繁忙的取数工作、缺乏领导指导、业务知识匮乏，是数据分析师成长道路上的阻碍。再加上不断追要报告的压力和报告深度不足的抱怨，更是让分析师叫苦不迭。以文中提到的这位数据分析师为例，可谓是困难重重：
鉴于问题的普遍性，本文将分享破局思路，供遇到类似挑战的同学参考。
运用数据分析解决业务问题遵循特定步骤：
第一步：基于业务流程，构建数据指标体系
第二步：根据指标体系，诊断业务发展中存在的问题
第三步：结合问题诊断，评估业务行动的有效性
进入新环境后，第一步应了解业务流程，梳理数据指标体系。就像该同学随手写出的指标，零散无序，缺少主次分明，这正是突破困境的第一步。
之所以称之为“指标体系”，是因为孤立的指标难以发现问题，需要根据业务逻辑组织起来。常见的组织方式包括并列式、总分式和漏斗式。该同学主要从事 toB 销售，因此总分式更适合，首先厘清 GMV、客单价、频次、毛利和净利润之间的关系（如下图所示）。
随后，可以结合新客户拜访流程或老客户下单流程，梳理销售过程中的指标（如下图所示）。
数据指标体系还需要分类维度的配合，销售类指标体系通常搭配人（客户）、货（商品）和场（销售渠道）作为分类维度。
通过上述方式，建立起指标体系的框架，后续可以根据业务流程的细节进行完善和微调，以便开展诊断性分析。这一步是基础工作，要求数据分析师深入理解业务场景，理清指标之间的关系，否则后期的工作将困难重重。
构建起数据指标体系后，问题诊断就变得相对简单。通常遵循“由远及近，由大到小”的原则，构建诊断问题逻辑：
1. 是否符合常规销售周期（排除误报）
2. 是否持续性下跌（从下跌的源头开始追查）
3. 是客户数量减少，还是下单金额减少（细化分析）
4. 是大客户减少，还是散户减少（按人员维度细分）
5. 是时令性生鲜减少，还是通用商品减少（按商品维度细分）
6. 是销售开发减少，还是自主下单减少（按渠道维度细分）
其中，1、2、3 个问题无需细分，仅观察整体指标即可，因此上手较快。4、5、6 个问题相对复杂，需要拆分数据进行多次观察和分析。不同时间点的拆分维度可能不同，因此需要根据业务场景进行动态调整。诊断还需要积累业务标签，以便对数据进行解读。
这一过程需要分析经验的积累和不断尝试，因此可能比较耗时。但随着积累的增加，数据分析师也会展示出丰富的行业经验。
“挑选商户经常购买的品类提升价格”是一种业务提升业绩的举措。对于这类针对具体业务动作的分析，需要先提出分析假设，推出结论就容易得多。
例如，涨价提升业绩的最佳情况下，选品是溢价高、品质好的非标品，如小青龙或车厘子，客户难以横向比较价格，加上品质出众，对价格不太敏感，因此涨价也能接受。
最差情况下，选品是普通、缺乏品质区分度的标品，如米面油蛋，客户一看到高于市场价就会流失。
在进行分析时，可以将上述假设表述如下：
这样，数据结果出来后，直接观察即可：
1. 活动上线后，整体业绩是上升（成功）还是持平或下跌（失败）
2. 活动刺激的品类中，哪些价格敏感度高（失败），哪些敏感度低（成功）
3. 参与活动的客户，是否整体消费减少（失败），是否转向购买未提价商品（失败）
评估一次活动效果相对简单，作为数据分析师，只要理清活动目标和达成目标的业务逻辑，就能快速输出评估结果。这是数据分析师应当优先培养的能力。
但回答业务部门“我要怎么做才能提升业绩”的问题，则需要较长时间的沉淀。因为提升业绩的方法多种多样，需要在实践中见多识广，多了解一些业务手段，才能提出建议。这就要求数据分析师多做记录，将围绕同一目标的不同业务动作整理出来，便于后期对比效果。