是一个阶段，不同时期的北极星指标不一样。不同业务的北极星指标也不一样。

互联网公司在产品1.0期间，我们应把注意力放到打磨产品上，在推广前提高产品质量，这时留存率是一个北极星指标；在发展阶段，北极星指标是用户数和活跃率，用户数代表市场的体量和占有，活跃率代表产品的健康度；而在有一定用户基数的产品后期，商业化比活跃重要，我们会关注钱相关的指标，比如广告点击率、利润率等。

确定了数据分析的核心目标，就可以着手数据分析软件进行分析了。数据分析大体可以分三类：

①利用维度分析数据；

②使用统计学知识如数据分布假设检验；

③使用机器学习。

（今天主要展开讲述第一类。）

利用维度分析数据是一种自上而下的思路，这种思路多是用于产品的数据分析体系或者模型的建立，从而保证数据分析的全面性。具体的思路为：

维度是描述对象的参数，在具体分析中，我们可以把它认为是分析事物的角度。销量是一种角度、活跃率是一种角度，时间也是一种角度，所以它们都能算维度。

当我们有了维度后，就能够通过不同的维度组合，形成数据模型。数据模型不是一个高深的概念，它就是一个数据立方体。

例如，在做产品运营的数据分析时，我们可以按照以下思路来进行：

我们以天猫店铺利润情况进行分析，店铺运营最关注的就是营业额，但最本质的还是盈利情况，按照上面提到的思路进行分析：

①数据分析目标：店铺的利润情况分析

②确定数据目标的关键影响维度拆解：

③找出不同维度之间的关联关系从而建立起数据分析模型：

利润=销售额-成本=流量*转化率*客单价-（店铺固定成本+运营成本+货品成本+人员成本）

④根据数据模型发现问题数据：

要想实现店铺利润（L）额最大化：

L（max）=R（max）-C（min）

如果店铺出现亏损，那么一定是R＜C，也就是成本大于收入，我们假设出现以下情况：

根据上述的假设思路，我们可以得出，在成本合理的情况下，店铺出现了亏损，那么可以得出是销售额太低，销售额不高额影响原因是流量转化率低。因此针对这种情况我们要做的就是提高店铺的转化率。

⑤针对问题数据影响维度做相应的优化：提升转化率

我们可以通过以下几个方面来提高转化率：

• 提升产品包装

• 优化详情页图片和介绍文案

• 优化消费者下单支付路径和体验

• 提升客服服务水平和促单技巧

• 做好用户评价管理优化

• 实行相应的促销策略，如满减、满赠、折扣等

• ……

   

说到维度法，我们知道单一的数据没有分析意义，只有多个数据组合才能发挥出数据的最大价值。在此，我想强调的一个分析的核心思维：对比。

做不同维度的对比大概是新人快速提高分析能力的捷径之一。比如，过去和现在的时间趋势对比、不同地区维度的对比、产品类型的区别对比、不同用户的群体对比等。

因此，做数据分析，要更多地关注多个数据维度之间的相关关系，而不是单个数据产生的因果关系！通过影响关键指标的数据维度间的关联关系，建立数据分析模型。

2、第二类：使用统计学知识如数据分布假设检验。

使用统计学知识如数据分布假设检验是一种自下而上的思路，这种思路多用在针对已有数据报表中的数据问题发现，具体思路：

3、第三类：使用机器学习。

1、控制变量

在做 A/B 测试时没有控制好变量，导致测试结果不能反映实验结果。或者在进行数据对比时，两个指标没有可比性。

2、样本

在做抽样分析时，选取的样本不够随机或不够有代表性。举例来讲，互联网圈的人会发现身边的人几乎不用「今日头条」，为什么这 APP 还能有这么大浏览量？有个类似的概念，叫幸存者偏差。

3、定义

在看某些报告或者公开数据时，经常会有人鱼目混珠。「网站访问量过亿」，是指的访问用户数还是访问页面数？

4、比率

比率型或比例型的指标出现的谬误以至于可以单独拎出来将。一个是每次谈论此类型指标时，都需要明确分子和分母是什么。另一方面，在讨论变化的百分比时，需要注意到基数是多少。有些人即使工资只涨10% ，那也可能是150万…

5、因果相关

会误把相关当因果，忽略中介变量。比如，有人发现雪糕的销量和河溪溺死的儿童数量呈明显相关，就下令削减雪糕销量。其实可能只是因为这两者都是发生在天气炎热的夏天。天气炎热，购买雪糕的人就越多，而去河里游泳的人也显著增多。

6.辛普森悖论

简单来说，就是在两个相差较多的分组数据相加时，在分组比较中都占优势的一方，会在总评中反而是失势的一方。

1.还记得“如果你不能衡量它，那么你就不能有效增长它”这句话吗？我们做数据分析是为了能以量化的方式来分析业务问题。其中有两个重点词语：量化和业务；

2.数据本身并没有任何价值，而一切数据分析的核心是分析方法。数据分析的三大作用，主要是现状分析、原因分析和预测分析；

3.数据分析的第一步就是建立指标体系，但是不是所有的指标都是好的，我们需要找到产品的“北极星”指标。除此之外，不同时期的北极星指标不一样，不同业务的北极星指标也不一样；

4.数据分析大体可以分三类：利用维度分析数据、使用统计学知识如数据分布假设检验、使用机器学习；

5.维度分析数据是一种自上而下的思路，这种思路多是用于产品的数据分析体系或者模型的建立，从而保证数据分析的全面性；使用统计学知识如数据分布假设检验是一种自下而上的思路，这种思路多用在针对已有数据报表中的数据问题发现。