5W1H！落地执行告别数据分析中的“坑”

当一个公司的业务团队，可以比较方便准确、及时、完整的看到数据，往往都会很容易从数据的变化中看到业务问题。再通过关键业务维度的拆分，可以定位清楚业务问题发生的版块、准确衡量业务变化影响大小。

举个例子，用户复购数是一个很核心衡量用户运营的核心指标。当这个指标出现下降的时候，可能拆分成：

海洋老师小提示：

这个拆分可能和很多公司不一样。我之前设计的一个数据分析的逻辑，和公司的运营团队尝试按这个来划分，最终希望尽可能多的把用户在一定的时间内都转为3单及以上。每个公司的实际情况可能不一样，不要照搬哦。

我文章分享的更多是一些思路，一种思考与思维的方式与框架。我个人觉得，这可能这才是真正的帮助的。很多同学说老师，能不能具体讲个案例，我尽量通过一些案例来表达我的：思考方式、思维逻辑！

01 数据分析第一步：四个W

当定位在哪个变化比较大或者都变化比较大的时候，很多同行总结很多，这个阶段是回答what的问题，就是发生了什么。但是我从自己的经验来说，我觉得应该还要去搞清楚：who 与Where与 when的这三个要素，即四个W。

在实际工作中，通过分析定位到在哪个业务版块发生，在什么时间点发生，是谁在为这个变化的结果负责，在what的基础上，增加这三个内容，你的数据分析的“着力点”才有可能确定。

不然就会经常同学们说的：

“数据分析不知道如何入手？”

“面对一堆数据不知道应该分析什么？”

“老板叫我做个数据分析，我不知道怎么办？”

很多时间可能没有找到这个“着力点”，第一步一定一定一定是搞清楚：在哪，什么时候，发生了什么，谁会为这个数据指标变化负责？在这特地提出二个W，一个是who 与 when:

Who:

有二层含义：是谁提出来这个问题？是谁会为这个问题的结果负责？例如：1单用户转化率下降，可能是部门负责人看到了或者是数据分析师看到了。提出这个问题，但他们可能不是直接为这个指标负责，部门负责人可能不是直接对这个指标负责。所以发现问题、解决问题、为结果负责可能不是同一个人。

When:

做数据的同学，不管哪个岗位一定要记住数据的时效性。我之前和一些业务老大们分享过：数据价值对于点的决策来说，随着时间的推迟价值会越来越低；但可能对于方向与趋势的判断需要数据的时间积累，可能是越来越大的。

这个when是数据异常发生的时间点：

开始的时间点，不同的场景可能粒度不一样，可能是天，可能是小时，可能是分钟。持续时间长，在开始时间后，持续多长时间。例如：1单用户留存，发现上周一到周二在下降，后面又恢复正常了。如果你本周做周总结才发现这个数据，你觉得有必要再去花大量时间与资源去分析吗？最有价值一定是当时发现后，立即采取行动。当然要快速采取行动，很大程度又要取决你公司的数据基础。

通过数据能快速回答上述几个W，才能为后面的工作开始打上基础。最终应该是这样描述的：由A同学负责的1单留存的数据，在上周一到周二，1单用户从平常的30%下降为20%，对整体影响周留存率影响3%。周三到周天又恢复正常水平30%-33%。

经验小分享：

如果你第一步不是去思考和分析清楚这些内容，你后面基本就“迷失”在数据的海洋中、迷失在数据分析的方向中。你可能会有这样的体会：会不知道从哪个点开始着力，你会感觉这是你一个人在“战斗”，你会感觉到不知道要找谁去讨论与交流，你也不知道这个分析出来结果应该是找到哪个人或者哪几个一起讨论。

02 数据分析第二步：一个W（why）

数据分析师的成长真的没有捷径，是真的需要时间去打磨你的业务知识体系，你对数据的洞察与解读能力，你的数据技术的处理能力。

假设相关同学收到上述结果后，相信A同学的老板一定会问为什么这二天下降？很多业务同学看到数据变化的时候，往往就会开始向数据分析师提各种数据需求来寻找原因，数据分析师将会有”幸福的烦恼“，所以分析师每天都可能会收到这样对话（当然可能发生在比较成熟有一定规模的公司中）：

“亲，帮我拉这个数据，帮我取哪个数据。”

“最好今天给我，上午能给我不？老板急着要。”

”亲，好了没有啊？下午和老板开会，老板一直催着我。“

所以同学们，你写SQL拉数据还是非常有价值。数据需求往往追求的响应效率，因为你的业务方可能老板等着他呢。“把数据需求响应好，处理好。是一个很好的与业务团队构建和谐关系的渠道，多点耐心，多点需求思考（上述的四个W），也许会帮助你更好的理解这个数据需求，理解到业务的当前的痛点：业务同学的当前的痛点可能不是解决问题，是应付老板，应付老板的老板”。

有做数据的同学好好理解上述这些话，这可能从事数据分析师的同学，不仅仅是刚从事、已从事的同学都应该会很有帮助滴。

“懂业务很重要，非常重要，你懂业务才能和业务有共同语言。还要懂谁在负责这个业务，然后适当的去懂“他“的痛点。在有共同语言的基础上，懂“你服务用户的痛点””。

这个为什么回答：

一是，通过业务同学的基于经验形成的各种业务问题的各种假设，希望用数据去证明这个假设是否成立。所以这个假设可能会很多，但他基于经验会告诉你最有可能是哪个，会有相关的优先级。

二是数据分析师在服务业务一段时间后，在懂业务的基础上，最好能用一个数据指标分析体系构建后，快速寻找到相关指标来形成这个“为什么答案的假设”。从而让业务的这些假设沉淀在你的数据体系中。

经验小总结：

如果你觉得你想做好数据分析师，请同学们好好总结上面这段话。也请记住一点，数据分析师的成长真的没有捷径，是真的需要时间去打磨你的业务知识体系，你对数据的洞察与解读能力，你的数据技术的处理能力。

前面提到都是我自己经验总结下来，告诉他们一些这个过程中“坑”，让大家更理解这个背后的东西，希望同学有好“心态”去做好数据分析。

回答上述案例，假设你平时有一定的数据体系去分析与定位这个关键的KPI数据指标：

“在案例中的回答可能是，发现上周一、周二来的用户有50%用户订单金额中促销占比超过60%，客单价基于都在40元以上，刚好满足新人券的门槛。”“可能是由于某个渠道存在异常用户，周三停止该渠道后复购率后续恢复正常。所以建议停止该渠道的投放。”

03 数据分析第三步：回答how

如果上述二个步骤没有做好，你会直接“迷失”，找不到重点。更不用谈所谓有数据分析逻辑的。能否回答好，还是基于你本身的“业务知识与业务模式”的理解，基于你对数据指标体系构建，平时对于数据敏感性的培养。

我们还是回到上述的案例，我认为how要回答的问题不仅仅是通过定位确定异常，定位清楚原因，可能很多时候是没有办法得到因果关系，所以大数据时候很多时候通过核心的指标对比形成相关关系。可能这也就是很多人说：大数据时代相关性大于因果关系。

我更希望数据分析师们去回答的how，是在上述有一定基础上，去针对核心的数据指标回答的问题应该是这样，应该这样和业务和自己对话：

“为什么月度复购留存是30%-33%，为什么不能做到35%以上！”

“如果要达到这个指标，我应该怎么去分析与洞察数据，怎么从数据分析寻找到这个机会点？”

“从哪些数据指标与维度，可能不断去细分，不断看各个细分机会点的趋势变化。”

经验小提示：

当你会提出我说的HOW的对话场景的时候，说明你可能已经是一名合格的数据分析师。当然还是要不断学习，不断从数据中去探索。也许你是解决所谓的业务增长的问题，解决是增量问题。

我写的文章，没有太多的框架；太多的“套路”；更多是我基于自己经验的一些点或者线的总结，当然也许几篇文章写完就是一个框架，对觉得有帮助的同学可以看个二遍会有一些共鸣，希望对同学们有帮助。

还是一样，希望同学们点“好看”，回复提出各种“问题”与我探讨，我也希望从大家提的问题中，让我不断的思考，不断去学习。共同进步。

End.

作者：数据海洋

数据分析师成长系列文章

【入职数据分析】第三季免费分享课

广州职场基因解读，全面剖析广州各数据岗位内容

扫码领取课程链接！明晚8:30欢迎参加！