做数据分析经常会遇到一个问题：
从一堆海量数据，不知道怎么分析，怎么得出结论；经常空有一堆数据，却无从下手；
谈起使用工具的技巧头头是道，但是面对问题，还是不会分析。
那么面对一个业务场景，通过什么样的方式才能够寻找到正确的数据分析思路呢？所谓正确的分析思路，本质上就是站在一定高度的业务思维逻辑。
一般在日常工作中，数据分析的任务都会以需求的方式呈现，如果在需求中有对背景和分析目的进行交代，无论是有数据还是没数据，至少有了大概的方向。问目的，就是向需求提出方抛出问题“分析的背景是什么？分析目的是什么，为什么要做这次分析？期望的结果是什么？给谁看？”，明确目的，就能限定分析的“范围”，范围缩小了，才能有思路。比如说：针对本月1号新上线了一门课程，看一下销售情况如何？”这个需求，分析目的是报告新课销售情况，“思路”就是销售情况。那与“销售情况”相关的指标有哪些呢？时间范围、销售量、销售额、与其他课程同比、对总销售的贡献度、转化率是多少等。问目的，是为了限定需求范围明确分析方向，有了方向就有了“思路”，分析师再利用自己的特长，将期望的结果翻译成“数据指标”。
我们所做的每个任务、每份工作，都应该有数据指标来衡量。一样东西，如果你不能衡量它，那么你就不能有效增长它。 比如你是HR，那么重要工作就是为公司储备和保留优秀人才，但如果你每次跟老板汇报工作，说的都是自己做了什么工作任务，比如今天组织了员工座谈、明天组织员工跑步，对方肯定是无感的。你需要一些指标来衡量，比如关键人才的流失率是不是降低了，比如人才招聘的速度是不是加快了，比如人效是不是提升了，等等。 所以，关键是找到那些数据指标。你可以想一下，自己的工作任务应该用哪些数据指标来衡量？
有了数据指标之后，就可以进行分析了，下面列举了一些工作中熟练掌握分析和洞察数据的方法。
1、相关性分析法：两种指标的关联度如何；
两个指标之间是否有相关性，相关关系包括了线性相关和非线性相关，最常见的就是线性相关，也就是描述当一个连续变量发生变化时，另一个联系变量也相应地呈线性变化。
2、对比分析法：与别人对比，寻找差距；
通过与目标对象的对比，知道自身指标的好坏，寻找差距，定位优劣势。
3、漏斗分析法：由上到下环环相扣转化；
漏斗分析能够科学反映用户行为变化状态，是一个分析从起点到终点各阶段用户转化率情况的重要模型。用于评判漏斗上各个环节的转化效率，准确定位哪些环节出现问题，并通过转化用户和流失用户的画像分析，找出用户流失的原因，帮助提升转化率和降低流失率。
4、分类分析法：物以类聚，人以群分；
将具有相同特征的用户分成一组或一类，与其他组进行分析，如城市分组等；通过分组，可以帮企业发现重点/次要业务或产品、客户等。
5、同期群分析法：同类群体特征在不同时间是如何变化的
同期群分析主要分析相同的用户群体随着时间延续的发展变化情况，它是分类方法在时间上的延伸，强调相同用户群体随时间变化的变化情况。
6、逻辑树分析法：像树枝一样，将复杂问题拆解成若干简单子问题
逻辑树分析法是一种像树枝一样，将复杂问题拆解成若干个子问题进行分析的方法。
7、核心指标拆解法：像剥洋葱一样，将核心指标层层剥离找到问题本质
核心指标拆解法其实是逻辑树分析在企业实际业务中的一个应用，对企业的核心指标通过公式的层层拆解，像剥洋葱一样定位核心指标出现波动的问题和原因。
8、AB Test：小样本灰度测试寻找最优方案
AB Test是一种小样本的后验方法，需要先确定测试目标，并为测试目标设置几种方案，通过观察几种方案的用户表现，找出最受用户青睐的方案做为最终改善产品的方案。
数据的可视化也非常重要，因为如果没有可视化，就是一些数字罗列，那就跟文字信息没什么差异了。数据可视化的几个原则：阅读门槛别太高，不要过多颜色，突出关键信息，文本与数据呼应。可以用Excel表格、图表、PPT、POWERBI等形式将数据进行呈现，无论是饼形图还是折线图，还是组合图，目的是要能有形象和有逻辑的说明问题。怎么样用更加合适的数据图表类型？这里有些常用表格适用范围分享给大家：散点图（适合相关）
折线图（适合趋势）
横的和竖的条形图（适合对比）
瀑布图（适合演变）
热力图（适合聚焦）
雷达图（适合多指标）
词云图（适合看分布）等等
单单是数据的呈现是没有用的，关键是通过数据能发现什么问题，作出什么决策。这个才是最重要的。第一步是通过观察现象把问题定义清楚，只有明确了问题，才能围绕这个问题展开后面的分析。如果一开始问题就定义错了，那么再怎么分析，也只能是白白浪费时间在明确问题时，也要保证数据本身是准确的，才能进行后面的步骤。可以从时间、地点、数据来源确认问题表现为哪些现象，还可以通过向相关人员提问的方式来沟通清楚。第二步是分析问题发生的原因，影响问题的原因可能有很多种，在分析原因的过程中，要优先分析那些关键的因素。可以通过“核心指标拆解法”对问题进行拆解，将复杂问题细化成各个子问题，对拆解的子问题，可以使用“对比分析法”找到哪里出了问题，找出问题后，可以通过下面两个问题把原因搞清楚：（1）哪里出了问题？（2）为什么会出现这个问题？找到原因就完事了吗？还不行，要找到对应的解决办法才是分析的终点。所以，第三步是找到原因以后，还要针对原因给出建议，或者提出可以实施的解决方案。在决策这一步，常用的分析方法是回归分析或者AARRR分析。当完成这3步，才能把分析的过程清楚呈现给决策者。这就是使用数据进行有条理的分析，从而准确做出决策的能力。
所以实际数据分析不只是看数据，是有目的，有分析，有反馈还要结合业务的。先想个大方向，然后思考相关数据指标是怎样的，梳理体系。比如说我们要拉活跃，你可能跟同事说的是，目前DAU的新老用户结构是xxxx，新用户流失怎样，不同渠道区别，对用户做分层，为什么某类用户会出现这样的原因，因为什么原因离开，根据这个原因我们要不要考虑下balabala，看看能不能灰度测试abtest走起balabala。
数据分析不是狭义的，能涵盖的东西有很多，先不要局限在数据，先想某些业务我们觉得哪里有问题，能做什么，再思考数据能用来干什么，怎么抽象出来。
觉得好看，请点【这里】↓↓↓
