数据分析4个好用的模板

所谓“秀才提笔忘了字”，经常有同学在领导要求“你去分析一下XXX”的时候，脑子嗡的一声，没了思路。今天分享4个简单好用的思路，可以应对大部分的问题，大家准备好小本本哦，马上开始。

思路1：陈述式分析

适用问题：“你去分析一下销售/运营/商品/会员/物流情况”

适用场景：领导/业务没有明确需求，第一次看业务数据

此时的重点是：讲清楚情况，清晰是第一位的要求。因此不要心急，不要一次性倾倒太多的数据出来，大家看不明白就会责怪你：“分析的不清晰”。此时可以按着：“现状→目标→整体进度→子部门进度”的方式展开。

比如“你去分析一下用户情况”，那么可以做如下介绍（如下图）:

如果整体进度没很大问题，各子部门进展顺利，那么大家不会发表太多意见，看完后会说“很好，继续监控”。如果整体进度有问题，那么大家的思路会被引导到：“为什么A部门执行好，B部门不行？”上边去，这样就能做进一步的分析。

要注意的是！不同人的“第一次”是不一样。最经典的场景是，你们自己部门内数据已经看了很多遍，但是现在要做一个向高层的回报，高层领导平时根本不了解你们的细节。此时千万不能太着急，堆砌一堆数据搞得大领导头昏脑涨，十有八九被批：“思路不清晰”。沉住气做个陈述式分析会更好。

思路2：探索式分析

适用问题：“最近销售/运营/商品/会员/物流指标没达标，为什么？”

适用场景：领导/业务有明确问题，但没有具体的怀疑对象

此时的重点是：引导大家的思路，落实到一个具体的、可改进的对象上去。这一点非常重要！很多同学在面对问题的时候，喜欢翻来覆去地描述现状。比如，问“为什么用户消费少了？”他就憨憨答一句：“因为客单价低了”。

这是废话，消费=用户数*消费率*客单价，客单价低了消费肯定少。问题是为啥客单价低了呢？是商品不行？是促销搞多了？这才是大家关心的，所以做探索式分析的时候，拆分问题应该具体到某个部门可负责的事情上，这样才能落地解决方案。

比如“最近用户消费没达标”，那么可以做如下探索（如下图）：

思路3：检验式分析

适用问题：“我们最近的会员消费下跌和优惠政策调整有没有关系？”

适用场景：领导/业务提了一个明确的分析要求，期待回应

此时的重点是：排除其他可能性，聚焦到核心问题。大家要注意，很多时候听上去只有一个假设，但实际上要排查的范围并不止于此。但你说出：“确认是政策调整影响”的时候，就意味着你选择了“不是执行问题，也不是外部问题”。如果没有排除掉明显的其他问题，十有八九会被批为：“分析不全面，我说一句你做一句吗”

此时需要主动收集：还有哪些业务假设。一些大家共识过的，不用考虑的因素，可以不纳入分析之中，聚焦几个核心问题。最常见的假设就是：是策略问题还是执行问题。

比如“会员消费下跌和优惠正常有没有关系？”拆分开就是：

假设1：因为调整了优惠，部分会员不满，导致不消费

假设2：优惠政策没问题，但是宣传力度不足，很多会员还不了解

另一个常见的假设，是自己部门的问题or友邻部门的问题。

比如“会员消费下跌和优惠正常有没有关系？”拆分开就是：

假设1：因为调整了优惠，部分会员不满，导致不消费

假设2：优惠政策没问题，但是本季商品不行，再优惠也没用

到这一步，就很考验数据分析师的工作技巧了。因为很有可能你的领导，就是想甩锅给别人（或者要防着别人甩锅），因此收集证据，是非常重要的。两个假设哪个更成立，完全看收集到的正面/反面例子那个多，越高级的数据分析师，越有能力充分收集证据，证明自己的领导的想法是对的！！

思路4：测试式分析

适用问题：“如果我们调整政策/更换商品/改进版面，是否能解决问题”

适用场景：领导/业务提了一个尚未发生，计划要做的事

此时需弄清三个关键问题：到底要不要做测试，要做什么级别的测试，要测的到底是啥？

1、如果计划的事情，是历史上从未发生过的（比如上一个全新的产品），那必须测试，不然没法下结论；

2、如果计划的事情，历史上做过类似的（比如投优惠券，以前也投过），那可以拿历史数据做一定参考；

3、如果计划的事情，可以小范围测试（比如让部分业务员改话术，选部分用户投券），那么优先考虑做AB分组，通过ABtest对比差异

4、如果计划的事情，没法小范围测试（比如修改渠道政策，一旦公布开弓没有回头箭），那么就得先做调研，再通过数据测算，让大家有心里准备

总之，根据计划类型来提供实验建议。

另，在实验前，一定要记录清楚以下信息，列清楚了才好做分析：

1、本次对业务调整的点是XX

2、本次调整，期望的目标是改进XX指标

3、本次没有调整XXX影响因素

比如要优化投放效果，你最好记录清楚：到底这个版本改变的是推广主图、关键字、站内路径还是商品/优惠，这样才好在各版本间做对比，如果一次性大改太多，那就只能看整体效果了，没法具体到细节（如下图）。