本文的主要内容就是為大家科普資料分析的概念和方法，作者用清晰的“是什麼，為什麼，怎麼做”思路，為讀者提供了一個又一個的方法論，為資料分析小白們帶來了入門級的先進知識。
有同學問：陳老師，每次被面試都被問“你使用過哪些資料分析的方法”。結果都感覺答不上來。到底資料分析有什麼方法？為啥我在做資料分析，卻感覺沒什麼方法？今天系統解答一下。
首先，并不是名字帶“分析”倆字的，就是資料分析方法。有很多XX分析，是統計學、運籌學、數學的專業工具，并不直接指向業務問題的答案。當人們在問：”有什麼分析方法”的時候，更多期望聽到一個能給出結論的方法。
是以想回答好這個問題，要回到：資料分析到底解決哪些業務問題上去。
從業務用途上看，資料分析可以解決5大類問題
- 是多少（資料描述狀況）
- 是什麼（樹立資料标準）
- 為什麼（探索問題原因）
- 會怎樣（預測業務走勢）
- 又如何（綜合判斷狀況）
圍繞每個問題場景，有特定的方法組合（如下圖）
一、解決“是多少”的方法
用資料描述狀況，需要建立完善的資料名額體系。建立資料名額體系，則需要梳理清楚資料名額之間的邏輯。資料名額間有兩種基本的邏輯：串行邏輯和并行邏輯，是以衍生出兩種基本的分析方法：漏鬥分析法&名額拆解法。
拆解的業務多了，人們發現，某些資料名額可以固定的組合使用，比如：
- 使用者營運場景：AARRR名額、RFM名額
- 零售門店場景：人、貨、場名額
- 商品管理場景：進、銷、存名額
這些也習慣性被稱為：分析模型。但注意，這些都隻是在展示資料。資料+判斷标準，才有分析結論。有關判斷标準的分析，就是：是什麼類問題。
二、解決“是什麼”問題的方法
判斷标準可以很簡單，比如上司的指令、KPI要求、過往同期資料，都能作為标準。這些統稱為：簡單标準。但很多時候，名額走勢是否正常，并無明确的KPI限制，甚至KPI達标，但是走勢奇特，上司們還是會覺得有問題。這時候就需要找其他參照物。是以衍生出一系列分析方法。
比如：
- 與業務自身規律比較，判斷好壞：生命周期法、自然周期法
- 與同類型，同期發展的業務比較：同期群分析法
- 與其他業務個體進行比較：分層分析法
這樣對比，即使隻有1個資料名額，也能得出好壞判斷。如果業務發展違背過往規律，明顯比其他個體更差，則可以判定為：不好。
當然，也可以使用2個名額，比如經典的矩陣分析法，通過兩名額交叉+兩名額平均值，分出四類業務，進而得出好壞判斷。
如果用更多名額也行，比如常用的Kmean聚類，可以先利用多個名額對業務個體聚類，之後再看各類型之間表現優劣。
以上這些方法，都能将業務的好/壞區分出來，進而在一定程度上輔助判斷。
三、解決“為什麼”問題的方法
“分析下這個問題是什麼原因導緻的……”是常見的要求，這就是“為什麼”問題。解決為什麼問題，有兩大基本思路：
1. 結果推斷
常見的，比如：
- 結構分析法：通過結構分析，找到問題發生點
- 标簽分析法：通過打标簽，做個體對比，找到問題原因
- 相關分析法：通過計算名額相關關系，找到相關名額，再形成假設
- MECE法：講多個業務假設，按MECE原則合并成分析邏輯，一一驗證
結果推斷，意為問題發生後，用各種資料尋找差異，建立假設。可以把業務口中“我覺得這是XX原因”，抽象成一個資料可驗證的假設，是以适用範圍非常廣。但結果推斷隻是單方面從結果做歸納，有可能有偏頗，還需要實驗驗證。
2. 實驗推斷
這些方法更接近傳統統計學的實驗，大部分都要求：
- 開展資料實驗，驗證假設
- 設參照組/實驗組，且參照組/實驗組特征相似
- 區分控制變量、環境變量，重點測控制變量的影響
- 先有假設，然後通過實驗/分組對比，驗證假設。常見的方法，包括ABtest、DID、PSM、RDD、Uplift等方法。
實驗推斷有統計學依據，計算過程複雜，看起來更量化一些。但是對實驗條件要求太高，比如大促銷類ALL in的業務，比如商品、店鋪這些無法控制環境的業務場景，比如業務員行為、内容傳播等難采集資料的領域，都很難用。
理想的狀态，肯定是兩者結合，事實-假設-驗證，不斷循環，接近真相。但現實中有很多條件制約。導緻我們隻能從一個角度切入，慢慢靠近真相。
四、解決“會怎樣”問題的方法
預測類問題，是所有人都感興趣的話題，也是統計學/算法最有可能發揮作用的地方。唯一限制方法使用的，是：到底有多少資料&業務人員要不要參與。
如果業務人員堅持參與預測過程，就隻能用業務假設法或者滾動預測法，這些方法把影響結果的參數都列出來，友善業務人員拍腦袋，也能幫他們清晰：我要做多少。
如果業務人員不參與，則視資料量的多少。資料少，則使用時間序列預測，資料多，且有影響結果的原因資料，則可以用諸如回歸模型一類算法預測。
五、解決“又如何”問題的方法
綜合評估與配置設定問題，統稱“又如何”問題。這是決策的最後一步，決定是否對業務做動作，做多大動作。有些簡單的評估是很容易的，比如銷售簽了生死狀，達不成業績目标就炒鱿魚。
但大部分情況，評估很複雜，要考慮方方面面。這裡最大的差別，在于要不要考慮上司的主觀意見。如果要，果斷使用主觀評分法！滿足上司的打分欲是第一位的。如果不要，再考慮使用有監督的機器學習算法，或者因子分析法，DEA法（求的是相對效率）等客觀方法。
至于：做多少，誰來做。就是更複雜的問題了。想做好配置設定，得先把前邊幾步分析做完，對每個業務線基礎能力有充分認識，才好下判斷。這裡，線性規劃的方法，可以用來做支援。
六、為什麼感覺沒用上方法？
綜上可見，資料分析的方法是非常多的。但為什麼很多同學感覺自己沒用上方法呢？因為每種方法是和業務場景、上司風格、資料品質、息息相關的。
比如因果推斷算法大多基于分組測試展開，而實際業務中，很多因果分析是事後再查原因，也不給二次實驗的機會。
比如很多公司的配置設定方案，根本就是上司拍腦袋，一言堂，根本沒機會讓分析師用算法。
比如預測問題，很多公司根本沒有足夠資料積累，隻有一條銷售資料，那撐死了也隻能用時間序列法。
這種理想與現實的差距，讓很多同學很痛苦。一方面不清楚到底這些方法該如何用，另一方面不了解，自己該如何應對業務需求。面試和工作都很吃力。
專欄作家
接地氣的陳老師，微信公衆号：接地氣的陳老師，人人都是産品經理專欄作家。資深咨詢顧問，在網際網路，金融，快消，零售，耐用，美容等15個行業有豐富資料相關經驗。
本文原創釋出于人人都是産品經理。未經許可，禁止轉載。
題圖來自Unsplash，基于CC0協定。
該文觀點僅代表作者本人，人人都是産品經理平台僅提供資訊存儲空間服務。