来源：接地气的陈老师

做数据分析的同学们都遇到过这个问题：从多维度分析问题，提出对业务有意义的建议。这个题目看起来很简单，可很多同学辛辛苦苦跑了一堆报表，结果只落得业务一堆抱怨：

“你这一堆说明了啥！”

“你的重点在哪里？”

“你的维度太单一了！”

好！冤！枉！

明明出了那么多组数据，为什么还被说“分析维度不够多？”今天我们系统解答一下。问题的本质是：业务口中的“多维度”，完全不是你想的那个“多维度”。

1数据分析眼中的多维度

对数据分析师而言，多维度，往往指的是数据指标的拆分维度。举个简单的例子：3月份销售额3个亿。这就是一个指标，没有拆分维度。如果加了分类维度，就是下边的效果：

注意：比起只看总数，用多维度拆解数据，是能更精确地定位数据的。常见的方法有两种：一、添加过程指标；二、按业务管理方式添加分类维度。比如只看总销售金额，我们发现差3000万达标，可我们并不知道为什么不达标。这时候如果拆解细一点，比如：

1、添加分类维度：看到哪个业务线没做好（如下图）

2、添加过程指标：看到从用户意向到付费，哪个环节出了问题（如下图）

增加过程指标+分类维度，就能更精准的定位问题。甚至一些简单的结论已经呼之欲出了。正因如此，很多数据分析师把业务口中的“多维度”，直接理解成了“维度多”。一听到要做分析，振臂高呼“拆！拆！拆！”层层叠叠做了一大堆交叉表，把各个分类维度的数据都做了出来（如下图）。

然而，仅仅“多”，就足够了吗？

2业务眼中的多维度

业务口中的“多维度”，完全不是这个意思。业务脑子里装的是不是数据库里的表结构，而是一个个具体的问题。当业务看到“3月份销售没有达标”脑子里想的多维度是这样的：

是不是看傻眼了。

你会发现，单纯地拆解数据根本无法回答上边的问题。是滴，一个都回答不了。甚至单靠看数据都没法回答这些问题。

即使把问题定位到：“3月业绩不达标是因为A大区3个分公司的客户意向签约太少”，定位到这么细的程度，也不能回答上边的问题。

因为到底意向太少，是因为对手发力了、产品没做好、活动没跟上、用户需求有变化……还是没解释清。具体的业务问题，一个都没有回答。自然业务看了一脸懵逼了。

3真正的多维度分析，这么做

从本质上看，真正的多维度分析，其实考的不是数据计算能力，而是策略能力。

具体来说是三个方面：

1、把业务上理由，转化为数据上论证。

2、堵住借口：业务不要总试图甩锅，集中精力想能干点啥。

3、找到症结：在一堆影响因素里，找到最关键的那个，集中发力。

注意，这三件事是有顺序的。先把数据论证方式列清楚，避免大家放空炮（数据不能论证的理由就闭嘴，是个非常好的议事规则）。之后先堵借口，找借口并不能解决问题，因此先把各种逃跑路线堵上。最后再集中想办法，想办法的时候，从大到小，从粗到细，先搞大问题。综上，这个事可以分六步做。

▌第一步，要先对业务明里、暗里提出的说法做分类。

对每一类问题，构建分析假设，把业务理由转化为数据逻辑，拿数据说话（如下图）。

▌第二步，优先排除借口。

往往借口产生于：宏观因素、外部因素、队友因素。所以在这里，关键是证伪。只要能推翻他们的逃跑借口就行。证伪最好用的办法就是举例法，同样是下雨，为什么别人就抗得住。同样是流量难搞，为啥别的业务线能持续增长？（如下图）。

举例法还有个好处，就是在反驳借口的同时，也指出了解决问题的出路。业务最讨厌光讲问题不讲方法的人，因为喷人人人都会，解决问题可就难了。给出具体的学习对象，可以极大的激发业务思考对策，从而达到双赢的效果。

▌第三步，解决白犀牛，剔除明显的重大影响。

比如监管政策、公司战略、重大外部环境等等因素，确实会对企业经营起到重大作用，并且这些因素是普通小员工只能接受，不能改变的。但是！这种重大因素表现在数据上，有严格的要求（如下图）。

因此如果有人想推脱给这些因素，要看：

1、事实上有没有发生这个事

2、数据上符合不合符走势

以此敲警钟：不要事事都怪大环境不好。你丫走到哪里都是大环境不好，你是影响大环境的人呐！先排除这种大因素的影响（或干扰）再聚焦看我们能做什么事情。

▌第四步，解决黑天鹅，剔除明显突发事件。

如果发生的真是突发事件，很容易找到问题源头

正向的：促销活动，某群体用户骚动，新产品上线……

负向的：恶劣天气，突发事件，系统宕机……

因此先排除单次突发问题，找清楚一点原因以后，再追溯之前的情况，就容易说清楚。

▌第五步：按分工锁定问题点再谈细节。

解决了大问题以后，想讨论更细节的问题就得锁定部门，先定人再谈计划。之前已有分享，这里就不赘述了。

▌第六步：锁定细节问题。

请注意，即使聚焦到一个部门的一个行动，还是很难扯清楚：到底是什么业务上原因导致的问题。

因为本身业务上的事就是各种因素相互交织很难扯清，比如：

内容运营：传播渠道、主题、调性、风格、图片，发送时间，差一个都可能扑街

活动运营：目标群体、活动门槛、奖励内容、参与规则，差一个都可能扑街

用户运营：新人进猛做留存就差，留存猛做新人进费用就少，两头都做两头投入都不够

商品运营：选款时候看100个维度，可一天不上线一天不知道真实表现，你上了，他扑了

……

可能做数据的同学本能反应是：能做ABtest呀。实际上大部分业务是没有时间、空间做ABtest 的，而且有些东西（比如选品、文案）影响维度太多，得做无数组ABtest才能测清楚。而且对已经发生的事，也没法再做ABtest了。所以想区分相互交织的因素，还得有更多辅助方法配合。

作者：接地气的陈老师

来源：鸟哥笔记

原文地址：https://www.niaogebiji.com/article-634974-1.html

来源：接地气的陈老师

做数据分析的同学们都遇到过这个问题：从多维度分析问题，提出对业务有意义的建议。这个题目看起来很简单，可很多同学辛辛苦苦跑了一堆报表，结果只落得业务一堆抱怨：

“你这一堆说明了啥！”

“你的重点在哪里？”

“你的维度太单一了！”

好！冤！枉！

明明出了那么多组数据，为什么还被说“分析维度不够多？”今天我们系统解答一下。问题的本质是：业务口中的“多维度”，完全不是你想的那个“多维度”。

1数据分析眼中的多维度

对数据分析师而言，多维度，往往指的是数据指标的拆分维度。举个简单的例子：3月份销售额3个亿。这就是一个指标，没有拆分维度。如果加了分类维度，就是下边的效果：

注意：比起只看总数，用多维度拆解数据，是能更精确地定位数据的。常见的方法有两种：一、添加过程指标；二、按业务管理方式添加分类维度。比如只看总销售金额，我们发现差3000万达标，可我们并不知道为什么不达标。这时候如果拆解细一点，比如：

1、添加分类维度：看到哪个业务线没做好（如下图）

2、添加过程指标：看到从用户意向到付费，哪个环节出了问题（如下图）

增加过程指标+分类维度，就能更精准的定位问题。甚至一些简单的结论已经呼之欲出了。正因如此，很多数据分析师把业务口中的“多维度”，直接理解成了“维度多”。一听到要做分析，振臂高呼“拆！拆！拆！”层层叠叠做了一大堆交叉表，把各个分类维度的数据都做了出来（如下图）。

然而，仅仅“多”，就足够了吗？

2业务眼中的多维度

业务口中的“多维度”，完全不是这个意思。业务脑子里装的是不是数据库里的表结构，而是一个个具体的问题。当业务看到“3月份销售没有达标”脑子里想的多维度是这样的：

是不是看傻眼了。

你会发现，单纯地拆解数据根本无法回答上边的问题。是滴，一个都回答不了。甚至单靠看数据都没法回答这些问题。

即使把问题定位到：“3月业绩不达标是因为A大区3个分公司的客户意向签约太少”，定位到这么细的程度，也不能回答上边的问题。

因为到底意向太少，是因为对手发力了、产品没做好、活动没跟上、用户需求有变化……还是没解释清。具体的业务问题，一个都没有回答。自然业务看了一脸懵逼了。

3真正的多维度分析，这么做

从本质上看，真正的多维度分析，其实考的不是数据计算能力，而是策略能力。

具体来说是三个方面：

1、把业务上理由，转化为数据上论证。

2、堵住借口：业务不要总试图甩锅，集中精力想能干点啥。

3、找到症结：在一堆影响因素里，找到最关键的那个，集中发力。

注意，这三件事是有顺序的。先把数据论证方式列清楚，避免大家放空炮（数据不能论证的理由就闭嘴，是个非常好的议事规则）。之后先堵借口，找借口并不能解决问题，因此先把各种逃跑路线堵上。最后再集中想办法，想办法的时候，从大到小，从粗到细，先搞大问题。综上，这个事可以分六步做。

▌第一步，要先对业务明里、暗里提出的说法做分类。

对每一类问题，构建分析假设，把业务理由转化为数据逻辑，拿数据说话（如下图）。

▌第二步，优先排除借口。

往往借口产生于：宏观因素、外部因素、队友因素。所以在这里，关键是证伪。只要能推翻他们的逃跑借口就行。证伪最好用的办法就是举例法，同样是下雨，为什么别人就抗得住。同样是流量难搞，为啥别的业务线能持续增长？（如下图）。

举例法还有个好处，就是在反驳借口的同时，也指出了解决问题的出路。业务最讨厌光讲问题不讲方法的人，因为喷人人人都会，解决问题可就难了。给出具体的学习对象，可以极大的激发业务思考对策，从而达到双赢的效果。

▌第三步，解决白犀牛，剔除明显的重大影响。

比如监管政策、公司战略、重大外部环境等等因素，确实会对企业经营起到重大作用，并且这些因素是普通小员工只能接受，不能改变的。但是！这种重大因素表现在数据上，有严格的要求（如下图）。

因此如果有人想推脱给这些因素，要看：

1、事实上有没有发生这个事

2、数据上符合不合符走势

以此敲警钟：不要事事都怪大环境不好。你丫走到哪里都是大环境不好，你是影响大环境的人呐！先排除这种大因素的影响（或干扰）再聚焦看我们能做什么事情。

▌第四步，解决黑天鹅，剔除明显突发事件。

如果发生的真是突发事件，很容易找到问题源头

正向的：促销活动，某群体用户骚动，新产品上线……

负向的：恶劣天气，突发事件，系统宕机……

因此先排除单次突发问题，找清楚一点原因以后，再追溯之前的情况，就容易说清楚。

▌第五步：按分工锁定问题点再谈细节。

解决了大问题以后，想讨论更细节的问题就得锁定部门，先定人再谈计划。之前已有分享，这里就不赘述了。

▌第六步：锁定细节问题。

请注意，即使聚焦到一个部门的一个行动，还是很难扯清楚：到底是什么业务上原因导致的问题。

因为本身业务上的事就是各种因素相互交织很难扯清，比如：

内容运营：传播渠道、主题、调性、风格、图片，发送时间，差一个都可能扑街

活动运营：目标群体、活动门槛、奖励内容、参与规则，差一个都可能扑街

用户运营：新人进猛做留存就差，留存猛做新人进费用就少，两头都做两头投入都不够

商品运营：选款时候看100个维度，可一天不上线一天不知道真实表现，你上了，他扑了

……

可能做数据的同学本能反应是：能做ABtest呀。实际上大部分业务是没有时间、空间做ABtest 的，而且有些东西（比如选品、文案）影响维度太多，得做无数组ABtest才能测清楚。而且对已经发生的事，也没法再做ABtest了。所以想区分相互交织的因素，还得有更多辅助方法配合。

作者：接地气的陈老师

来源：鸟哥笔记

原文地址：https://www.niaogebiji.com/article-634974-1.html