數據分析作為各種業務找到問題的核心，需要定位問題，找出解決的方案。本文結合具體案例，總結數據分析在產品中的應用以及相關方法論，希望對你有所幫助。

一、什么是數據分析

數據分析的核心是是利用數據發現問題，定位原因，找到解決方案或提出建議的思維，所以分析工具并不是最重要的，也不需要一開始就學Python、爬蟲等；對非專業人士來說，其實用Excel就能夠滿足大部分日常訴求。

數據分析3要素：數據、統計/分析方法、結論。

1）沒有準確、豐富的數據，無法進行分析；

2）沒有恰當的方法、工具，很難對數據進行加工、找到其中的規律；

3）沒有形成結論，則相當于沒有結果，半途而廢，數據價值大打折扣；

二、數據分析應用案例

舉一個數據分析在產品工作中“發現問題-設定假設原因-驗證原因-解決問題”的例子；

【分析過程】

第一步：拆解指標

凈利潤額=總銷售額-總退費額-總成本

總退費額=退費客戶數平均退費金額=（總購買客戶數退費率）* 平均退費金額

通過拆解，可以發現總購買客戶數、退費率、平均退費金額都是影響總退費額的因素，為了進一步明確原因，需要輔助數據分析手段。

第二步：發現問題——如何發現問題？

拉取最近一年的退費明細訂單數據，匯總加工處理后，發現問題：【繳納定金后退費】金額占總退費金額比例不到5%，而【繳清全款后退費】占比高達95%。

明顯后者退費占比異常偏高，所以我選擇繼續下鉆分析【繳清全款后退費】的數據，并嘗試羅列出明顯規律：

1）學生完課率越高，退費率越低；完課率與退費率呈現負相關；

2）未上課退費、已上課退費分別占比 70%、30%比例；

3）已上課退費中，按已上課次-平均退費金額進行分布統計，發現兩者呈現負相關，已上課次越多，退費訂單數越少，且退費金額越少。

第三步：明確核心問題——什么是最核心的問題？

從第二步來看，未上課退費、已上課退費均有可優化的空間，并且一些維度之間存在正向或負向的影響關系，為了讓邏輯看起來更清晰，我嘗試建立各個維度之間的關系（相關關系or因果關系?），來幫助決策明確核心問題。

藍色為已知數據維度，綠色為引入的數據維度。

【學生滿意度和興趣度】雖然是源頭，但此指標難以量化、沒有統一固定標準、數據不方便實時收集，所以不符合指標的要求；而【上課次數】與退費雖然是負相關關系，單并不具備因果關系，用上課次數來衡量退費也明顯是不合適的；相比之下，【退費率】是一個好的指標，把【退費率】作為第一關鍵指標（OMTM原則）；又因為【未上課退費占比明顯異常偏高】，所以把“降低未上課退費率（目前占比70%，正常約30%）”作為核心要解決的問題。

第四步：探究核心問題的原因——哪些因素有可能造成此原因？

明確問題后，需要從結構化的角度拆分可能會造成問題的原因。從用戶、競品、產品或服務3個層面，以及結合了產品A的付款-上課業務流程，繪制圖如下：

這一步是以教育行業為例，其它行業可以根據自己的業務場景來窮舉，重點是要全面，指標之間盡量獨立。

可能看到這頭都大了，這么多的原因，哪個因素是核心原因？為了找到核心原因，我把每個因素進行“假設—驗證—結論”，分析結果如下圖（灰色為排除項，紅色為高度相關項）；
最終確定了兩個重點原因：

1. 付款后維護服務不到位，家長體驗較差，導致未上課退費金額高；
2. 付款后長時間未排班、排班時間不符合家長預期，導致未上課退費金額高。

這一步的重點是問題-假設-數據驗證-結論方法，每一個指標的細節可以先不用看~

第五步：驗證假設——如何驗證假設，如何證明？

找到主要原因后，還需要證明該假設成立，因此我設立對照組，分別按照不同門店的退費金額，按服務質量好-差、成功排班速度快-慢，來進行對照數據分析，為了盡量排除干擾因素，選擇了同一區域、人員結構類似的門店進行數據歸類，經過排查，已能證明該因素確實是核心影響因素。

第六步：確定解決方案

雖然找到了主要原因，但還需要挖掘深層次的原因，繼續重復上面分析的過程，接下來針對問題進行方案設計，提供對應的功能，并建議制定業務規章制度，以達到期望效果；在此過程中，值得注意的是并不是所有問題都可以通過產品功能解決，尤其是涉及流程調整、監管，是非常需要業務部門的支持、協助的；產品除了要產出方案，還需要組織會議，協調資源，推進達成共識，正式立項。

進行到這里，基本上能很完整的確定解決方案，并且整個過程均有豐富的數據支撐，可行性非常高，甚至可以預見幾乎不會有上線誤差。

最終： 我取得的成果

• 發現了退費環節的重要問題，并提供了建設意見；協調多個部門共同完成了項目管控、推進落地工作；
• 通過3個月的使用，再次檢測數據：未上課退費率由70%降低為40%，已上課退費率無明顯變化；
• 退費金額整體降低了30%，按照比例折算，整體利潤增加了8%，超額完成目標。

1、源數據會對數據分析結果產生直接影響，在分析時，選取數據要盡可能覆蓋全面、精準度高；此外要特別留意異常數據，一定要剔除因設備、軟件、個人等原因導致的異常數據，這些數據一不留神會導致分析結果與實際客觀情況大相徑庭；

2、數據不是唯一的參考標準，雖然數據是客觀的，但分析數據的人是主觀的，同一份數據不同的人可能有不同見解；看數據的同時，需要結合個人對產品的一些既往經驗，或者輔助用戶訪談、問卷調研、A/Btest等方式進行綜合全面的分析；

3、在結構化假設原因時，維度要盡可能的齊全，可以從用戶、競品、產品服務3個角度思考，并且對照著業務流程，來盡可能羅列相關影響因素；

4、當維度較多時，比較好的方法是將數據分組，觀測每組數據是否有異常；比如按渠道入口分組，看是否某個獲客渠道的數據異常，或按用戶的地域/購買時間/下單頻率等等分組。

三、方法論

1. 如何學習一門新的課程或知識

我開始以為數據分析是分析師才需要掌握的，并且覺得比較難；但隨著工作上思考加深，發現方方面面都可以用到數據分析思維，所以萌生了加深學習的想法；這里推薦給大家【道術器用】四層次法，從思維、方法、工具、實踐四個方向對照自己掌握的技能，逐步豐富自己的數據分析技能樹，快速查漏補缺。同時這個方法也非常有助于思考深度的鍛煉，可以應用到各個課程學習上。

2. 常用的數據分析方法

結合實際場景和需求，可以采用多種分析方法組合分析，下面是一些分析方法論：

3. 數據分析更多應用場景

不只是分析問題時可以用到數據分析思路，在職場匯報、簡歷編寫、甚至購買基金，都可以找到數據分析的影子，可以嘗試以下應用場景。

以上，就是我今天的分享啦，總結一下：數據分析代表了一種方法，一種辯證、推理、思辨的思維方式；不只是數據分析師、數據產品需要具備數據分析能力，每個人都可以應用這項能力給自己加分，把這項能力舉一反三應用到生活和工作的各個場景中；用好這個“大招”，能更輕松地跑贏一部分人，更快地升職加薪，也能讓自己的簡歷更突出。