本文的主要內(nèi)容就是為大家科普數(shù)據(jù)分析的概念和方法，作者用清晰的“是什么，為什么，怎么做”思路，為讀者提供了一個又一個的方法論，為數(shù)據(jù)分析小白們帶來了入門級的先進知識。

有同學(xué)問：陳老師，每次被面試都被問“你使用過哪些數(shù)據(jù)分析的方法”。結(jié)果都感覺答不上來。到底數(shù)據(jù)分析有什么方法？為啥我在做數(shù)據(jù)分析，卻感覺沒什么方法？今天系統(tǒng)解答一下。

首先，并不是名字帶“分析”倆字的，就是數(shù)據(jù)分析方法。有很多XX分析，是統(tǒng)計學(xué)、運籌學(xué)、數(shù)學(xué)的專業(yè)工具，并不直接指向業(yè)務(wù)問題的答案。當(dāng)人們在問：”有什么分析方法”的時候，更多期望聽到一個能給出結(jié)論的方法。

所以想回答好這個問題，要回到：數(shù)據(jù)分析到底解決哪些業(yè)務(wù)問題上去。

從業(yè)務(wù)用途上看，數(shù)據(jù)分析可以解決5大類問題

1. 是多少（數(shù)據(jù)描述狀況）
2. 是什么（樹立數(shù)據(jù)標(biāo)準(zhǔn)）
3. 為什么（探索問題原因）
4. 會怎樣（預(yù)測業(yè)務(wù)走勢）
5. 又如何（綜合判斷狀況）

圍繞每個問題場景，有特定的方法組合（如下圖）

一、解決“是多少”的方法

用數(shù)據(jù)描述狀況，需要建立完善的數(shù)據(jù)指標(biāo)體系。建立數(shù)據(jù)指標(biāo)體系，則需要梳理清楚數(shù)據(jù)指標(biāo)之間的邏輯。數(shù)據(jù)指標(biāo)間有兩種基本的邏輯：串行邏輯和并行邏輯，因此衍生出兩種基本的分析方法：漏斗分析法&指標(biāo)拆解法。

拆解的業(yè)務(wù)多了，人們發(fā)現(xiàn)，某些數(shù)據(jù)指標(biāo)可以固定的組合使用，比如：

• 用戶運營場景：AARRR指標(biāo)、RFM指標(biāo)
• 零售門店場景：人、貨、場指標(biāo)
• 商品管理場景：進、銷、存指標(biāo)

這些也習(xí)慣性被稱為：分析模型。但注意，這些都只是在展示數(shù)據(jù)。數(shù)據(jù)+判斷標(biāo)準(zhǔn)，才有分析結(jié)論。有關(guān)判斷標(biāo)準(zhǔn)的分析，就是：是什么類問題。

二、解決“是什么”問題的方法

判斷標(biāo)準(zhǔn)可以很簡單，比如領(lǐng)導(dǎo)的指令、KPI要求、過往同期數(shù)據(jù)，都能作為標(biāo)準(zhǔn)。這些統(tǒng)稱為：簡單標(biāo)準(zhǔn)。但很多時候，指標(biāo)走勢是否正常，并無明確的KPI約束，甚至KPI達標(biāo)，但是走勢奇特，領(lǐng)導(dǎo)們還是會覺得有問題。這時候就需要找其他參照物。因此衍生出一系列分析方法。

比如：

• 與業(yè)務(wù)自身規(guī)律比較，判斷好壞：生命周期法、自然周期法
• 與同類型，同期發(fā)展的業(yè)務(wù)比較：同期群分析法
• 與其他業(yè)務(wù)個體進行比較：分層分析法

這樣對比，即使只有1個數(shù)據(jù)指標(biāo)，也能得出好壞判斷。如果業(yè)務(wù)發(fā)展違背過往規(guī)律，明顯比其他個體更差，則可以判定為：不好。

當(dāng)然，也可以使用2個指標(biāo)，比如經(jīng)典的矩陣分析法，通過兩指標(biāo)交叉+兩指標(biāo)平均值，分出四類業(yè)務(wù)，從而得出好壞判斷。

如果用更多指標(biāo)也行，比如常用的Kmean聚類，可以先利用多個指標(biāo)對業(yè)務(wù)個體聚類，之后再看各類型之間表現(xiàn)優(yōu)劣。

以上這些方法，都能將業(yè)務(wù)的好/壞區(qū)分出來，從而在一定程度上輔助判斷。

三、解決“為什么”問題的方法

“分析下這個問題是什么原因?qū)е碌摹笔浅Ｒ姷囊?，這就是“為什么”問題。解決為什么問題，有兩大基本思路：

1. 結(jié)果推斷

常見的，比如：

• 結(jié)構(gòu)分析法：通過結(jié)構(gòu)分析，找到問題發(fā)生點
• 標(biāo)簽分析法：通過打標(biāo)簽，做個體對比，找到問題原因
• 相關(guān)分析法：通過計算指標(biāo)相關(guān)關(guān)系，找到相關(guān)指標(biāo)，再形成假設(shè)
• MECE法：講多個業(yè)務(wù)假設(shè)，按MECE原則合并成分析邏輯，一一驗證

結(jié)果推斷，意為問題發(fā)生后，用各種數(shù)據(jù)尋找差異，建立假設(shè)?？梢园褬I(yè)務(wù)口中“我覺得這是XX原因”，抽象成一個數(shù)據(jù)可驗證的假設(shè)，因此適用范圍非常廣。但結(jié)果推斷只是單方面從結(jié)果做歸納，有可能有偏頗，還需要實驗驗證。

2. 實驗推斷

這些方法更接近傳統(tǒng)統(tǒng)計學(xué)的實驗，大部分都要求：

• 開展數(shù)據(jù)實驗，驗證假設(shè)
• 設(shè)參照組/實驗組，且參照組/實驗組特征相似
• 區(qū)分控制變量、環(huán)境變量，重點測控制變量的影響
• 先有假設(shè)，然后通過實驗/分組對比，驗證假設(shè)。常見的方法，包括ABtest、DID、PSM、RDD、Uplift等方法。

實驗推斷有統(tǒng)計學(xué)依據(jù)，計算過程復(fù)雜，看起來更量化一些。但是對實驗條件要求太高，比如大促銷類ALL in的業(yè)務(wù)，比如商品、店鋪這些無法控制環(huán)境的業(yè)務(wù)場景，比如業(yè)務(wù)員行為、內(nèi)容傳播等難采集數(shù)據(jù)的領(lǐng)域，都很難用。

理想的狀態(tài)，肯定是兩者結(jié)合，事實-假設(shè)-驗證，不斷循環(huán)，接近真相。但現(xiàn)實中有很多條件制約。導(dǎo)致我們只能從一個角度切入，慢慢靠近真相。

四、解決“會怎樣”問題的方法

預(yù)測類問題，是所有人都感興趣的話題，也是統(tǒng)計學(xué)/算法最有可能發(fā)揮作用的地方。唯一限制方法使用的，是：到底有多少數(shù)據(jù)&業(yè)務(wù)人員要不要參與。

如果業(yè)務(wù)人員堅持參與預(yù)測過程，就只能用業(yè)務(wù)假設(shè)法或者滾動預(yù)測法，這些方法把影響結(jié)果的參數(shù)都列出來，方便業(yè)務(wù)人員拍腦袋，也能幫他們清晰：我要做多少。

如果業(yè)務(wù)人員不參與，則視數(shù)據(jù)量的多少。數(shù)據(jù)少，則使用時間序列預(yù)測，數(shù)據(jù)多，且有影響結(jié)果的原因數(shù)據(jù)，則可以用諸如回歸模型一類算法預(yù)測。

五、解決“又如何”問題的方法

綜合評估與分配問題，統(tǒng)稱“又如何”問題。這是決策的最后一步，決定是否對業(yè)務(wù)做動作，做多大動作。有些簡單的評估是很容易的，比如銷售簽了生死狀，達不成業(yè)績目標(biāo)就炒魷魚。

但大部分情況，評估很復(fù)雜，要考慮方方面面。這里最大的區(qū)別，在于要不要考慮領(lǐng)導(dǎo)的主觀意見。如果要，果斷使用主觀評分法！滿足領(lǐng)導(dǎo)的打分欲是第一位的。如果不要，再考慮使用有監(jiān)督的機器學(xué)習(xí)算法，或者因子分析法，DEA法（求的是相對效率）等客觀方法。

至于：做多少，誰來做。就是更復(fù)雜的問題了。想做好分配，得先把前邊幾步分析做完，對每個業(yè)務(wù)線基礎(chǔ)能力有充分認(rèn)識，才好下判斷。這里，線性規(guī)劃的方法，可以用來做支持。

六、為什么感覺沒用上方法？

綜上可見，數(shù)據(jù)分析的方法是非常多的。但為什么很多同學(xué)感覺自己沒用上方法呢？因為每種方法是和業(yè)務(wù)場景、領(lǐng)導(dǎo)風(fēng)格、數(shù)據(jù)質(zhì)量、息息相關(guān)的。

比如因果推斷算法大多基于分組測試展開，而實際業(yè)務(wù)中，很多因果分析是事后再查原因，也不給二次實驗的機會。

比如很多公司的分配方案，根本就是領(lǐng)導(dǎo)拍腦袋，一言堂，根本沒機會讓分析師用算法。

比如預(yù)測問題，很多公司根本沒有足夠數(shù)據(jù)積累，只有一條銷售數(shù)據(jù)，那撐死了也只能用時間序列法。

這種理想與現(xiàn)實的差距，讓很多同學(xué)很痛苦。一方面不清楚到底這些方法該如何用，另一方面不了解，自己該如何應(yīng)對業(yè)務(wù)需求。面試和工作都很吃力。