一个套路，拆解常见数据分析需求

编辑导语：在进行一项业务时，数据分析往往是很重要的，业务人员会提出比较多的分析需求，这时数据分析师需要进行分类和分析；本文作者根据自己的经验，整理了一套定义问题的方法，希望对你有帮助。

一、现实与Kaggle的区别

现实环境的数据分析工作和Kaggle题目之间，最大的区别在于Kaggle上的问题往往非常清晰。

预测类问题，你只需要把预测做的足够准确就能拿高分。

但在实际的业务环境中，你做了一个很牛逼的预测模型，换回来的只是业务方一句“这个有什么用？”

有时候业务方提出的问题也很不靠谱，提需求的时候说是要分析一个问题的原因，结果实际上问题根本就不存在，只是对方的感觉。

所以如果你在Kaggle上可以混的风生水起，那么只能说你对于确定性问题的解题方法掌握比较好。

但到了实际业务环境下，识别问题成了一个更重要的能力。

业务人员提的数据分析需求往往很杂，各种千奇百怪的“是不是、有多少、为什么、能不能、会不会，怎么办”等问题层出不穷。

到底哪些问题可以归为一类？这类问题又该如何分析？这是每个数据分析师都想知道的。

我根据自己的经验和理解，整理了一套定义问题的方法，分享给大家。

二、一个业务分析需求的必备要素有哪些？

一个业务分析需求，必备的要素有哪些？

上一篇提到了一个思考框架，业务流、管理流与数据流。

这里简单复习一下，一般常见的分析流程：

1. 是什么

用数据流反应管理流，解决“是什么”的问题。留存率是多少，算高算低？如果留存率低的话是哪类用户低？

我一般把常见的细分分析得出的结论，都归纳成“是什么”。

“为什么购买转化率低？”，“因为落地页的转化率低”。

类似这样的回答，其实只是对转化率做了细分，本质上还是“是什么”。

真正的“为什么”是“为什么落地页的转化率低？用户到底在想什么？需求是什么？”

2. 为什么

用数据流反应业务流，解决“为什么”的问题。

什么原因造成一部分用户的留存率低？是因为需求无法满足？还是非目标用户群体？

如果是落地页转化问题，那么现在落地页上的问题是什么？哪些元素降低了转化率？

这类问题的答案要落实到具体的用户需求上。

有时候数据可以反应用户的实际使用情况，比如用户在落地页上停留较长，也愿意查看活动规则，但是转化率很低。

那么这种情况大概率是用户被卖点吸引，但是看不懂规则，或者实际活动与他的理解不一致。

很多情况下，数据没法直接反应用户遇到的问题，必须通过用户调研实现。

3. 怎么办

在管理流中找对策解决业务流的问题，解决“怎么办”的问题。

如果是需求无法满足这部分用户，那么我们可以怎么解决这个问题？增加功能还是优化现有功能的体验？

有时候，这一步并不一定是数据分析师来做的，甚至不是从数据上推导的；上一步的“为什么”如果已经找到非常具体的原因，比如“A类用户流失主要是由于会员到期”，那业务方围绕着如何促进续费就能改善这一状况。

4. 目的

除了分析的常见流程，还有一个分析的前提——这次分析的目的是什么。

这个目的往往是改善某一个具体的指标。

我虽然经常吐槽业务人员没有数据驱动业务的思维，但是在KPI问题上，业务人员对数据思维往往非常好；如果做的事情没办法用数据衡量，对业务人员来说价值不大。

所以，一般来说，一个数据分析需求一共要经过四个阶段：

目的：确定分析的目的，优化什么指标。

是什么：确认现在的指标情况“是什么”，问题集中在哪个部分？

为什么：现状为什么是这样，用户的需求是什么？

怎么办：制定什么样的对策来优化指标。

三、常规的数据分析问题类型

最常规的问题类型，是业务方知道前面N个环节，需要分析后面的环节。

比如最常规的，只知道目的，后续都需要分析。

用户运营找到数据分析师，想要做一个专题分析，主题是如何提升用户的活跃率。

这个问题的目的很明确——“提升用户活跃率”。

但是后面的部分就没那么清楚了，数据分析师可以按照之前提到的四个步骤一步一步地向后推进。

首先要做的是“是什么”，把现有的用户活跃率的数据提取出来，看一下目前的数据表现如何。

如果数据表现确实不太理想，那么再看看到底是整体都低，还是有部分群体特别低。

之后是“为什么”的阶段。如果有部分群体活跃率特别低，那么这部分用户为什么活跃率低？他们的需求是什么？

最后，针对新用户的问题，制定对应的业务动作；如果发现这部分群体只使用一些基础功能，那么如何引导他们使用高级的功能？

这样一个完整的分析基本就完成了。

其中的具体分析细节本篇暂时不讨论，放到下一篇再讲，这篇主要讲一下整个分析思路的框架。

这类问题是知道前面N个环节，分析过程都是类似的，向后分析即可。

四、验证猜想型需求

其他的数据分析问题，可以用一个表来归纳。