數據分析問題是業務人員和數據分析人員之間的紐帶，學會提一個好問題是分析問題的基礎。但究竟什么樣的問題算是一個好問題。

日常工作中，我們經常會遇到一些很奇葩的需求。

這些需求描述的問題很模糊，或者需求方自己都沒有想清楚到底要分析的是什么。

這種不合格的問題會導致花費大量時間在需求溝通上，或者干脆給出一些不痛不癢的分析。最后業務方對分析結果不滿意，分析師怪業務方需求沒有說清楚，最后大家互罵一句“傻瓜”。

數據分析問題是業務人員和數據分析人員之間的紐帶，學會提一個好問題是分析問題的基礎，我們之前講了很多內容是關于如何分析問題，但究竟什么樣的問題算是一個好問題。

好問題的基本結構

《金字塔原理》介紹了一種序言的結構，也就是大名鼎鼎的SCQA結構，即背景、沖突、疑問、答案。

這種結構可以用來作為我們提出數據分析問題的一種結構，按照背景、沖突、疑問的結構就能提出一個比較清晰的問題。

不過既然原書中的結構是給序言總結的，我們在應用到數據分析的需求上時得做一些小小的修改。

方差君為思考了很久，總結了一些要點和新的結構形式，感覺很實用。不過由于是個人思考的原創方法，還有瑕疵和改善空間，看完后有意見和建議歡迎交流。

什么是沖突

1. 沖突必須有目標

小明考試成績不及格，只考了59分。是不是沖突？

可能是，也可能不是。也許小明原來的成績只能考30多，這次的目標是超過50分，拿到59分他反而很高興。所以沖突一定得有個目標，同樣一件事，目標不同，就可能不是沖突。

沖突就是一個和目標存在差距的現狀。一個好的問題的標準之一，就是要有沖突。

很多問題的沖突是不完整的，只有一個看起來和“考了59分”一樣的現狀，但是到底目的是啥？沒寫清楚，所以沖突的部分，必須寫上兩部分：目標+現狀。

2. 目標必須清晰

很多目標并不明確，比如說希望廣告更好地觸達用戶。

什么叫“更好”？這個概念太過模糊。

是指觸達更多的用戶，還是觸達的用戶轉化率更高？這完全是兩種不同的需求方向。

如果是希望觸達更多的用戶，到底是要觸達多少用戶？100萬還是200萬？如果是希望轉化率更高，那么想要提高到多少？5%還是10%？

目標具體到數字這個要求對于一些探索類需求可能不適用，探索類需求本身并不清楚能找到哪些結論。不過大部分的公司和數據分析師估計根本沒有時間做探索型分析。

目標清晰的這個要求雖然很基礎，但是估計已經可以拍死一大批需求了。

3. 現狀和目標必須邏輯相關

好問題的目標現狀和疑問之間邏輯是相關的。這里會用到一些邏輯思維的知識。

邏輯不相關的案例：

• 目的：我們需要解決一個問題
• 現狀：目前的方案需要X元的經費
• 問題：是否需要批準該方案？

這個問題的目標和現狀其實并不直接相關。

如果我們目的是需要解決一個問題（需要解決方案），那么沖突的現狀應該是現狀沒有方案。

然后如果有了方案，接下去的目的是確定該方案是否經濟且可行，對應的現狀是該方案需要X萬元經費，不確定是否超出預算。

所以這個案例的問題，目標和現狀不是完全對應，雖然有關但是不直接相關。這種問題在邏輯上就是不嚴密的，需要重新梳理一下。

什么是背景

之前提到沖突是有目標和現狀構成的，不過目標的背后一定還有目標。比如：目標是A1產品落地頁的轉化率能夠提升到5%。

這個目標的背后是什么呢？

可能是A1產品的月銷量需要達到100萬，其中用戶數目標是200萬，轉化率目標是5%，人均消費10元。

這個目標背后的目標就是背景。

這個背景可能還需要繼續深挖，A1產品月銷量需要達到100萬的背景，可能是整個A品類的銷量要達到300萬。然后衍生出3個字母表，A1、A2、A3月銷量分別達到100萬。

這就需要一些結構化思維的能力了，日常工作中的復雜目標基本都是這樣被拆解成更小的子目標的。因為大目標往往比較泛，需要靠一個個可落地的小目標來實現。

所以具體分析工作遇到的那些小目標，背后一定還有一個更大的目標，找出這個更大的目標，以及這個目標的拆解結構，把它們說清楚，就可以作為一個問題的背景部分。

什么是疑問

1. 疑問不要太多限制

最后的疑問如果增加了太多限制，分析問題就容易走入死胡同。

要知道，問題本身就是答案。比如你喜歡睡懶覺，所以上班經常遲到，于是你問：有哪些上班不打卡的公司？

這樣的問題直接限定了解決問題的方向，即找到一家不打卡公司，然后想辦法進入這家公司。

但是如果你問：我怎么樣才能改掉睡懶覺的毛??？

這個問題的方向就變成了，怎么樣消除自己遲到的根本原因。問題本身會限制思考方向，所以不宜加太多的限定。

比如之前的案例：

背景：A類產品的總銷量目標是300萬，其中A1產品的目標是100萬。要達成這個目標，A1落地頁的月用戶數需要200萬，落地頁轉化率需要提升至5%，人均消費金額10元。

目標：A1產品的落地頁轉化率提升到5%

現狀：A1產品的落地頁轉化率是2.5%

疑問：如何提升A1產品的落地頁轉化率到5%？

這個問題限定了如何提升轉化率，思路就容易框定在這個范圍內。

如果我改成這個問句：

疑問：A1產品的落地頁轉化率提升到5%這個目標是否可行？

這樣的問法會把分析師引導到一個不同的分析角度，思考整體方案是否要重新設計。

2. 疑問歸根到底是“怎么辦”

想知道落地頁轉化率是多少，是高還是低，其實就是為了看看這個落地頁能否挖掘出新的增量，從而提高整體的增量。

想知道落地頁的轉化率為什么偏低，其實是為了之后的落地頁改版提供決策支持。

所以那些“如何”，“為什么”，“是什么”，“是多少”，“是不是”等等疑問，這些問題中有些問題是另一些問題的前提，他們之間的關系一般來說是這樣的：是多少→是什么→又怎樣→為什么→會怎樣→怎么辦。這其中的邏輯關系，方差君會在之后的模塊二里詳細講解。

所以歸根到底，其實所有的問題最終都是為了解決“怎么辦”的問題。

這幾個問題之間的關系實際上也是數據分析能解決的問題范圍，

這個“怎么辦”也不需要加限制詞，比如怎么做才能達到5%的轉化率？

這個問題雖然也屬于“怎么辦”的范疇，不過違反了之前時候的限制詞的原則，會影響我們的分析角度。

所以，如果說在疑問的環節不知道該怎么正確的提問，最簡單的方式，就是加一句“怎么辦？”

綜上所述，一個高質量的問題的組成結構如下所示。

問題的分析框架

按照上述標準梳理出來的一個標準的分析類問題，一般長這樣：

背景：A類產品的總銷量目標是300萬，其中A1產品的目標是100萬。要達成這個目標，A1落地頁的月用戶數需要200萬，落地頁轉化率需要提升至5%，人均消費金額需要10元。

沖突-目標：A1產品的落地頁轉化率提升到5%

沖突-現狀：A1產品的落地頁轉化率是2.5%

疑問：怎么辦？

有些人會想，最后這個怎么辦問的太寬泛了，完全不知道該如何入手啊。

其實，如果分析需求真能按照這個格式來寫，你就偷著樂吧。

這種邏輯清晰的問題一看就知道后續應該如何分析，相比邏輯不清的問題，不知道高到哪里去。

方法1：改變現狀

沖突是因為有一個和目標存在差距的現狀，所以只要現狀達到了目標，也就不存在沖突了。因此首先需要思考，怎么樣才能改變現狀。

比如上面的案例里，要改變現狀就需要把A1產品的落地頁的轉化率提升到5%。

這和平時的分析也比較類似，唯一的不同是標準的問題讓溝通成本變低，能夠快速了解業務目的，快速開展分析工作。

具體的分析思路因為業務場景的不同而各有不同，這個就需要用到一些數據分析的方法結合業務經驗進行分析，沒什么特別的技巧，只能通過提升分析思維和業務知識來實現。

這里不多做講解，后續的模塊會講到一些分析方法和技巧。

方法2：校準目標

有時候現狀難以改變，就需要從目標這個角度思考。是不是目標出了問題。

是不是目標定得太高了，然后把目標從5%調整成4%就行了？這樣難度降低，目標也就容易完成了。

看過系統性思維文章的同學，一定能想到這樣做的問題。這里的目標調整了，其他的目標也必須跟著調整，否則整體目標還是無法完成。

之前也提到了，目標背后還有目標。目標背后的目標在哪？在背景介紹里。

如何重新校準目標？

還是之前的案例，之前的目標是：A1產品的落地頁轉化率提升到5%。

這個目標的背景是啥呢？

背景：A類產品的總銷量目標是300萬，其中A1產品的目標是100萬。要達成這個目標，A1落地頁的月用戶數需要200萬，落地頁轉化率需要提升至5%，人均消費金額需要達到10元。

背景里的總目標拆分成了三部分，分別是用戶數、轉化率和人均消費金額三個指標。

既然轉化率做不上去，那么就思考一下另外兩個個方向：用戶量和人均消費金額。

只要在其他兩個部分補上缺口，總目標也能完成。不過因為轉化率無法完成，額外的任務會轉移到其他的目標上。

我們可以稍加修改，重新定義問題。

背景1：A類產品的總銷量目標是300萬，其中A1產品的目標是100萬。

背景2：:落地頁轉化率在2.5%且難以提升，因此A1落地頁的月用戶數需要達到250萬，人均消費金額需要達到16元。

沖突：

目標：A1產品的月用戶數提升到250萬

現狀：A1產品落地頁的月用戶數是100萬

疑問：怎么辦？

這個問題的方向就轉移到如何提升用戶數上去了。

有時候在一個問題上沒有進展，可以考慮在另一個問題上補救回來。如果這個問題還是無法解決，可能就得再消費金額上再想辦法。

如果這樣還是分析不出什么有用的信息，那么還得繼續找目標背后的目標，再往上找。

整個的過程如下圖所示：

這樣就能把一個簡單的取數需求，變成一個專題類的分析。最終提供的內容就不再只是那么冷冰冰的數字，而是圍繞目標的各個維度的分析結果和建議。

很多分析師想把需求做深，最大的痛苦就是在于沒有理解業務方的需求到底是什么。這種問題結構可以很好地解決這個問題。

當然，校準目標是一種沒辦法的辦法。很多時候一個目標完成不了，還是自己的分析實力還不夠。想要提升分析能力，繼續關注三元方差專欄，后續的模塊二模塊三將會更深入地講解如何做好業務數據分析。

總結

1. 問題的組成

問題公式：目標的背景+和目標存在差距的現狀+怎么辦。

如果能把問題梳理出以上結構，這基本上這就是一個好問題了。

這樣的結構大家容易理解，交流的成本比較低。而且對于分析師來說，基本上拿到問題，就能知道問題的分析方向有哪些。

2. 日常溝通效率低下的原因

平時溝通需求為什么會效率低下，對比一下本文提到的問題結構，你會發現平時的需求沒有明確的目標，更不要說目標背后的背景了，然后最后的疑問經常會限制在一個非常窄的范圍。

業務方覺得數據人員反正不懂業務，只需要按照自己的要求分析特定方向即可。

而數據人員根本沒有了解業務的機會，反而無法提供有全面的有價值的信息。

本文提供的方法簡單易學，是一種能夠快速解決這種矛盾的方法，值得數據人員和業務人員都好好讀一遍，并在公司內推廣，可以有效提高數據分析的效率。（適用于分析類的需求，不太適合取數類）

3. 要提一個好問題不容易

之前那么多的要點，可以看出想要提出一個好問題需要很多的基礎知識。方差君在之前幾篇中提到的目標思維、邏輯思維、結構化思維、系統性思維幾乎全部都用到了。

單單提一個問題都有這么多的講究，更何況后續更復雜的問題分析部分？想要從事數據分析工作，工具、方法的學習只能讓你入行，想要提升只能不斷完善自己的思維體系。

最后，看一下原問題和優化后問題的問題，感覺一下這種差別：

原需求：A1落地頁的轉化率較低，為什么？

優化后：

背景：A類產品的總銷量目標是300萬，其中A1產品的目標是100萬。要達成這個目標，A1落地頁的月用戶數需要200萬，落地頁轉化率需要提升至5%。

沖突-目標：A1產品的落地頁轉化率提升到5%

沖突-現狀：A1產品的落地頁轉化率是3%

疑問：怎么辦？

感受一下差別，在下一次的需求中嘗試著用這套問題框架問問題吧

#專欄作家#

三元方差，公眾號：三元方差（sanyuanfangcha），人人都是產品經理專欄作家。專注用數據驅動業務增長，擅長數據分析、用戶增長。喜歡閱讀、思考和創作。

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