告别套路化分析，用思维探索无限可能

告别套路化分析，用思维探索无限可能

不同场景下，数据分析的过程往往大不相同。有没有一种办法，可以帮助我们在不同的场景下理清数据分析的思路，不被限制于固定的场景分析套路中呢？本文介绍了在异动分析过程中，每一步分析套路背后的影响因素，帮助你更好地理解异动分析，应对不同的应变场景。推荐关注数据分析的小伙伴阅读。

数据分析的场景非常多，随便举一些场景：

不同场景下的数据分析流程是不一样的。

这就产生了一个问题：这么多不同的场景，流程又都不一样，想要全部记住所有的流程基本是不可能的。

所以我身边有很多的数据分析师，在面对特定问题时，一般会先去网上搜索分析流程，然后根据现成的流程开始后续的分析。

到底有没有一种办法能够记住所有的分析流程？

在围棋的世界里，你会发现有大量的定式，也就是一种套路式的下法。

对于那些不理解为什么这么下的人来说，只能通过死记硬背的方式来掌握这些定式，效率并不高，而且一旦面对新的棋形就显得束手无策。

但是，如果你能够理解定式的下法背后的原因，那么你所记忆的就不再是单纯的套路公式，而是可以自行推演出定式的下法。

这样，在面对新的棋形时，你也能够灵活地应对变化，而不是束手无策。

要想记住所有的分析流程，我想和围棋的定式也是同样的道理。如果理解各个分析流程为什么是现在这几步，那即使面对从没见过的业务问题，也能应对自如。

我作为一个数据分析思维领域的作者，决定尝试分析各个分析流程的推导过程，帮你摆脱套路化公式，不记套路，却无套路胜有套路。

今天分享一下关于异动分析的分析套路。

一、异动分析

数据指标出现了异动，最紧张的除了负责业务的同学，就是数据分析师了。因为数据分析师马上要迎来灵魂三问：

1. 为什么涨
2. 为什么跌
3. 为什么不涨不跌

这些问题该怎么回答？

关于异动分析，网上提供的参考思路很多，一般的步骤是:

确认数据准确。排查是否存在数据库异常/数据上报延迟/提数SQL错误/数据统计口径不一致等问题。

确认指标异常类型及范围。排查异常的类型属于偶发性/周期性/趋势性；异动的增幅/降幅是否合理。

拆解，定位问题原因。初步拆分维度，定位原因大致范围。如果是电商，一般采用人货场的维度拆解：

• 人：新老客户/分渠道/分获客方式/分用户价值标签/分用户意向度/用户画像（性别年龄地域职业等）
• 货：不同品类/不同规格/不同价位
• 场：流量渠道/近期优惠活动/行业表现

上述分析流程本身没什么问题，但肯定不能死记硬背。

如何通过分析思维推导出上述步骤呢？

二、明确问题

分析任何问题的基本步骤至少有三步：

那么异动分析的第一步也一定是明确问题。

问题来了，什么是问题？

你可能觉得这个问题问的有点奇怪啊，问题不就是问题嘛，就是那个……问题。

嗯，行吧，你说的可能也没错，问题确实是……问题。

关于“问题”这个概念，更精准的定义是：

问题是现实和预期之间的差距。

问题是现实和预期之间的差距。

问题是现实和预期之间的差距。

重要的事情说三遍。

从这个概念可以引申出问题包含三个要素：现实、预期、差距。

所以一个问题出现的原因，只有三种情况：

第一种，现状有问题。你看到的现状和真实情况存在差别。比如因为统计口径差异、数据传输错误等问题导致你看到的数字和真实数字不符。

第二种，预期有问题。预期不符合实际情况，比如成交额在每年的年底都会有一次较大幅度的下降，那么预期值就得符合现实环境对应下调。

第三种，显示和预期真的存在差距，但不知道原因。对这种问题，就要寻找产生差距的原因。

对比套路化的分析流程，上述的三类错误，第一类其实就是数据准确性问题，第二类是业务周期性波动问题，第三类才是真正需要深挖原因的问题。

对于第三类需要深挖的问题，我们也要进一步明确问题。这个差距究竟是什么时候产生的？产生了多久？差距究竟有多大等等。

以上这些问题其实就是通过5W2H的方式把问题描述的更加清楚。通过5W2H的描述，我们可以知道这个差距产生究竟是突发性的还是持续性的。

到此为止，分析的第一步明确问题基本完成了。

你就算不知道异动分析的套路，照样可以自己推导出套路。

三、拆解维度怎么选

需要进一步找原因的问题，情况有两种，一种是突发性的，一种是持续性的。

1. 突发性异动

当突然出现数据波动时，往往是由于重大业务变动、政策变化、市场舆论等原因所导致的。

这种突发性的异常情况，最好的处理方式是直接向业务同学咨询。

有时候，花上几个小时进行分析的效果还不如花一分钟问业务同学来得快。因为业务同学可能昨天刚刚新增了一个投放入口，或者提高了投放预算，他只需要说出一句话就能解决你的疑问。

此外，业务同学通常对行业信息比较敏感，能够给你提供一些有价值的信息，帮助你缩短排查问题的时间。

2. 持续性问题

对于持续性的问题，通常需要采用拆解的方法来找到最终的原因。

而拆解的方式通常有两种，一种是横向拆解维度，一种是纵向拆解过程。

以某电商公司GMV收入持续下降为例，我们可以采用以上两种拆解方式。对于横向拆解维度，我们可以根据商品品类、引流渠道、商品价格层级、用户地区等维度进行拆解。而纵向拆解过程，则可以通过流量漏斗分析进行。

这里出现了一个问题，究竟先采用哪种拆解方式，横向还是纵向？

我认为，并没有一定的先后顺序，因为两种拆解方式最终都会通向同一个结果。

如果我们首先采用横向拆解维度，发现某个品类的GMV下降，那么我们接下来就需要拆解这个品类下的流量转化过程，找出问题出在哪一个步骤。

如果我们首先采用纵向拆解过程，发现了流量问题，那么我们也需要再次采用横向拆解维度的方式，找出是哪一个品类的流量下降。

因此，你可以先采用任何一种拆解方式，最后都可以达到相同的效果。

虽然拆解的先后顺序没什么问题，但横向拆解中维度的选择会逼死强迫症。

以电商业务为例，常见的拆分维度中，通常可以采用“人、货、场”三个维度。

• 对于人这个维度，可以按照新老用户、高低价值用户、不同地区的用户等进行分类。
• 货这个维度可以分为品类、不同价格区间的商品等。
• 场这个维度可以分为活动会场、流量渠道等。

然而，如果你对每个维度都进行拆解，那么花费的时间和精力太多，不太实际。

所以我们需要选择到底先拆解哪些维度。

先不说具体套路，我们还是尝试着自己推导。

对异动的数据进行拆解分析，目的是找出这个问题的原因后，有人负责优化改进。

所以拆解的第一优先级是根据目前的团队分工进行拆解。

比如说电商公司根据类目划分了多个独立运营的团队，那么面对数据异动的第一优先级肯定是按照类目拆解。

因为拆完类目，就能直接找到对应的负责人。

否则你先拆解新老用户，然后告诉业务方是新用户出了问题，那么这个新用户究竟是谁来负责？总不可能因为一个小问题就把整个组织打散重新分工。

根据分工拆解维度，问题定位到某个类目后，该类目的负责人知道是自己的问题，那么如果是流量下降就加大投放，转化率变低就搞搞促销。如果问题不是特别严重的话，一般这个异动分析就结束了。

有的时候分析会更深入一层。类目负责人想更深入了解自己的类目究竟出了什么问题，那这个时候就要在拆解完类目之后，再做深一层的拆解。

这一步的拆解依然可以根据分工拆解。品类团队的内部也会有用户运营、品类运营、流量运营等等不同的分工。因为不同公司的岗位设置不一样，所以这里要根据实际的分工情况，选择拆解的维度。如果团队内没有用户运营，那也就没有必要对用户做细致的拆解了。

如果团队中有用户运营，也要和业务沟通一下，看目前用户运营的用户分层模型是什么，有没有现成的用户分层、用户分群等运营方案。根据原有的用户运营方式拆解，未必能找到最精准的问题原因，但是落地性极好。依托原有的用户运营平台，运营同学可以直接圈选用户人群做运营。

在这一步你依然可以不用记套路，你不用记得人货场分别要拆什么维度。在实际分析的时候，你要知道的是团队分工、现有策略等信息，根据这些信息你自然就知道该拆解什么了。

如果面试的时候这样的回答，如果是在面试的时候也能给你加分不少。因为别人知道要拆什么维度，而你不仅知道要拆什么，而且你知道你猜的原则必须要最终能落地，你比别人更加实战。

异动分析基本是面试必问的问题。

现在网上有很多成体系的套路，虽然套路提高了工作效率，但套路本身简化了思考过程，不能应付所有的场景，而且会限制个人能力的成长。

如果你在面试的时候，和面试官对异动分析的过程有上文中这样深入的分析过程，相信能为你加分不少。

在面试官严重，你不是个只会套路的人，你是真的会分析。而且你的分析真的能落地，是实战派。

能力可迁移，结果能落地，相信你就是面试时候最靓的仔。