作為數據分析師，我們每天都在跑數，做分析，但是分析出來的內容總是被他人評價沒有高度。那么，究竟什么樣的數據分析，才能算得上有高度？作者分享了幾點做有高度的分析的技巧，一起來看看吧。

我們經常抱怨：每天工作都在跑數，做出來的東西，總被嫌棄“沒高度”。都是統計計算，咋就需要“有高度”了？今天通過我的一個真實案例，看看數據分析是怎么做到被評價為【有高度】的。

問題場景：某傳統企業的電商部門，市場部領導找到數據分析師，拿了商品當前庫存數據與周銷售數據報表，請幫忙分析。業務方表示：沒有明確分析要求，做一個探索性分析。

問：這個分析該如何做？

01 負分的分析

• 昨天庫存120
• 今天庫存220
• 環比增長83%，建議搞低

點評：懶得點評了，大家自行吐槽。

02 一般的分析

• A產品周銷量100，庫存還有400，還能用4周
• A產品補貨周期為3周，可繼續觀察
• B產品周銷量100，庫存還有200，還能用2周
• B產品補貨周期為2周，建議本周開始著手補貨

點評：知道進、銷、存的數據得連起來看，知道考慮補貨周期，這起碼及格了。

03 有點高度的分析

• A產品有季節規律，目前在周期末尾，預計庫存夠消耗3周，不建議補貨
• B產品已到產品生命周期后半段，每周銷量遞減，應加速出貨
• C產品為非季節性標品，周銷量100，庫存200，還能用2周，本周可補貨

點評：做數據分析工作和上學做作業的最大區別，就是“實際工作中沒有標準考題，只有待解決的問題”。因此并不是說業務部門甩一個數據，就只能看這一個數據的！并且，產品生命周期、自然周期、是否穩定銷售，是不需要業務部門叨叨，數據分析師可以自己通過數據來發現的。因此想發現問題，沒必要等著業務來教，完全可以自己主動出擊。

從業務常識和數據表現兩個角度，發現數據背后的規律。季節性商品：比如冬季保暖防寒、夏季降溫解暑的產品，應季銷量才好，并且如果今年冬天沒這么冷/夏天沒這么熱，銷量會打折，表現在數據上如下圖所示：

生命周期性商品：比如電子產品、每季新款服裝，上市后賣得價格最貴、銷量最好，越往后越不值錢，等季節一換，新款一出，只能降價清倉。表現在數據上如下圖所示：

穩定銷售型商品：比如米、面、油、蛋，紙巾、洗發水、沐浴露，日常生活都需要，可能每周跟著整體銷量（比如門店客流、網站流量）有波動，但大體上不會大起大落。表現在數據上如下圖所示：

這些可以在平時日常數據中就發現規律，積累經驗，不用等業務方叨叨才動手（很有可能，業務方自己清楚這些差異，所以自己動手算了數，也不會再問）。

04 這里有2個小細節要處理

細節一：如果不是經常補貨的產品，而是新款產品，如何預測未來走勢？最簡單的做法是根據產品品牌、價格段，對產品定級別，根據過去同級別、同價格段的產品表現做參考（如下圖）。

細節二：如果周期性銷售產品，受到外部影響，比如下雨了，沒生意，如何評估走勢？最簡單的做法是看影響因素的持續時間，根據過往影響，直接在未來持續時間內做調整（如下圖）

當然還可以用更復雜的預測方法。有趣的是，這種預測會改變業務方的行為，因此不見得需要特別準地預測，比如二分類預測：2周內能銷完/不能銷完，就已經能促使業務方決定清不清貨了。關于預測的更多知識，戳【預測不準，別只會怪數據分析師??！】

這就又涉及到一個關鍵問題：精確度多少能接受。企業里數據分析工作和做作業的第二大區別，就是：“真實工作需要和各部門溝通，不是完了卷子等正確答案的”。

特別是在本案例的場景里：業務部門自己都稀里糊涂，沒有明確目的！此時更不必強行追求計算結果的準確度，而是有了初步結論以后，就能開會溝通一輪，提示風險，了解內情。除非遇到庫存成本特別高且保質期很短的，比如生鮮中進口水果、海鮮，醫療用品中的冷柜存放的疫苗一類的特殊產品。

一般的產品都有一定周轉空間，因此控庫存的最終目標不是100%壓點清倉，而是把庫存控制在安全范圍內即可。所以與其自己糾結要死，不如看看目前市場部的庫存壓力是否能承受。那么，是否有更有高度的分析呢？

05 更有高度的分析

問一個簡單的問題：市場部身為運轉中樞，為啥銷量、庫存這么核心的數據還要跑來問呀！市場部的人跑上門問，這個動作本身就是大問題。敏感度高的數據分析師，在跑數之前就應該感覺到不對勁了。事出反常必有妖，事前溝通很重要！具體情況可能有很多，但有個核心問題要首先解決：業務方到底是真不懂，還是假不懂！

不要笑！不要以為核心數據業務方就真的了如指掌。很有可能之前業務發展順風順水，所以大家都習慣拍腦袋了；也有可能之前吃了行業紅利，真的是母豬飛上天?？傊?，如果是真不懂的話，就需要：

• 建立數據監控體系
• 診斷現有問題
• 提供建議先處理眼前問題

培訓相關人員，建立長效監督機制這樣把商品運營的工作從原始狀態，推進到數字化管理的狀態。如果是假不懂，還要看是缺人手還是缺幫手！

如果是缺人手，需要人幫忙清理數據，這時候牢記：

1. 上產品
2. 上產品
3. 上產品

數據產品才是解決處理數據人手不足的最優方案，不是再招聘幾個Excel boy填坑。Excel boy/Sql boy 的存在，本身就是數據工作的負擔。既浪費成本，又不能體現績效。業務能力強就上數據集市讓他們拖拉拽；業務能力弱就固定看板，然后教他們看。

如果是缺幫手，就得看幫著干什么：

• 某幾款產品運作得不好，想提前清掉庫存
• 某幾款新品想上，想把之前的幾款當標桿，作為支撐依據
• 某幾款產品想大量補貨，但是怕老板不批，想多一個人發聲
• ……

這些目的可不是業務方不表態，數據分析師能直接猜到的。所以業務方想讓數據分析師幫忙發聲，就老老實實表明來意，大家一起合計合計。

確實有業務方，喜歡陰陽怪氣，有想法不說，非讓數據分析師猜，猜不中就說：“好像分析得沒高度，不符合業務期望呀”。這種做法就是在為事后甩鍋做準備，不搭理也罷。

06 小結一下

在企業內談分析高度，和在學校做科研談高度完全不一樣?？蒲蓄I域才講高精尖，用的方法越復雜、越前瞻、越先進越好。企業的目的是掙錢，掙錢講究效率，講究配合，講究實用。因此，有高度的順序是：

1. 結合業務情況 ≥ 單純計算數字
2. 發現業務問題 ≥ 單純鋪陳結果
3. 達到業務目標 ≥ 單純就數論數

在這個過程中，需要有基礎業務理解，需要和業務緊密溝通，需要看具體目標量體裁衣，這才是提升分析高度的最有效手段。