一、充分利用可獲得數據
在開展一個調研，執行數據分析的階段，我們可以首先去思考下，除了我們調研中設置的數據以外，還有哪些數據我們是可以獲取并進行分析的。從便于理解數據分析思維的角度，我們把數據類型可分為：用戶數據、行為數據、態度數據、產品數據。
用戶數據：是指用戶本身的屬性和基本情況，比如：性別、年齡、身份、職業、地區等，了解用戶數據便于我們在后續的分析階段更好的對用戶進行細分和拆解。
行為數據：是用戶與產品交互過程中產生的數據，即記錄用戶做過什么的數據，常通過產品埋點等方式記錄收集，比如：用戶點擊酷家樂設計入口的次數、在某個頁面的停留時間、查看過的頁面類型/數量、使用過哪些工具類型等，行為數據主要包括用戶做了哪些行為、發生行為的時間等。
態度數據：是用戶對于某個事情或者觀點的態度，通常是通過我們在研究中設置好的問題來獲取，比如常見的：用戶的滿意度、NPS、某個問題對用戶的影響程度等。
產品數據：是產品本身屬性或者具備的數據，例如：產品名稱、產品價格、產品種類、功能個數、產品評論、產品銷量、產品滿意度等。
不同的數據類型可能來源于不同的獲取渠道，有些來自公司內部數據庫，有些是通過自己主動投放獲取，在實際進行業務問題分析時，要有充分調用不同渠道、不同數據類型的意識，不僅關注同一類型數據的表現，還可以分析不同數據類型之間的關聯，從而對業務問題背后的原因進行更深層次的洞察。
二、基礎的數據分析思路
數據分析的目的是為了回答某個業務問題，通常來說，常見的業務問題主要有兩類：
一是業務現狀分析（即通過業務數據分析，來發現當前業務問題）
二是業務問題原因分析（即在發現某個業務問題后，層層深入挖掘問題背后的原因）。
例如，我們在工作中面臨著這樣的業務訴求：當前產品用戶NPS如何，是高還是低？是升了還是降了？產品NPS上升/下降的原因是什么？
1、對比分析法：絕對數據意義不大，要看相對數據
對比分析法是進行業務現狀分析和發現問題最基本的方法，單一的數值并不能說明什么問題。比如，了解某產品NPS達到30%，只了解這個數值是沒有太大意義的，因為并不能判斷這個NPS是高還是低？是升了還是降了？所以只有通過對比分析，才能讓數據變得有意義。
常見對比分析思路：
和行業比：想知道NPS是高還是低，可以和行業的平均水平進行對比，或者和行業內的標桿進行對比。
和目標比：與既定的目標比，來了解當前NPS的距離目標的差距。
和同類/同級比（橫向對比）：和同一行業內/生態內的其他產品水平，找到相對更高或者更低的答案。
和不同時期的自己比（縱向對比）：可以從時間維度來看數據隨著時間發生的變化，也稱為趨勢分析，用來追蹤業務動態是否有異常。
在使用對比分析時，需要注意的是：如果是對總體數值進行比較，那么各對比維度的規模需要一致。
因此，在數據分析中，通常會使用比例或者平均數作為指標來進行對比。例如，對比A地區的總銷售額高于B地區，但并不能直接得到A地區的銷售業績更好，有可能A地區的銷售門店數量遠多于B地區，因此此處用平均銷售額會更合理。
2、多維度拆解對比法：結構化&公式化
（1）結構化拆解：不只對比整體，還要看內部的構成差異
結構化拆解對比，是對業務問題進行原因分析過程中最常用的分析方法。只對比數據整體，無法注意到數據內部各個部分構成的差異。如果忽略這種差異進行比較，就有可能導致無法察覺該差異所造成的影響。比如，某產品銷售額下降20%，背后的原因是什么，該如何分析？
從用戶角度來拆解：例如，該產品用戶由新用戶和老用戶構成，可以拆解為新用戶銷售額和老用戶銷售額，來看銷售額下降是否跟用戶類型有關。還可以把用戶拆解為不同年齡組、不同的性別、不同地區、不同等級等屬性，可參考數據類型中的用戶數據包含內容。
從產品角度來拆解：例如，該產品的銷售包含了不同的產品版本，可以拆解為不同的版本對比銷售額，來看銷售額下降是否跟產品版本有關。當然還有其他產品相關的屬性，可參考數據類型中的產品數據包含內容。
從數據結構角度來拆解：例如，某產品銷售額按照一定區間分組對比，某產品滿意度按照不同滿意層級拆解對比，來了解不同結構數據下的用戶占比分布。
交叉分析也是非常常見的對比分析方法，就是將拆解后的多個維度結合進行對比，從而發現更深層次的差異。
（2）公式化拆解：對數據指標進行拆解
結構化的拆解可以幫助我們得到一個有邏輯的分析框架，在具體執行原因分析時，我們還需要對變量進行層層拆解才能找到問題產生的根源。例如在上述銷售額下降的案例中，通過對用戶類型進行結構化拆解對比，發現新用戶的銷售額明顯下降，那么如果業務繼續追問：為什么新用戶的銷售額下降了呢？
此時，我們就可以把銷售額（數據指標）進行公式拆解，拆解成多個細分指標后，再針對細分指標進行對比分析。
比如，銷售額=銷量×客單價，在拆解之后就可以再從客單價和銷量兩個角度去進行對比分析，深挖銷售額下降的原因。是新用戶的銷量變少了，還是新用戶的客單價變低了導致新用戶銷售額下降的？
假設對比后發現客單價沒有變化，主要是銷量變少導致銷售額下降。還可以繼續對銷量進行拆解：銷量=人均購買數×購買人數，進而分析是購買人數下降了，還是人均購買數下降了呢？通過公式化的對指標剝離拆解，就可以實現層層深入到問題本質。
結構化和公式化拆解還可以應用在我們對業務進行分析時的思路梳理中，比如當我們要去對某個業務的的GMV為什么高或者低進行原因分析時，我們可以對GMV進行公式化拆解，分別從流量×轉化率×客單價三個具體的方面著手，去羅列出影響這些指標的因素，逐漸完善我們的數據分析網絡。
三、常見的數據分析技巧
1、對比分析法
在前文業務現狀分析中，已經有詳細闡述，是描述現象和發現問題最基本的分析方法。從對比對象上來看，可以和目標比、和同類比、和不同時期的自己比；從對比方式上來看，可以整體對比，也可以通過變量拆解后分組對比、多維交叉對比。
2、象限法
象限法常用在需要進行落地推動的策略分析上，是通過將多個因變量進行不同屬性的劃分，生成多個具備不同價值的象限，通過考察對象在象限中的位置來明確進一步的業務策略。象限分析法舉例：
RFM模型：把客戶按照不同的維度進行劃分，區分出不同價值的客戶，從而針對不同價值的客戶進行精細化運營。
（圖片來源于網絡）
行動優化矩陣：對多個待優化模塊的具體優化優先級進行評估時，可以結合兩個關鍵變量來構建出4個不同象限以進行優先級的區分。常用的變量有滿意度和重要性，當然也可以根據具體的場景選擇其他合適的變量（如下圖選擇了滿意度和優化意愿兩個變量）。
3、漏斗分析法
漏斗分析主要應用在一個有起點和終點的業務流程分析中，用來定位問題發生的具體環節，分析指標一般為轉化率或者流失率，轉化率=某環節的用戶數量/上環節的用戶數量；流失率=1-某環節的用戶數量/上環節的用戶數量。單看漏斗分析各環節的數值是沒有意義的，需要將這些數值與歷史數據或者目標數據進行對比，定位到哪一個環節轉化率/流失率表現出異常。
（圖片來源于網絡）
業務數據分析的關鍵，是需要將零散的想法按照一定的邏輯進行梳理，有邏輯有依據的對問題進行剝離和分析，進而探尋問題的本質，這是數據分析最具有挑戰性也是最有價值的環節。本文僅介紹了一些基礎的分析思路，希望能為一些入門者提供一些參考。
參考資料：
《數據分析思維：分析方法和業務知識》
《商業數據分析與可視化》
原文鏈接：酷家樂用戶體驗設計（公眾號）
作者：墨一
轉載請注明：學UI網》一文讀懂業務數據分析思路
分享此文一切功德，皆悉回向給文章原作者及眾讀者.
免責聲明：藍藍設計尊重原作者，文章的版權歸原作者。如涉及版權問題，請及時與我們取得聯系，我們立即更正或刪除。
藍藍設計( m.skdbbs.com )是一家專注而深入的界面設計公司，為期望卓越的國內外企業提供卓越的UI界面設計、BS界面設計 、 cs界面設計 、 ipad界面設計 、 包裝設計 、 圖標定制 、 用戶體驗 、交互設計、 網站建設 、平面設計服務