無論是產品還是運營，都離不開去用數據分析、解決異常問題。但是，在我們找到數據後，數據並不會直接告訴我們答案，我們需要做的就是把問題轉譯成維度和指標，然後提取數據，之後才是分析、解決問題。

數據分析是產品、市場、運營等崗位的基本技能，越來越多的招聘要求中，將數據分析視作基本要求。當然，大部分情況下，業務需要的數據分析是非常基礎的，只需用Excel做基本的統計計算，無須像專業的數據分析師，手握SQL和R，運用迴歸、分類樹等算法，輸出高精尖的報告。

從業務場景出發，數據分析是問題驅動的。也就是說，每一次啟動數據分析，本質是發現問題、翻譯問題、歸因問題和解決問題。

基於數據，發現問題是數據分析的第一步。問題之所以被稱為問題，是因為數據表現不符合“常理”或邏輯，正所謂“事出反常必有妖”。

01 發現問題：異常與錨點

大學時上普通心理學課程，講到精神障礙一章定義“正常行為”時，老師課上討論過“正常”的定義——是取平均值，還是取眾數，還是取中位數？

數據分析中也是如此，“常”是什麼？

“常”可以是時序中的歷史數據

“常”也可以是競品或者行業均值的指標表現。例如，微信公眾號頭條文章的粉絲打開率為5%（一個虛擬的數字不具備實際參考意義，即100個公眾號粉絲，平均5個會打開公眾號推送的頭條文章）。如果你的公眾號的粉絲打開率低於這個數值，那麼就要反思，是否是頭條文章的內容不夠吸引人。

或許你也發現了，“正常”也好，“異常”也罷，都是基於比較產生的。增速“快”、滲透率“高”、客戶數“少”，都是相對而言的。因此，基於數據定位問題的第一步，在於找到正確的錨點。

再看一個簡單的例子，你就會明白選擇正確的“錨點”對於定義問題是多麼的至關重要，因為只有選對錨點才能發現真問題。

互聯網廣告有一個顯著的特點，廣告主特別是中小廣告主傾向在週末減投或者停止投放，因此週末大盤的廣告主數量都會比較少因此。如果是將週六在投的廣告主數量與T-1（昨天，也就是週五）的投放廣告主數量相比，在部分行業會出現“斷崖式”的下跌。但是如果你去對比T-7（也就是上一個週六）在投廣告主數量，你會發現數據並沒有發生顯著變化。

假設我們已經定義清楚了問題，那麼接下來就是找到引起問題的因素，而這則需要數據指標按維度的拆解。

02 翻譯問題：維度與指標

工作當中，無論是剛入職場的新手，還是已經在職場打磨十幾年的老兵，面對數據分析時，最常犯的錯誤是混淆維度與指標。

維度是針對對象的描述性特徵或者屬性，比如城市的分級、性別、行業等；指標是用戶衡量對象的單位或者方法。維度與指標一般成對出現，共同構成一組數據。

例如，我們要分析北京、上海、廣州和深圳4個城市2019年的GDP，那麼城市就是維度，GDP就是指標。

再舉一個例子：最近疫情發展牽動著很多人的心，我每天早上醒來除了睜眼，第一件事情就是查看昨天全球新增患病人數，特別是每個國家的新增患病人數。在這裡，維度就是國家/地區，指標就是昨日新增患病人數。

數據提取時，我們還需要定義的是“篩選條件”。嚴格意義上，它只是維度或者指標的二次使用，與維度、指標並不在同一個邏輯層面。

現實業務中，我們的數據表中存儲著多個主體的多個指標數據，但是不是所有的維度和指標是需要我們關注的。因此，我們通常會通過維度或者指標，對將要提取的數據進行限制，避免數據量級過大，同時也避免我們的注意力分散。

還是以本次疫情中每個國家新患病人數為例。假設我只關心那些已經出現新冠肺炎病例的國家，因此篩選條件為截至到昨日，累計感染新冠肺炎病例數（指標）>0的國家和地區；那些還未出現感染患者的國家和地區暫時就不用考慮。

當然，如果只希望關注亞洲國家的疫情進展情況，那麼在國家這個維度中，只需將國家限定為中國、日本、韓國、伊朗等亞洲國家。

在我們正式進入後面的內容之前，請記住：維度、指標與篩選條件，是我們進行數據分析的基石。

儘管我們每天都會遇到各種各樣的數據分析需求，然而，數據本身是不會說話的，不會直接告訴你答案，你需要做的是把問題轉譯成維度和指標，然後提取數據，之後才是分析。

所以，收到數據分析的需求，不要急著寫SQL或者打開Excel，先明確下問題是什麼，以及希望達到什麼樣的目標。

怎麼樣才能準確翻譯成維度和指標呢？不要著急，我們一步步來。

假設，某一天我們被問到這樣一個問題：為什麼2019年我們公司拳頭產品——洗面奶的GMV下降了？

步驟1：明確分析的主體-限定篩選條件

公司的產品線非常豐富，從洗面奶、面膜、面霜、BB霜等，護膚類和彩妝類產品線基本都覆蓋。

好了，現在很明確，我們需要分析的數據是洗面奶，其他的產品如面霜、口紅等產品，暫時不需要我們操心。

聰明的你，肯定會記得，我們需要在篩選條件中，將產品種類這個維度限定為洗面奶。同時！！！時間維度限定為2019年，但是為了對比（參見上一篇），我們也需要提取2018年洗面奶的GMV數據。

步驟2：觀察數值——明確指標

我們拿到的問題是：為什麼2019年洗面奶的GMV下降了。

假設GMV在我們的業務範疇為複合型指標，也即是由2個基礎指標計算而來的，比如我們規定GMV=銷量*售價。

為了簡化問題，我們假設2019年洗面奶售價與2018年持平。也也就是說，2019年相比2018年，GMV下降的本質是銷量下滑。

步驟3：大膽建設提出原因——拆解維度

分析洗面奶銷量下降的原因，本質上就是找到在哪個維度上下降。

洗面奶銷量下降，我們猜測可能的原因有如下：

① 時間維度：2019年雙11促銷活動複雜，用戶參與度低；

② 渠道維度：2019年小紅書下架，導致洗面奶在小紅書上的銷量下降；

③ 消費者維度：2019年，30歲以下消費者購買洗面奶的人數減少；

……

• 針對第一個猜想，我們只需按月（時間維度）提取2018-2019年24個月的銷量數據，比對2019年雙11與2018年雙11期間的銷量情況；
• 針對第二個猜想，我們需要按照渠道（小紅書、天貓、京東、唯品會、KA賣場等渠道維度）提取銷量數據，分析小紅書渠道的銷量相對於2018年的增幅；
• 針對第三個猜想，我們只需分析每一個年齡層級購買洗面奶的消費者數量即可。

03 歸因問題：維度與溯源

可能你已經發現了：我們一般依賴指標的“異常”來定義問題，然後通過維度拆解指標來定位和歸因問題。

還是以洗面奶銷量下滑原因拆解為例。通過多個維度的拆解，我們發現洗面奶在小紅書渠道銷量下滑，是導致洗面奶銷量下滑的“罪魁禍首”。

為了驗證你的觀點，你可能還需要在維度間交叉驗證：如，洗面奶銷量下滑的時間，是不是也剛好是小紅書被下架的時間？

事實上，維度非常多，如果我們只是粗淺地觀察數據趨勢，有可能得出的結論與真相大相徑庭。當然，我們經常遇到的另外一個問題則是：導致銷量下滑的原因多種多樣，多個維度都可以解釋銷量下滑，我們只需關注主要的維度即可；否認這如果我們不停地進行維度下鑽，或者維度間的交叉分析，只會陷入“維度災”。·

接下來就是怎麼做，讓數據指標恢復到“正常”——由上面的成因，導出你的執行策略。

04 解決問題：針對維度，影響指標

假設我們已經成功定位到問題了，即定位到維度了，接下來就是輸出策略的時刻。

其實，這是一個需要case by case討論的話題，畢竟業務場景不同、資源條件不同，方案也會不一樣。

這裡，只強調一點：你的方案，必須能強有力地影響指標。

咋看起來是廢話，但是真實的工作中，你會發現很多方案與想要達成的目標經常南轅北轍。我們經常會忽視的一點是任何行為都會導致你可能意想不到的後果，感慨“原來這樣也可以”：

一個經典的案例是考古學家期望收購更多龜殼以拯救甲骨文，結果發現很多人都把龜殼砸碎了來賣，因為是按塊數付給他們費用，導致很多人把完整的龜殼敲成一塊塊的，以獲取更高價值。

實際上，很多活動也是如此：一個明明以GMV為導向的活動，愣是把活動路徑設計地非常長，造成用戶跳轉到其他頻道流失。

好了，以上就是我的一些思考，我叫餘子申，關注B端產品和營銷，歡迎大家多多交流。

題圖來自Unsplash，基於CC0協議

閱讀更多 人人都是產品經理 的文章

關鍵字: 指標 數據 人生第一份工作