如何用数据分析思维，解决90%分析难题？
什么是数据分析思维？
数据分析的本质，是把思维建立在牢固的事实基础上，通过有逻辑的分析，推理出接近真相的答案。数据分析代表了理性、严谨、缜密的思考过程。
和数据分析相反的概念，就是通过感受或者经验来做决策。但是我们很难将分析建立在虚无缥缈的感受上，很容易出错。
比如说我们定义 BI 的活跃用户的标准，如果有足够的业务经验的话，可以感性拍一个定义，但是这个拍出来的标准对拍的人要求太高了，拍的人不同拍出来的标准也不同。如果用数据分析思维的话，就可以通过分位数法、拐点理论等分析用户编辑次数的分析情况，有逻辑的定义活跃标准。
我们常说的相关分析、回归分析、 SWOT 、 PEST 、都是一些分析的思路和方法。在实践过程中，不是一个方法一路应用到底的，而是组合起来，从搞清楚发生了什么问题开始，到跟踪问题解决结束的。
下面我们通过一个真实的案例——BI打卡营效果分析，按上图逐步拆解，帮大家更清晰地了解数据分析思维。
1日常积累
收集信息，理解业务背景：
这一步很重要，所有的数据分析都是建立在业务基础之上的，没有业务背景，数据分析就没有意义。并且看似相似的业务，背后的逻辑都有可能是不同的，比如 FR 和 BI，都是做数据看板，二者的业务逻辑深挖相差是非常大的。
理解业务背景，就是要理解业务在干什么，为什么要干这些事。真正明白业务的需求，而不是业务让我干这件事。
应用：为了解决业务用户不会用 BI 的问题，将 BI 的新用户（从未使用过 FineBI )以企业为单位，拉到一个微信群中。提前设置好每天的学习任务，新用户完成学习任务后在群里打卡。
2分析前期准备
1、把具体问题转化为需求
数据分析需求：
是什么（评估）：梳理评估标准、单维度定量评估、多维度定量评估、分类评估
为什么（原因）：有假设（验证）、无假设（探索）
会怎样（预测）：基于发展趋势、基于驱动原因
应用：
业务的需求：打卡营活动的效果怎么样，存在哪些问题，可以怎么改进？——评估类、原因类的需求
数据分析需求：通过打卡营活动，结合产品和社区内的数据
- 如何衡量打卡营活动的效果—-定义一个评估标准；
- 打卡营每个环节的转化情况—-评估效果；
- 转化率低的环节应该如何改进—-原因分析。
2、定义问题，总结方法
方法总结：
清晰描述问题（不能听需求者说要一个什么样的东西，而是要了解为什么要这个东西）
划分问题的边界
区分问题类型（是什么、为什么、怎么样）
明确输出产物
- 是什么：明确输出数据、数据报表，明确判断标准、判断依据是什么；
- 为什么：列出原因123，判断哪个原因影响最大；
- 会怎么样：列出预计123。
应用：这一步和上一步的思考逻辑差不多，差别点为需要结合业务背景及定义的最终产出物。此处每个类型的产品物都有涉及，包括：
定义一个评估标准；
评估低/高的原因；
如果改的话，预计会怎样。
4分析过程
1、梳理流程，认清现状
梳理流程的方法总结：
目标要分清，要明确，要聚焦；
拆分过程中达到目标的步骤越细越好；
每一个步骤能干什么框出一个范围；
最后确认数据记录了哪些没记录哪些（没记录的有没有可能多记录一些）。
应用：BI 打卡营活动流程梳理如图所示。
2、明确评判指标
指标可分为两种类型：结果类指标、行为类指标
结果类指标：指向最终结果，相对容易量化，多见于结果类问题（针对结果发问）。
行为类指标：指向达成结果的1、2、3 步骤，相对难量化，但越接近结果则越具体，多见于过程类问题（针对过程发问）。
一般分析过程类的问题，会将行为类指标与结果类问题（指标）进行捆绑，进而综合评估。
应用：
衡量指标定为：
行为类指标：报名人数、每天学习任务完成率、每天任务完成率、任务按时完成率、产品内编辑仪表板的用户率、平均每天编辑仪表板次数…….
结果类指标：用户完成打卡任务比例、用户产品活跃率、用户1个月后的产品活跃率、用户2个月后的产品活跃率。
3、寻找问题产生的原因
寻找原因有两种方法：演绎法与归纳法
演绎法的适用场景：过程清晰的时候，能相对清晰地了解问题发生的逻辑。
归纳法的适用场景：当过程是个黑箱的时候，无法知道具体问题的发生逻辑。
应用：
BI打卡营活动的过程非常清晰，且数据也比较清晰，采用演绎法：
梳理业务逻辑
提出分析假设
验证分析假设
提炼总结
可以提出以下假设：
参加打卡营的用户，产品使用能力比未参加打卡营的用户高
用户光看文档，不能提高产品使用能力
用户通过实操任务，可以提高产品使用能力
第一天的学习任务太重了，很多用户都不能准时完成
第一天的学习任务完成后，可以不用看后面的学习任务，也能得到相同的能力
案例类的学习文档，更能引起用户的学习积极性
……
基于数据分析的结果，验证假设内容，得出结论。
4、评估方案提出分析建议
如何提解决方案，并评估方案的可行性：
解决方案：问题定义清楚后，从方法库中选择合适的建议（过往的经验，对手的经验）
方案是否可行：不违反业务逻辑；符合时间、成本等条件限制；能达成预期目标
利用业务假设，预测问题未来情况：
业务假设法的基础：假设发展趋势不变
提炼业务假设：
- 可变量：一般是业务部门直接努力可以提升的指标
- 假设常量：一般设在一定范围内稳定的转化率指标
- 找关键变量：找到驱动业务的核心因素，才能设公式
- 设定假设常量与可变量
- 设定假设常量范围：通过经验总结
应用：通过上一步得出结论，每一个环节的转化率很低。就可以假设该环节的转化率，通过业务部门的直接努力可以达到多少；假设发展趋势不变的前提下，最终的转化率将提升多少。
5分析后总结
阶段性汇报、总结汇报：
数据分析报告格式：
- 标题页：
1.1 解释基本观点
1.2 概括主要内容
1.3 交待分析主题
1.4 提出问题
- 目录
- 前言
3.1 分析背景
3.2 分析目的
3.3 分析思路
- 正文
- 结论与建议
- 附录
总结下来，第一，有两个流程都在关注：一是业务真正的需求是什么；二是为什么要这个需求。第二，分析过程最重要的是有业务假设，有了假设才能找到原因、给出方案。这两点需要在后续的工作和能力培养中重视起来。
立即沟通
