数据分析的三重境界，你在哪个阶段？

导读：工作生活中的很多问题，其实都可以用数据方法解决，数据解决的关键就在于如何将抽象的事物或业务，依据内在逻辑，提炼出结构化的特征。本文主要围绕工作业务场景进行梳理，以做学问的三重境界为切入，梳理数据应用分析的过程和方法。

前段时间有档节目，《说唱新世代》，slogan是“万物皆可说唱“，从社会热点到赞助广告，没有说唱玩不了的内容。起笔写下1年来分析师的总结感悟时，也是想到了这句话，”万物皆可分析“，想要表达的是，工作生活中的很多问题，其实都可以用数据分析方法解决，数据解决的关键就在于如何将抽象的事物或业务，依据内在逻辑，提炼出结构化的特征。

举个生活中的栗子，比如你想买房，有2个备选方案各有优点，你非常犹豫无法抉择。A位置好，小区环境好，但价格太高超出部分预算；B位置一般，小区环境一般，但是价格便宜且在预算范围内。

这时，你可以把房屋的选择抽象为3个关键因素（衡量指标），分别是地理位置、小区环境和价格，然后写下你对于各项因素的考虑权重（保持相加总和为1），通过你的实际感受对2个房源的3项因素分别打分（比如最高10分），最终将各项因素的权重和得分相乘累加，可以获得2个房源理性得分（如下表）。

好了，看来你内心更倾向于A房子。

言归正传，接下来本文主要围绕工作业务场景进行梳理，王国维曾说做学问的三重境界，第一重“独上高楼，望尽天涯路”，第二重“衣带渐宽终不悔，为伊消得人憔悴”，第三重“蓦然回首，那人却在灯火阑珊处”。数据分析解决业务问题，也有这三重，以此为切入，梳理数据应用分析的过程和方法。

独上高楼，望尽天涯路

登上高楼，可以看到路的尽头，事物面貌尽收眼底。数据应用的这一重，通过数据来概括事物的特征，可以知其然。

1.1 了解业务现状

为了准确的提炼出事物的关键特征，需要明确业务现状，清晰定义业务问题。需要走出去了解业务现状，不能闭门造车，包括业务设计逻辑和业务实操流程，这是明确业务问题和特征的基础。

寻找关键角色和关键事项

关键角色一般是业务执行方或者需求方，他们是业务的一线同学，负责业务流程的设计和执行，对于业务流程有着更为深入的理解。关键事项是指具体的业务流程，比如研究仓内生产效率，与之相关的业务事项就是仓内作业生产。

业务流程认知

业务流程认知的过程，是和用户在一起的过程。通过和关键角色沟通，可以获得关键角色输入的二手资料。很多事在过来人看来是自然而然的，存在虽然合理，可以满足业务现有需求，但未必是最优解，因此需要辩证听取业务输入，保持信息接收，保持思考独立，不断提问和挖掘业务内在逻辑。

深入走查关键事项，可以获得业务实操带来的一手资料。这是不经关键角色加工后的内容，一方面可以带着二手资料获取的信息，去实操感悟，数据结论如果站得住脚，可以做哪些针对性的业务动作；另一方面可以发现二手资料无法带来的业务角度，更为立体地理解业务全貌。比如通过走仓，直观了解仓内的生产流程，比业务加工后的二次输入来的更加立体。

归纳业务问题

通过业务流程认知，了解可能存在问题的业务环节，并对业务问题进行归纳整理。通过描述性分析（平均值/最大值等）、对比分析（环比/同比等）等常用的数据现状探查方法，可以归纳现有的业务问题。比如在业务重点项目中，对比现有指标和目标值，可以发现业务目标达成的现状，对于未达成目标的指标，也是未来去优化改善的事项。

1.2 明确分析目的

明确业务关键问题

对于数据探查或研究型的分析，即没有明确的目标指向性时，需要在归纳得到的多项业务问题中，通过关键角色调研，或者数据相关分析、回归分析，确定对于业务达成影响的关键指标和问题的主要矛盾是什么，这决定了分析的重点是什么，能通过对20%的指标进行分析，解决80%的问题。

明确业务深层目的

对于业务方提出的明确需求，通过了解业务现状，获得需求分析的前因后果（即为什么要启动分析，用于解答什么业务问题，分析输出结果具体用途是什么），最终目的是基于业务原始需求，明确需求目的，并对分析目的进行解构，便于下一阶段的分析。

衣带渐宽终不悔，为伊消得人憔悴

这一重，知其然而后达到知其所以然，数据表现只是表象，为了解释关键指标或者需求数据的变化或构成，需要去探查数据背后的原因。这个过程的目的是为了解决问题，通常是耗费时间精力的，需要有第二重境界的觉悟：为了关键数据的分析，衣带渐宽不后悔，这是值得为之憔悴的事情。

2.1 确定分析框架

分析框架包括但不限于分析模块、分析假设、分析方法、具体分析的维度/指标、指标具体的口径等，主要的作用是需要在开始分析前，就规划好从开始到结束的路径。

MECE法则，提出假设

假设主要解答的是“为什么”，即指标为什么波动，受到什么业务逻辑或购买心理影响。

假设的提出遵循MECE法则，这是《金字塔原理》中提到的一个思考工具，即“相互独立，完全穷尽”，需要尽可能的穷举所有的可能性，是从少到多的过程，一方面需要前期深入了解业务现状，基于业务理解，才能提出贴近业务实际的假设，不至于南辕北辙；另一方面，需要尽量突破现有思维框架的限制，这时候可以借助成熟的分析工具（PDCA、层次分析法等）帮助达到MECE。

提出假设的同时，还需要考虑如果假设得到验证，可以采取哪些措施，如果是天马行空无法落地的假设，也是无法产生业务价值、无法解决业务问题的。

拆解维度和指标

提出假设以后，需要去思考用怎样的维度和数据指标，可以验证假设。维度的拆解，需要基于业务理解；指标的确认，需要基于数据思维。

比如在计划补货中，探查哪些原因影响了缺货率的走高，可以假设①补货下单的影响，假设 ②柔性不够增加了缺货影响。在两种假设中，可以拆分维度BU、SPU，去看指标关键指标的变化。

好的开始是成功的一半

分析框架的质量，决定了最终的分析质量。因为一旦开始执行，就很难再会去思考新的分析视角。所以确定好分析框架再开始，其实就是分析成功的一半。一方面，可以试着从关键角色（比如业务执行者、汇报的业务领导）的角度思考问题，跳出所沉浸的问题本身；另一方面，与关键角色、组内同学讨论分析框架，集思广益，尽量减少分析盲点。

同时，基于完整的分析框架，需要与关键角色确定最终的交付产出，如果内容较多，最好能够有分阶段产出的时间规划，双方达成一致，方向对齐。

2.2 判断数据结论

获取基础数据

分析框架确定后，就需要进行数据开发。数据开发的产出结果直接影响了数据结论的判断，对于数据开发过程，一方面是线上数据和线下数据的校验成本不同，线上数据通常是经过清洗的可直接使用数据，线下数据需要确认数据统计逻辑，保证数据质量；二是需要保证数据结果校验，通过极值、空值、异常值校验，反查数据开发逻辑，在保证数据准确性的基础上再进行数据结论判断。

数据描述不是数据结论

呈现分析结果时很容易把数据描述和数据结论混为一谈，但二者是两个层面的输出。

数据描述是数据的表现和现状。数据描述尽量图表可视化，但不要为了可视化而可视化，数据的目的，是以能说明问题为出发点的，尽量不放和结论无关的数据图表。

数据结论是对于数据描述的解读。结论需要尽量精简表述，同时站在阅读者的角度上思考可读性，都是可以降低阅读者心理门槛的。

蓦然回首，那人却在灯火阑珊处

这一重，是基于数据结论得出业务建议的过程。这是数据分析的最终目的，帮助发现业务机会，发挥业务价值。最终实现第三重境界：业务发展的过程中，总是在寻找业务突破点，通过数据分析结论和业务建议，会发现原来业务过程中未曾留意的落地价值点。

3.1 提出业务建议

业务建议是基于结果指标到过程指标的拆解，提供给业务的可落地方案。有价值的业务建议是基于清晰数据结论，加之业务了解的基础上得来的。业务建议是可供业务讨论优化的，如果没有业务建议的分析，是容易让业务执行陷入决策瘫痪的，从而放弃业务落地和改变，继续原来无需改变选择的舒适圈。

3.2 传达分析结果

最终的结果汇报，是讲故事的过程，其实很依赖于分析师的经验，在这方面，仅能以不太多的经验做一些总结记录。

在精不在多

不要写冗长的报告，报告内容在精不在多。报告的价值体现不在于长度，而在于结论、观点和建议。

好的开头，好的结尾

好的故事开头应该直截了当的告诉阅读者，观点和结论是什么。让阅读者既获取了整体内容大纲，也带着问题继续主要内容的了解。好的故事结尾应该是业务建议，既建议业务应该采取什么样的行动，并能够给出业务行动带来的价值改变。

当然，并非所有的应用数据解决问题的路径，都必经过这三重阶段。比如，如果只是想知道昨天的库转是多少，那只要经过第一重阶段就可以获得结果了。但这三重阶段，按我现在的理解，基本覆盖比较全面的数据分析过程，也希望在后续的分析工作中继续积累，与各位共勉。

作者简介

九乐(le)，网易严选数据分析师，数据路上的求知者，负责严选供应链计划的分析工作。

分享，点赞，在看，安排一下？