數據分析，有套路嗎？不，它很深。是你自己的。

從業務執行到企業決策，數據分析繼續發揮著重要作用。

但是很多同學只知道他們的名字，卻不知道他們的故事。如何分析數據？數據分析有什么套路嗎？今天給大家展示一下數據分析的套路。

首先我給你出一道選擇題。你覺得數據分析的第一步應該是？

找到一種分析方法

問題識別

看數據

你有什么感覺嗎？這是一種分娩方式嗎？估計很多同學會先排除選項C(看數據)，所以一定要先看問題，或者先找分析方法，再看數據！

這也是很多新手分析師容易犯的錯誤?？吹揭粋€數字漲跌后，他們馬上翻出各種高大上的解析模型，甚至運行算法模型。結果，他們耗費了大量的精力，卻沒有騰出任何空間。

其實數據分析更科學的姿勢應該是先“準確的看數據”，再“判斷有沒有問題”，再“分析問題的原因”。

在不確定問題或者說分析目標的情況下，一定不要各種堆模型，而是回歸本質：問題是什么？所以這題答案是C。

1準確看

有些學生可能會對此感到困惑。第一步“準確看數據”？讀取數據有什么困難？我還會錯嗎？

請看第二個問題。以下哪個描述會讓你清楚數字的含義？

賺100萬

促銷活動收入100萬元。

10月，促銷收入100萬元。

是另一個副題嗎？當然這個問題沒有爭議，C的描述場景更具體準確，所以我就送你第一類數據分析“準確看”！

看數據主要看兩個要素，[數字]和[描述]，兩者缺一不可。如果描述不到位，甚至會出現兩種完全不同的結果。例如：

小明賺100萬。

小明工作20年，總收入100萬。

有沒有從土豪到勞動人民的感覺？

所以看數需要明確數字對應的場景描述，場景越具體、數據的含義才越清晰。

2客觀判

知道怎么看數據之后，還是沒有辦法確定有沒有問題，然后發給第二類數據分析方法的“客觀判斷”！

想要做出客觀的判斷，首先需要什么？是的，首先要有一個判斷問題的標準。確定標準的常用方法有經驗校準、專家校準、趨勢校準等。

也就是說，（1）經驗定標：以歷史資料和經驗為判斷標準，常用的參照物有歷史同期資料、競品同期資料等。比如大促銷活動的目標，可以參考歷史促銷或者競品促銷數據。

即（2）專家定標：是基于專家的人工判斷，常見的有專家打分法、層次分析法等。即結構化、有效地收集專家反饋信息，匯總不同維度的權重標準。

根據（3）趨勢定標：事物發展的周期律(如營銷活動周期、產品生命周期等。)，找到與當前對比標準相同階段的情況。

比如下面的銷售周期趨勢圖，銷量是周期性波動的，所以A點處于下降趨勢，但是很正常，但是B點是銷售周期的低點，低于上一個周期的低點，所以會有問題。

建議大家養成經?？磾底趾烷L周期的習慣，培養自己對趨勢的敏感度。

3找方法

在“準確看數據”“判斷有沒有問題”之后，基本明確了數據問題或者分析目標，然后數據分析的第三種方法就是“找方法”！

做分析或者選擇，還是有一些常規的數據方法。常用的分析方法有矩陣分析和漏斗劃分。

3.1 矩陣分析

矩陣分析是最基礎的結構化分析方法，前提是兩個標準的相關度要低，常見的矩陣分析模型有波士頓矩陣（增長率&市場占有率）、重要緊急矩陣（時間長短&投入產出）等。

3.2 漏斗分析

流程化的分析方法，觀察流程節點間的轉化率情況，做出分析判斷。常用的如電商訪問下單流程、2B銷售流程等，通過觀察每個節點間的轉化率，判斷某個環節是否出現異常。

如下圖的2B銷售漏斗圖，在簽約客戶環節轉化率是25%，較低，可能是客戶對方案滿意度低，需重點關注產品方案問題。

需要注意的是，漏斗分析的每個下游節點數據范圍都需與上游節點統一，如簽約的40個客戶必須在上游的50個意向客戶中，否則轉化率的數據含義會失真。

3.3 杜邦分析

杜邦分析是最常用的分析方法之一，通過問題的層層拆解、分析，確定每一層次的表現情況，幫助最終分析出問題的主要矛盾。

最常見的就是電商的利潤模型，可見下圖，在按公式、結構的拆解后，可以清晰的定位到【利潤】變化的主要原因和次要原因：

3.4 分層分析

結構化分析的常用方法，即通過對分析目標分層、比較不同群體之間的差異，從而分析、總結出相關結論。

分層分析的方法，核心在于【分層】，即圍繞分析目標、設計出科學的分層方案。比如“二八法則”，就可以簡單粗暴的判斷出“高價值用戶”，這也是應用廣泛的分層方法。

常用的分層方法有RFM、COHORT、ABC分層等：

RFM：電商常用的分層方法，是通過最近消費時間、消費頻次和消費價值來確定用戶價值分層，核心是找出不同忠誠度和價值的用戶群，從而進行分層分析和運營。

COHORT：留存分析的常用方法，通過對比同一時期、渠道的新用戶，在后續留存、目標轉化情況，找到產品或渠道的優化迭代方向。

ABC分層：常用于供應鏈的庫存管理，即通過銷售重要度、銷售穩定性和庫轉維度，對在庫商品進行分層，分析不同層級的核心問題、給出解決方案，將極大提高庫存精細化管理的效率效能。

3.5 交叉分析

相信很多同學都有過這樣的經歷，某個指標發生了異常波動，然后被領導奪命連環問。有木有好的方法？交叉分析來幫忙！

交叉分析的核心是【窮舉】，即根據業務經驗、窮舉可能導致波動的維度和指標，進行交叉分析。

比如某公司廣告收入突然下降，我們可以按照下表的方式，去窮舉可能影響的維度、指標，通過觀察具體數據，確定主要原因。

以上給大家介紹了基本的數據分析思路和方法，其實針對不同的業務場景、業務問題，數據分析的方法還有很多，后續會再跟大家系統介紹。

小結

最后再給大家劃下重點，數據分析的基礎三步走：

• 準確看：需明確數字的描述場景，場景描述越具體，數字含義越準確。

• 客觀判：判斷是否有問題、有問題的程度，需要有客觀的評判標準，可通過經驗定標、專家定標、趨勢定標等方法確定標準后，再去判斷。

• 找方法：常用的分析方法有矩陣分析、漏斗分析、杜邦分析、分層分析、交叉分析等，確定問題的主要矛盾，以明晰現狀。

看到這里，也許大家還是會有些困惑，分析方法有那么多，遇到具體的問題時，又該如何快速、高效的選擇合適的分析方法呢？期待我們的后續文章吧！

其實數據分析思維不僅是門核心的業務技能，也可以在很多生活場景中發揮作用，比如……脫單！

以上文章來源于網易有數 ，作者九條

網易有數是網易數帆旗下大數據技術與服務品牌，以“數據價值”為導向，聚焦于企業 “看數”、“管數”、“用數”等業務場景，提供全鏈路大數據技術及產品服務，致力于盤活企業數據生產力，加速實現數字化轉型。