起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識四個方法，拯救你平淡的數據分析報告
編輯導語：數據分析報告太平淡，沒有實際價值，也沒有建設性意見，怎么辦？本文作者介紹了四個方法，分別是標桿分析法、業務診斷法、機會識別法、概念測試法，助力大家的數據分析報告更上一層樓，一起來看看吧。
為什么“數據分析報告太平淡，只是陳述事實，沒有建設性意見”是很多企業的抱怨。
“數據分析建議要可行，有建設性，能產生效果”也是很多企業的要求。
問題是：咋做到呀！
通常來講，有四種方法，可以從數據中推導出高質量、可落地、可見效的分析結論。但是，并沒有一種方法是包治百病的仙丹。每種方法都有特定的使用場景和難點，今天和同學們系統的分享一下，以供參考。
一、標桿分析法
標桿分析法的思路很直接：找一個做的好的標桿，直接復（chao）刻（xi）標桿的做法。既然別人這么做能成功，那理論上我們這么做也能成功。標桿分析法的步驟：
- 明確要分析的業務線及分析目標（收益最大化？增長速度最快？用戶體驗最好？）
- 在該業務線中，圍繞目標，尋找可作為標桿的對象（目標不同，標桿自然不同）
- 剔除異常情況，歸納。比如運氣/行業紅利/特殊資源（確保標桿可復制性）
- 總結標桿特征，導出分析建議（學習1、2、3、4做法，即可成功）
- 進行測試，檢驗標桿效果（最后行不行，還得試一試）
比如，做銷售分析，在推導分析結論的時候，就不是簡單地說：“銷售業績低了，建議搞高”。而從銷售隊伍中樹立標桿，總結特征，復制行為（如下圖）。
標桿分析法適用性很廣，但是有三個明顯缺點
- 缺點1：異常難剔除。所謂“失敗的大致相同，成功的各有特色”，一般標桿都或多或少有不可復制因素，很難讓人100%信服。
- 缺點2：特征總結難。相當多特征是難以量化的，特別是人主觀努力與個人素質。
- 缺點3：時代局限性。有些方法在過去管用，現在不見得管用。
特別是在復制外部標桿的時候，常常因為數據采集不全，導致找一個“外表內美，內部拉胯”的同行案例做標桿，此時就更容易翻車。
二、業務診斷法
業務診斷法的思路也很直接：找到目前業務哪里做得不好，哪里不好就改哪里，改完就好了。注意：所以叫業務診斷，是因為最后輸出的結論，應該是指向一個具體的業務行動，而不是簡單的扔一個“XX指標低了，要搞高”出來（如下圖）。
做業務診斷法的步驟：
- 建立監控指標（一般做漏斗分析，或拆解分析）
- 樹立判斷標準（現有判斷好壞的標準，才能下結論）
- 發現當前短板（轉化漏斗最弱一項，拆解中最弱一項）
- 追溯業務問題（這里的弱，是因為運營/產品/價格/……導致的）
- 給出診斷建議（基于業務條件，評估改善可行性，給出建議）
這里最難的就是第四步。想做好第四步分析，需要對業務流程做詳細拆解，并對具體做法打標簽，才能做深入分析（如下圖）。
注意：第五步給建議的時候，也可能不是哪里弱補哪里，而是“以強補弱”（如下圖）。
這樣基于業務現狀+歷史數據，對建議進行簡單的可行性評估后再給出，會讓建議更有說服力。業務診斷法的缺點是很明顯的：第四步容易被卡住，成為業務方互懟的導火索。特別是問題發生在轉化漏斗的末端，大家都有責任的時候，更容易引發爭吵（如下圖）。
此時，需要花特別多的精力，把這幫人的各種說法論證清楚，不然分分鐘會被人當成對戰的棋子，懟得死去活來。
三、機會識別法
機會識別法和標桿分析類似，但是不是拿整體作為參照對象，而是從細節里找思路。最典型的，比如發展了一群客戶，質量有高有低，這時候有兩個典型的做法：
- 從現有用戶里，挑出高質量群體，單獨看該群體畫像，思考如何做大該群體。
- 從用戶畫像角度，挑出理論上高質量群體，再看目前獲取數量，思考如何做大。
這樣就是所謂的：機會點識別。
所以叫機會點，是因為：到底是否能做大，做大了到底好不好？在眼下是不清楚的。很有可能顧此失彼，為了服務一個群體，得罪其他用戶很有可能因小失大，多賺了一個群體錢，流失其他用戶很有可能鏡花水月，單一群體數量太少，無法撐起大盤總之，得實驗，實際測試幾次，才只能看出數據變化。
這也是機會識別和標桿分析最大區別，標桿分析看得是實際上已經成功的樣本，機會識別的，真的就只是一個機會。
機會識別法的弱點也是很明顯的：嚴重依賴業務配合。
如果業務方懶得給出配套方案，那就永遠無法測試這個機會點到底能不能成。更糟糕的是，在沒測試前，到底是不是機會，是無從定論的。于是，業務方會簡單按照：是否這個機會與老板觀點一致，進行判斷?？傊?，老板說這個好，這個就好。老板沒說過，那就不好……這更讓客觀的機會識別無法進行了。
四、概念測試法
以上三種方法，都是基于已發生的數據做推導的。也可以完全沒有數據，憑著業務方靈光一閃：“我有一個好點子！”然后直接拿來測試。這是完全OK的。常用的ABtest方法也是滿足這一需求。
但注意，很多業務上測試，實驗的是一整個流程的SOP，并非一個孤立的頁面。因此在設計實驗的時候，一定要對測試的流程做好拆解，在可能影響實驗的節點上，打好業務標簽，這樣才能在事后分析的時候有據可循，做迭代的時候也有方向。不然只看最終的結果，還是看不出所以然來（具體拆解方法，參考業務診斷法的做法）。
概念測試法的缺點也是很明顯的：概念是人提的，數據不會撒謊，人會！
比如：為了維護自己面子，即使新版本改善不明顯，也非得說丫明顯。比如：為了讓自己見效，搞“瘸子里邊挑將軍”，把B方案做的明顯爛，或者換湯不換藥，搞個和A方案差不多的B來比，反正最后都是自己的主意勝出。至于上線后對業績改善不明顯？好辦，直接把鍋甩給數據分析，說ABtest說的不準即可。
五、深層思考：讓數據見效真難
這個問題的本質，不是“數據有沒有用”而是“真的每個公司都能成為天下第一嗎？”顯然，很多公司在業務上是先天有短板的，老板缺乏遠見，業務缺少能力，運作不夠規范……
反應在數據上，是：
- 缺少內部標桿，躺在黃歷上吃老本
- 缺少業務標簽，干業務全靠拍腦袋
- 缺少測試動作，只在紙面坐而論道
- 缺少合理的AB方案，拼命證明自己是對的
- 缺少科學態度，在缺少以上四樣的東西的基礎上，指望數據分析師，憑借著現有數據庫里殘缺不全的交易記錄，分析出驚為天人的救命仙丹
數據救不了這種公司，換誰來都不好使……而做數據的同學，一定要努力多掌握幾種方法，多做一些嘗試，這樣才能識別出：到底是我的思路不到位，還是公司環境真的太差。畢竟學到的本事是自己的，這家公司不好，還能換下一家。
#專欄作家#
接地氣的陳老師，微信公眾號：接地氣學堂，人人都是產品經理專欄作家。資深咨詢顧問，在互聯網，金融，快消，零售，耐用，美容等15個行業有豐富數據相關經驗。
本文原創發布于人人都是產品經理。未經許可，禁止轉載
題圖來自Pixabay，基于CC0協議。
專欄作家
接地氣的陳老師，微信公眾號：接地氣的陳老師，人人都是產品經理專欄作家。資深咨詢顧問，在互聯網，金融，快消，零售，耐用，美容等15個行業有豐富數據相關經驗。
本文原創發布于人人都是產品經理。未經許可，禁止轉載。
題圖來自Unsplash，基于CC0協議。
該文觀點僅代表作者本人，人人都是產品經理平臺僅提供信息存儲空間服務。
陳老師一看就是踩過不少坑
高質量、可落地、可見效的分析結論不容易推導出來的