数据分析避坑指南-分析思路篇

在之前的文章《数据分析，竟然这么多套路！》中介绍了一些常见的分析模型，有跟大家重点强调，数据分析的第一步是“确定问题”。

场景1：

首先还是老套路，给大家一个选择题：

这是比较常见的场景，为了“确定问题”，我们首先需要明确指标的口径，尤其是有分子、分母的指标，更要清晰分子、分母的定义，否则容易导致“定义谬论”，所以答案是C。

这是笔者遇到过的真实案例，当时业务看到的“跳出率”，是“APP跳出率”，即【跳出APP的人数/页面访问人数】，但对于活动页面的场景，更常规关注的指标是“页面跳出率”，即【页面无点击行为人数/页面访问人数】。所以如果一开始指标的定义就没搞清楚，就开始启动探查和分析，很容易导致南辕北辙。

场景2：

刚才这道题是不是很简单？现在给大家上点难度。

选A的朋友，请控制情绪；选B的朋友，请冷静下来先思考下。

这个场景，其实是比较典型的辛普森悖论，是否可以根据整体指标的下降、就断定活动效果不好呢？

还得按照目标人群去拆分观察，比如按活跃度拆分（非真实数据）：

神奇了是不是，每类用户群的指标都是上涨的了！

这就是辛普森悖论，即分组都较优的情况下、整体却反而会变差，主要原因是分组的占比相差大，占比低、表现弱势的用户群，随着占比提升、会影响整体的表现。

针对这个问题本身，其实本质情况是沉默用户、新用户占比升高，这个就可以结合活动的策略及目标，判断是否是问题，再进行分析。

场景3：

还是这个业务同学（他的问题有点多hhh），某天突然找到你，神神秘秘地说自己有个大发现：

这是“相关因果谬论”，误把相关当因果，花和刮胡刀、按摩椅都卖得好，可能是跟父亲节、端午节等节日有关，而不是卖花能导致刮胡刀、按摩椅卖得好。

因此分析师需要深入了解业务，才能探查现象背后的本质，避免发生相关因果谬论类的尴尬。

以上是在判断问题时，几种较常见的坑，而对于分析师来说，还有一种更常见的坑，叫“乱七八糟胡乱分析”坑。

之前的文章有介绍过矩阵分析、杜邦分析、交叉分析等方法，而一些分析同学在具体实践时，很容易狂堆各种维度，什么用户画像、商品画像、场景画像，噼里啪啦一堆取数，各种盲目地交叉分析，最后整了个几百M的Excel，但是啥有价值的结论也没探查出，然后开始怀疑人生......

那有哪些方法可以帮助我们梳理思路，或者说明确分析框架呢？常用的思路有以下几种：

1、业务流程驱动：业务流程既是了解业务的基础，也是常用的分析框架，需要清楚“结果”是由哪些“环节”导致的，且明晰各“环节”可能与结果相关的因素，就容易探查出相对本质的原因。

例：某商品发生缺货，可以梳理出商品供应的关键节点，评估各个节点上可能的原因，再通过数据去论证。如缺货可能是在做销量预测时即偏低，也可能是下单环节为了控制库转、保守备货，只有梳理清楚相关节点及影响因素，才更容易得到有价值的结论。

2、部门职能导向：数据分析是为了明确问题，且定位到具体执行的人或部门，这样才容易推动落地。因此在梳理分析框架时，可按照部门职能，分模块进行分析。

例：活动分析场景，活动分析的维度众多，复盘活动效果最常用的思路之一，就是按活动的负责部门去分类，定位每个部门的好坏、给出相关策略建议，如下图（非真实数据）：

3、策略目标导向：在做业务分析、尤其是复盘时，分析师经常会遇到无法“判断好坏”，或无法找到分析切入点的情况。很多情况还是归因于“不够了解业务”，既然做分析复盘，还是需要明确业务当时的目标是什么、有哪些策略、策略的方向和目标是什么，以此为基准、确定分析方向，会更加符合客观情况，也更容易与业务达成一致。

例：如下图针对促销活动的分析（非真实数据），可与业务梳理和明确活动目标、策略情况，形成自己的分析复盘的框架：

这次跟大家介绍了在【定位问题】和【确定分析思路】时，常见的坑及解决方法，也希望大家遇到类似的场景时，会多些谨慎、多些思路。

数据分析路漫漫，大家在做分析时有遇到什么坑吗？欢迎分享。

后续笔者也会从分析报告、数据开发等角度，多跟大家分享一些案例和方法，敬请期待哦。

分享，点赞，在看，安排一下？