都快2021年了，居然还有数据分析师不会MECE
几乎所有数据分析的书、教程、文章，都很政治正确写上MECE作为数据分析的准则。这东西很快又成为一个数据领域的“咕咚来了”：
到底啥是MECE
为啥非得MECE
我做的是不是MECE
一大堆问号没人回答，今天我们系统讲解一下。
MECE，是Mutually Exclusive Collectively Exhaustive的缩写，简单归纳成8个字：相互独立，完全穷尽。听起来就很厉害呀，如果能完全穷尽，那分析肯定是无懈可击。问题是：怎么做到呢？来个最直观的例子：
问题场景
项目组的张雨萱小妹纸又迟到了！上个月居然迟到了19天！原本同事们迟到个两三天，HR是不会管的，可这一个月19天迟到也太夸张了，于是告到领导那里。
妹纸哭得梨花带雨地来投诉：
那项目组好多人都迟到呀，你们也不管
那遇到下大雨全程堵车呀，你们又不管
那临近项目上线，就是搞到很晚呀
那前一天加班了，就是会到的晚呀
……
问：该咋分析实际情况？
新手数据分析师，马上拿个笔在这列清单：
迟到原因1：堵车
迟到原因2：下雨
迟到原因3：项目上线
迟到原因4：加班
迟到原因5：自己懒
迟到原因6：其他
这么干的话，他们很快会发现：各种原因是交织在一起的！下雨了又自然会堵车，加班和项目上线也是经常重叠的，懒和所有问题是重叠的。然后又有可能既下雨又加班又很懒……根本扯不清到底影响多少。即使都扯清了，还有个其他在等着呢。于是又情不自禁的想要百度《多因素独立检验模型如何构建》，或者去微信群问“有没有头腾阿公司的HR分析大佬，急，在线等！”了。
这就是没有用MECE法则拆解问题的坏处：数据分析毫无逻辑，变成了单纯的拉交叉表。实际上很多新人就是这么干的，遇到问题，把渠道、时间、产品、用户等维度拉出来，和问题指标一一交叉，交叉完看到哪个柱子低了：就它了！最后被人质问：多种原因交织的时候怎么区分？就回答不上来了。
MECE第一步：确定目标。
注意，现实中就是一个问题多个因素缠绕在一起的，因此到底怎么把问题归类，首先取决于决策的目标：想赶尽杀绝还是可以放人一马。比如眼前的问题，首先要做的是分清楚：到底是想怼妹纸，还是帮妹纸。
怼人：严格要求，只要参合一点个人因素，就是你的问题！
帮人：宽松要求，只要发现能用外因解释，就不会归罪个人
明确了目标，就能在多因素混杂的时候把握好尺度，从而避免思路跑偏，直扑核心问题。
MECE第二步：分步骤梳理问题。
注意，相互独立，完全穷尽，是MECE操作完的最终结果。并不是要求一步到底，一下就能穷尽所有原因。在每一层原因分解的时候，用二分法才是最便捷的实现相互独立，完全穷尽的要求，因此分析问题的逻辑层次可以很多，但每一层用的指标尽量少，切分的清晰一点。
比如，如果定了：帮人，看看是不是真的工作量太多，这个大目标。那么分解问题的时候，第一层可以切：加班/未加班。这是一个二分类，肯定是独立+穷尽了。然后把所有前一日有加班记录的日期，都标为：有加班（如下图）。
第二层，可以把大家集体加班，还是只有一个人加班区分出来。这又是个二分类，在这一层还是独立+穷尽哦（如下图）。
第三层，自己加班，也有可能是工作量太大引起的，所以这一层可以再分解（如下图）。
注意：分析的最终目的是能指导业务改善，因此分析逻辑应指向业务可以落地的地方。比如这一条逻辑的拆解，是完全没有考虑天气问题的。因为工作量多少，是领导可以安排的；法不责众，是领导可以接受的。在业务能动性范围内讨论的时候，尽量不要扯业务不能控制的因素，这样能直接导向一个有用的业务结论。而不是一上来就扯天气，最后结论是：“请领导学习如何呼风唤雨的魔法”——这样铁定被批。
类似地，在分解第二逻辑分支的时候，既然大目标已经定了：要帮人。就可以用“下雨了，全城堵车”之类的理由来开脱。注意，这里又有个小技巧：选择切入维度，选可量化的维度。
比如下雨“下雨了，全城堵车”听起来是个好理由，但是：
如何量化下雨？
小雨、大雨、暴雨？
小雨也堵车？
堵车就一定迟到？
这些都很难量化清楚。所以可以换个更简单的量化方法。“下雨了，全城堵车”指向的结果是：“大家都会迟到”。那就直接看“大家是否都迟到了”就好了（如下图）。
MECE第三步：代入数据量化。
做数据分析，不谈数据就是耍流氓，定好分类逻辑以后，就得按逻辑填入数据，最后数据说话。
脱离计量谈毒性就是耍流氓，因此代入数据后，首先得看各类型问题的占比。问题比例本身就能很大程度上说明问题。这也是用MECE法拆解问题的最大优势：避免被个例子带歪，大家看着数说话（如下图）。
MECE第四步：导出业务结论。
最后，可以导出业务结论了。业务结论包含两个方面：
第一：来自整体结构的判断。小妹纸到底是主观懒，还是客观原因多。
第二：对每一个细化问题点的小结论。到底要辅导工作，还是简单放过去。
做完了推断，还能直接设定观察指标，持续观察问题走势。观察包括：
数量变化：是不是迟到天数减少了。
结构变化：是不是因为客观原因的天数减少了。
细化问题点变化：因为工作分配导致加班天数，是不是在消减工作量后减少了。
这样分析逻辑+业务行动+数据跟踪，就能很清晰的看到是否在数据指导下解决了问题，从而达到良好的数据驱动的作用。
对数据分析师而言，最大的障碍来自：不懂业务，不会沟通业务，不会推动业务。把数据分析当写作业，反正数据库里有这几个现成的维度，我把所有的对比都做出来，哪个低了就说哪个有问题好了。
对业务方而言，最大的障碍来自：特立独行，不看数据。逮住几个个案讲的头头是道，怎么用数据量化，怎么用数据考核，一概不谈。要么干脆不动动上升到态度层面，更没法量化考核了。
数据分析的优势，正是能够对抗业务发展中个案、情绪所带来的判断失误。因此认真梳理业务逻辑，清晰目标，逐级推导直到落地监控，才是拨云见日的好办法。当然，看完以后，有同学会说：能举个运营的例子不？有兴趣的话，本篇集齐60在看，我们下一篇分享。
Go to "Discover" > "Top Stories" > "Wow"