数据分析的两种基本流程及六种具体情况
很多时候，我们会疑惑：“数据分析的标准流程是什么？”“为什么感觉自己只是在取数，却看不到结果？”“分析要做到什么程度，才算是对业务真正有用？”
实际上，数据分析可以归纳为两种基本流程：问题导向和数据驱动。在这两种流程下，又可以细分出六种具体情况。让我们逐一讲解。
一、问题导向的分析流程
这类流程的典型特征是：问题→数据→答案。业务部门通常会按照这个路径思考问题。比如，作为一名销售主管，你最关心的自然是团队业绩。于是，你的分析思路可能是这样的：
1. 问题1：我的团队业绩如何？
2. 数据1：当月达标情况……今年累计达标情况……
3. 答案1：目前已达标，超额20%。
你还可以进行更深入的思考。比如，公司设立了业绩排名奖，每月同比增长排名前5的团队可以获得奖金。现在已经是20号了，你想知道自己是否有机会获奖。于是，你会进行更进一步的分析：
1. 问题2：目前排名+未来10天预计增速，能否让我拿到奖金？
2. 数据2：截至19日，同比增长排名……未来10天，各团队预计完成情况……
3. 答案2：从目前行业情况+未来增速来看，我能/不能拿到奖金。
需要注意的是，问题2比问题1复杂得多。问题1只需要统计历史数据即可，而问题2则需要预测未来10天的走势。关于预测，可以采用多种方法，例如：
1. 简单用前20天趋势，模拟未来10天走势（趋势外推）；
2. 根据去年同期的走势，模拟未来10天走势（周期性分析）；
3. 根据手头尚在跟进的客户预计转化率，推测结果（业务模型）；
4. 根据销售人数、销售费用等数据建模，预测结果（算法模型）。
这就是我们常说的“复杂需求”。当需求变得复杂时，数据分析的流程也会变长，主要体现在数据环节。越复杂的方法，需要准备的数据就越多。
那么，复杂方法有哪些呢？我们可以根据分析目标的复杂程度，将问题导向的分析流程划分为四个等级：
1. 复杂度一级：认识现状
这是最简单的一类分析，直接统计历史数据即可。例如，截至1月3日，今年新增用户数/累计完成的销售业绩；1月3日时间点上，商品库存有多少等等。需要注意的是，单纯罗列数据并不能解释现状的好坏，需要将数据与判断标准结合起来，例如将累计销售业绩与业绩考核标准进行对比，才能发现问题。
在这种情况下，数据分析流程可以概括为：业务想了解现状→统计数据指标+判断标准→描述现状。
2. 复杂度二级：原因分析
典型问题例如：“为什么我的业绩没有达标？”需要注意的是，业务方此时可能已经有假设，也可能没有假设，需要区别对待：
要想分析得深入，一定要有业务假设，否则数据分析很容易停留在指标拆解的层面，最终只能输出“因为人数少了，所以没达标，建议把人数搞高！”这类肤浅的结论。
3. 复杂度三级：优化表现
典型问题例如：“我要怎么做，才能让业绩冲第一？”这类问题需要完成前两个复杂度的分析，才能得出结论。
优化表现类流程通常会比较长。很多数据分析师不知道如何提出业务提升建议，就是因为缺少了前几步的铺垫。不了解业务现状和问题根源，自然无法提出有效的建议。
4. 复杂度四级：预测走势
预测类问题通常都很复杂。在进行预测之前，至少要先了解现状，知道问题点，知道业务方是否有计划采取改进措施。收集了足够的信息之后，才能进行合理的预测。
具体来说：
-
如果不考虑业务动作，那么可以直接用趋势外推，分析流程就很短：业务想知道预测结果→观察过往趋势→按过往趋势拟合函数→直接外推结果。
-
如果要考虑业务动作的影响，例如“追加投入会怎样”，那么流程就会复杂很多：业务想知道预测结果→观察过往趋势→建立模型，量化投入影响→代入参数，预测结果。
总而言之，业务问题越复杂，需要分析的环节就越长，前期的铺垫工作也就越多。否则，很难输出有价值的结论。
二、数据驱动的分析流程
除了问题导向的分析流程之外，还有一种情况是，业务方没有主动提出需求，但是数据分析师需要主动从数据中挖掘业务含义，发现业务问题。此时的基本流程是：数据→问题→答案。
这条路往往走不通。因为很多数据分析师只关注数据本身，对业务情况缺乏了解，因此不知道如何解读数据。例如：
1. 知道累计销售额是多少，但不知道业务考核标准，因此无法判断“好/不好”；
2. 知道销售排名是什么，但不知道业务的排名奖励细则，因此无法看出谁有潜力拿奖；
3. 知道销售不好是因为某个产品卖得很差，但不了解产品属性，无法深入分析。
本文花了很大篇幅介绍如何从业务视角出发进行分析，就是为了提醒那些每天对着报表发呆的同学，要多和业务沟通，加深对业务背景和业务状况的了解。
很多公司业务和数据的沟通还是比较紧密的。在这种情况下，可以对“数据→问题→答案”的基本流程进行优化，例如：
1. 从异动出发：数据→异常波动→业务沟通→问题确认→深入分析/问题结束。
这种情况下，数据分析师首先要从数据中发现指标的异常波动，然后与业务方确认情况。如果异动是业务方主动发起/早就知道/已经采取措施应对的，那么就不再纠结；如果是意外情况，就需要深入分析，直到找到问题原因。
2. 从标杆出发：数据→寻找标杆→业务沟通→可复制性确认/问题结束。
这种情况下，数据分析师需要从数据中找到表现特别好的产品/地区/渠道，然后与业务方确认“这是否是一个机会点”“是否值得推广”。如果业务方对此已经了解，那么分析就可以结束了；如果业务方对此感兴趣，就需要深入分析标杆的可复制性，推动标杆经验的推广。
3. 从部门联动角度：数据→关联情况分析→信息共享→问题确认→深入分析/问题结束。
这种情况下，数据分析师需要分析不同部门之间的关联情况，例如发现销售走势下滑，要提醒供应链部门注意积压风险；发现营销费用过高，要关注现金流；发现业务部门计划举办大型活动，要提醒客服/售后部门做好准备。先共享信息，然后了解相关部门是否有应对措施，如果没有，再进行深入分析。
将所有流程总结如下图，方便大家参考：
