經常有同學疑惑：

“什么是頂級的數據分析方法”

“面試的時候，被人問：用過什么方法，怎么回答好?”

“為什么我講的分析方法，會被人嫌棄簡單？”

今天系統盤點下數據分析方法，大家也好對號入座，看看自己講的水平如何。

首先，并不是名字帶“分析”倆字的，就是數據分析方法。有很多XX分析，是統計學、運籌學、數學的專業工具，并不直接指向業務問題的答案。當人們在問：“有什么分析方法”的時候，更多期望聽到一個能給出結論的方法。

所以想回答好這個問題，要回到：數據分析到底解決哪些業務問題上去。

從業務用途上看，數據分析可以解決5大類問題

1、是多少（數據描述狀況）

2、是什么（樹立數據標準）

3、為什么（探索問題原因）

4、會怎樣（預測業務走勢）

5、又如何（綜合判斷狀況）

圍繞每個問題場景，有特定的方法組合（如下圖）

圖片

一、解決“是多少”的方法

用數據描述狀況，需要建立完善的數據指標體系。建立數據指標體系，則需要梳理清楚數據指標之間的邏輯。數據指標間有兩種基本的邏輯：串行邏輯和并行邏輯，因此衍生出兩種基本的分析方法：漏斗分析法&指標拆解法。

圖片

拆解的業務多了，人們發現，某些數據指標可以固定的組合使用，比如：

用戶運營場景：AARRR指標、RFM指標

零售門店場景：人、貨、場指標

商品管理場景：進、銷、存指標

這些也習慣性被稱為：分析模型。但注意，這些都只是在展示數據。數據+判斷標準，才有分析結論。有關判斷標準的分析，就是：是什么類問題。

二、解決“是什么”問題的方法

判斷標準可以很簡單，比如領導的指令、KPI要求、過往同期數據，都能作為標準。這些統稱為：簡單標準。但很多時候，指標走勢是否正常，并無明確的KPI約束，甚至KPI達標，但是走勢奇特，領導們還是會覺得有問題。這時候就需要找其他參照物。因此衍生出一系列分析方法。

比如：

與業務自身規律比較，判斷好壞：生命周期法、自然周期法

與同類型，同期發展的業務比較：同期群分析法

與其他業務個體進行比較：分層分析法

這樣對比，即使只有1個數據指標，也能得出好壞判斷。如果業務發展違背過往規律，明顯比其他個體更差，則可以判定為：不好。

圖片

當然，也可以使用2個指標，比如經典的矩陣分析法，通過兩指標交叉+兩指標平均值，分出四類業務，從而得出好壞判斷。

圖片

如果用更多指標也行，比如常用的Kmean聚類，可以先利用多個指標對業務個體聚類，之后再看各類型之間表現優劣。

以上這些方法，都能將業務的好/壞區分出來，從而在一定程度上輔助判斷。

三、解決“為什么”問題的方法

“分析下這個問題是什么原因導致的……”是常見的要求，這就是“為什么”問題。解決為什么問題，有兩大基本思路：

一：結果推斷：問題發生后，用各種數據尋找差異，建立假設。

常見的，比如：

結構分析法：通過結構分析，找到問題發生點

標簽分析法：通過打標簽，做個體對比，找到問題原因

相關分析法：通過計算指標相關關系，找到相關指標，再形成假設

MECE法：講多個業務假設，按MECE原則合并成分析邏輯，一一驗證

結果推斷，可以把業務口中“我覺得這是XX原因”，抽象成一個數據可驗證的假設，因此適用范圍非常廣。但結果推斷只是單方面從結果做歸納，有可能有偏頗，還需要實驗驗證。

圖片

二：實驗推斷：先有假設，然后通過實驗/分組對比，驗證假設。常見的方法，包括ABtest、DID、PSM、RDD、Uplift等方法。

這些方法更接近傳統統計學的實驗，大部分都要求：

1、開展數據實驗，驗證假設

2、設參照組/實驗組，且參照組/實驗組特征相似

3、區分控制變量、環境變量，重點測控制變量的影響

實驗推斷有統計學依據，計算過程復雜，看起來更量化一些。但是對實驗條件要求太高，比如大促銷類ALL in的業務，比如商品、店鋪這些無法控制環境的業務場景，比如業務員行為、內容傳播等難采集數據的領域，都很難用。

理想的狀態，肯定是兩者結合，事實-假設-驗證，不斷循環，接近真相。但現實中有很多條件制約。導致我們只能從一個角度切入，慢慢靠近真相。

四、解決“會怎樣”問題的方法

預測類問題，是所有人都感興趣的話題，也是統計學/算法最有可能發揮作用的地方。唯一限制方法使用的，是：到底有多少數據&業務人員要不要參與。

如果業務人員堅持參與預測過程，就只能用業務假設法或者滾動預測法，這些方法把影響結果的參數都列出來，方便業務人員拍腦袋，也能幫他們清晰：我要做多少。

圖片

如果業務人員不參與，則視數據量的多少。數據少，則使用時間序列預測，數據多，且有影響結果的原因數據，則可以用諸如回歸模型一類算法預測。

圖片

五、解決“又如何”問題的方法

綜合評估與分配問題，統稱“又如何”問題。這是決策的最后一步，決定是否對業務做動作，做多大動作。有些簡單的評估是很容易的，比如銷售簽了生死狀，達不成業績目標就炒魷魚。

但大部分情況，評估很復雜，要考慮方方面面。這里最大的區別，在于要不要考慮領導的主觀意見。如果要，果斷使用主觀評分法！滿足領導的打分欲是第一位的。如果不要，再考慮使用有監督的機器學習算法，或者因子分析法，DEA法（求的是相對效率）等客觀方法。

至于：做多少，誰來做。就是更復雜的問題了。想做好分配，得先把前邊幾步分析做完，對每個業務線基礎能力有充分認識，才好下判斷。這里，線性規劃的方法，可以用來做支持。

圖片

六、為什么感覺沒用上方法？

綜上可見，數據分析的方法是非常多的。但為什么很多同學感覺自己沒用上方法呢？因為每種方法是和業務場景、領導風格、數據質量、息息相關的。

比如因果推斷算法大多基于分組測試展開，而實際業務中，很多因果分析是事后再查原因，也不給二次實驗的機會。

比如很多公司的分配方案，根本就是領導拍腦袋，一言堂，根本沒機會讓分析師用算法。

比如預測問題，很多公司根本沒有足夠數據積累，只有一條銷售數據，那撐死了也只能用時間序列法。

這種理想與現實的差距，讓很多同學很痛苦。一方面不清楚到底這些方法該如何用，另一方面不了解，自己該如何應對業務需求。面試和工作都很吃力。