編輯導讀：單純的數(shù)字是沒有靈魂的，但是數(shù)據(jù)分析卻可以洞察出數(shù)據(jù)背后業(yè)務的規(guī)律。因此，數(shù)據(jù)分析是商業(yè)活動中重要的一項工作。本文將圍繞數(shù)據(jù)分析的四個層次展開介紹，希望對你有幫助。

一、引言

我通常把數(shù)據(jù)理解為業(yè)務的另一個他，單純的數(shù)字是沒有靈魂的，而背后的業(yè)務卻是鮮活的。商業(yè)數(shù)據(jù)分析的核心是洞察數(shù)據(jù)背后業(yè)務的規(guī)律，本質是數(shù)據(jù)賦能。我相信從事商業(yè)分析的小伙伴們都聽說過，數(shù)據(jù)分析的三個層次：描述性分析、診斷性分析和預測性分析。

著名的咨詢公司Gartner在2013年總結、提煉出了一套數(shù)據(jù)分析的框架，如上圖所示，他們把數(shù)據(jù)分析分成了四個層次，除了剛才說到的三個之外，還有一個處方性分析。診斷出業(yè)務的問題之后，還需要結合實際情況，給出運營策略去改善它。我更傾向把處方性分析合到診斷性分析里，因為分析和運營是需要結合在一起的。當然，這些小細節(jié)影響并不大。如今在公司0-1的參與項目，先前很多的方法論正好有機會都經(jīng)歷一遍，所以想結合這些框架梳理一下自己的想法，歡迎大家留言或者進群交流。

本篇文章先跟大家介紹一下數(shù)據(jù)分析的四個層次：描述性分析、診斷性分析、預測性分析、處方性分析。

二、描述性分析：發(fā)生了什么？

通過一些核心指標的數(shù)據(jù)和前后對比，告訴業(yè)務方（或者老板）目前業(yè)務的現(xiàn)狀是怎樣的。比如常見的流量、轉化率、收入、成本等等這些指標。往往這些指標是比較宏觀和概括性的，對比完就能對整體的情況有個認知。在公司里，大家經(jīng)常會用Tableau做日報/周報，其實主要承擔的就是描述性的匯報。

關于描述性分析，需要思考幾個問題，才能讓整個日/周報概括而又具體：

1. 關注哪些業(yè)務

首先要思考在日/周報中展示哪些業(yè)務，可以提供幾個維度去參考：

• 老板關心哪些業(yè)務？想了解什么信息？
• 部門負責哪些業(yè)務，重點是在推哪些？

可以沿著這個方向去確定要展示的業(yè)務。

2. 用哪些指標，如何衡量變好/變壞

善用對比（環(huán)比/同比）、趨勢等比較方式，不能只展示指標的數(shù)據(jù)，還要能直觀的反映出目前狀態(tài)是好還是壞。

3. 沉淀分析框架

當然，描述性匯報也需要沉淀診斷性分析的框架。比如說，在周報中展示轉化率指標，不論漲跌，大家肯定會在意是怎么回事。而要分析這事兒，就可以按渠道進行拆解，分成APP端、PC端、小程序端的轉化率等等，分別關注一下。

所以對于該指標的框架性拆解分析，就可以沉淀在描述性匯報中，這樣指標的漲跌就立馬能定位到哪個環(huán)節(jié)的問題。定位出問題環(huán)節(jié)后，再細一步的原因就需要去找對應的業(yè)務方咨詢了。

三、診斷性分析：為什么會發(fā)生？

業(yè)務變好/變壞了，除了知道這個結果外，我們還需要通過數(shù)據(jù)進一步了解為什么會這樣。

在診斷性分析中，就需要去分析業(yè)務結果和很多因素的相關性。當然，怎么能較快速地定位到分析哪些因素和結果的關系，要基于對業(yè)務的理解?？梢源蠹乙黄痤^腦風暴分析業(yè)務數(shù)據(jù)，也可以去調研，或者深度訪談一些業(yè)務關鍵角色，讓他們給一些輸入，我們才可能知道從哪些維度去分析數(shù)據(jù)更合理。

1. 定性分析

若分析的僅是一個特征與結果的相關性，則可以通過畫二者的二維散點圖進行分析，通過圖形描述，可以初步且直觀判斷二者的存在何種相關關系：正相關、負相關、無關；如果相關的話，是線性相關還是非線性相關(拋物線、指數(shù)等)。

2. 定量分析

我們通過散點圖可以定性的判斷兩者是否具有相關性。定量上，我們可以通過回歸對他們對關系做出精確的描述。

若結果為連續(xù)值，則應用的模型為回歸模型，包括：

1）一元線性回歸

若僅有一個特征與結果相關，并且其是呈線性關系的，則可以進行一元線性回歸，即建立回歸模型y=a+bx計算出截距a和斜率b，x為特征（自變量），y為結果（因變量）。

2）多元線性回歸

在實際業(yè)務中，僅單個特征與結果相關的情況是不多見的，大多數(shù)都是多特征共同作用導致的結果。若多個特征無多重共線性，且與結果呈線性關系，則可以進行多元線性回歸分析，建立回歸模型y=a+b1x1+b2x2+…+bnxn。

3）非線性回歸

如果回歸模型的因變量是自變量的一次以上函數(shù)形式，回歸規(guī)律在圖形上表現(xiàn)為形態(tài)各異的各種曲線，稱為非線性回歸。常見的非線性回歸模型包括：雙曲線模型、冪函數(shù)模型、指數(shù)函數(shù)模型、對數(shù)函數(shù)模型、多項式模型等。

四、預測性分析：后續(xù)可能會發(fā)生什么？

預測性分析就是提前評估后續(xù)可能會發(fā)生什么？在工作中的場景，經(jīng)常就是利用現(xiàn)有數(shù)據(jù)進行測算，評估業(yè)務接下來的發(fā)展。

比如提前需要測算業(yè)務年度成本、年度目標、未來收益的大小等等。

五、處方性分析：該怎么做？

這步的分析通常是接著診斷性分析的，在我們找到了業(yè)務變化背后的原因后，我們就需要去想一些策略去改善它。

首先是要定位出業(yè)務原因。在診斷性分析這一步，我們在數(shù)據(jù)上找到了影響結果的因素，這時候就需要去在業(yè)務層面上思考原因。

比如說，為了促進用戶轉化，我們發(fā)放了優(yōu)惠券，但是后續(xù)發(fā)現(xiàn)券的使用很少，單量也沒有上升，這是數(shù)據(jù)維度的原因。

那業(yè)務層面的呢？為什么用戶都不用優(yōu)惠券呢：

• 用戶沒有發(fā)現(xiàn)優(yōu)惠券的位置；
• 用戶覺得優(yōu)惠券額度小。

這時候有些猜測的原因可以通過數(shù)據(jù)來論證，而有些原因就需要去調研用戶；如果是優(yōu)惠券的位置不明顯，我們就需要在產(chǎn)品上調整；如果是優(yōu)惠券的額度太小，我們就需要去適當調整優(yōu)惠力度。只有準確找到了業(yè)務原因，我們才能用策略根本性地解決它。

我發(fā)現(xiàn)很多時候，業(yè)務原因的定位是缺失的，往往我們在發(fā)現(xiàn)數(shù)據(jù)原因后，我們就開始思考運營策略了，指向性也非常強，激勵（抓手）+數(shù)據(jù)維度的改變，這種做法是比較粗糙的。可能短期內有效果，但是一旦你激勵停止，業(yè)務還是會回到原來的狀態(tài)。

核心還是要找到業(yè)務改變的關鍵動作以及可以運營的業(yè)務場景，不能盲目的抓結果！

#專欄作家#

大鵬，公眾號：一個數(shù)據(jù)人的自留地。人人都是產(chǎn)品經(jīng)理專欄作家，《數(shù)據(jù)產(chǎn)品經(jīng)理修煉手冊》作者。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉載

題圖來自Unsplash，基于CC0協(xié)議