很多同学会困惑：到底什么才是数据分析方法？因为网上对于数据分析方法的描述，有些抄袭自营销学书本，比如4P、PEST；有些则抄袭自统计学书本，比如相关分析，回归分析。可真到做分析的时候就傻眼了：眼前的问题到底该P一下还是回归一下？
想真正理解&掌握数据分析方法，当然不能这样“拿着锤子找钉”。工作中的数据分析，要紧密结合业务，服务业务需求。因此理解业务需求，围绕问题找答案，才能理解各种数据分析方法有什么用，该怎么用。
6大类典型的业务需求
一个完整的业务活动，分为六个步骤：了解现状→设定目标→制定计划→监控走势→诊断问题→复盘结果。在每个阶段，业务掌握的信息，想解决的问题是不一样的，因此对数据的需求会不一样（如下图）。
如果是从制定年度经营计划开始，数据分析师就参与到工作中，那么就会完整地经历这6个步骤。
但是，很多同学是中途入职/半道接手工作，最常见的是：
1、从监控开始，先输出日常报表，再发现问题
2、直接接到一个分析任务，就XX问题输出报告
3、事情已经做完了，事后补一份复盘报告
这个时候，很有可能数据分析师对业务都不熟悉，匆忙赶鸭子上架，肯定毫无思路了。此时，至少得把第1步：了解业务现状补齐，然后再对症下药。
了解现状的方法
了解现状阶段，更多是系统地呈现数据指标，让业务看清楚情况。数据指标体系本身有3种结构：并列式、流程式、总分式。有
一些常见的分析方法与这三种形式对应。比如：
杜邦分析法对应总分式指标体系。主要用于评估经营情况好坏，拆解财务指标，监控业务行动结果。UJM方法对应流程式指标体系。主要用于梳理用户行为路径（互联网企业使用的尤其多），看清楚用户转化方式。RFM方法对应并列式指标体系，主要用于对用户消费行为进行分类，区分高中低消费+待唤醒的紧急程度。（如下图）
需要注意的是：单纯地展示指标并不能得出任何分析结论。至少要展示指标+不同个体间进行对比。
比如：
1、杜邦分析法：两个同行业公司进行比较
2、UJM方法：两个不同路径进行比较
3、RFM方法：两类用户群体间比较
因此，在了解现状阶段，不要光想着罗列一大堆指标出来，而是思考下：到底选取谁进行对比，才能更好发现业务之间差异性，从而启发业务部门思考。
设定目标的方法
在设定目标阶段，很有可能业务部门想了解：
1、如果不做任何改变，自然情况下业务会发展成啥样？
2、如果增加/减少某项资源投入，业务会发展成啥样？
3、如果改变一种业务做法，业务会发展成啥样？
此时就涉及到预测问题。预测自然发展趋势，一般会运用到时间序列法，根据数据走势的不同，有平滑法、自回归、季节性回归、带季节趋势的回归等方法可用。如果考虑改变资源投入，可以考虑带因果关系回归。因为投入产出之间一般都有函数关系，可以通过数据拟合投入产出曲线，从而模拟调整结果。
如果要改变业务做法，则要先看：业务是否有采取同类措施。如果已有同类做法，则可以参考同类做法的投入产出情况进行推算。如果连做都没做过，那就得先做测试，不然没数据就是空拍脑袋。
需要注意的是：设定目标很多时候要体现领导想法，数据本身只是参考。所以很有可能在做完自然情况预测后，业务部门就会开始拍脑袋了。此时可能不需要复杂的分析方法，而是利用数据指标体系，拆解KPI指标，之后根据领导们的要求增减相关，模拟可能的结果。
制定计划的方法
在制定计划阶段，很有可能业务想把一个大目标拆解下去，落实到具体执行工作中。此时可以使用OGSM方法，这是一套标准的把定性目标落实为定量目标，把定量目标拆解为执行步骤，再监控执行的方法（如下图）。
还有可能，业务想先不自己动手拆，而是看在现有投入产出水平下，理论最优解是什么。此时可以构建投入成本函数，利用本量利分析/线性规划方法，计算理论最优解，供业务参考（如下图）。
同目标设定一样，做计划的时候，很有可能业务完全凭经验，自己估摸一个数字就开干了。过于粗糙的计划，会导致：执行安排不合理、临时调来调去、缺少后备方案，这些都会导致执行过程的问题。
数据分析师如果能提前了解情况，就能在下一步监控走势的时候轻松很多。
监控走势的方法
在监控走势阶段，核心任务是：观察业务是否在预期内发展，是否有异常波动。因此需要数据分析方法，判断业务是否正常。
此时有周期性分析法、投入产出分析、结构分析法、分层分析法、矩阵分析法五种方法可用。
周期性分析法，是根据业务特点，拆解出业务发展随季节变化/生命周期变化/投入产出变化而产生的规律。通过和常规走势对比发现问题。投入产出分析，则是根据业务行动投入力度+过往数据经验，预判可能效果，如果排查：是否因本次业务执行不力，导致数据异常结构分析、分层分析、矩阵分析，则是通过多个业务之间对比，发现被平均数掩盖的问题。还有些常见的说法，比如ABC分类、二八分类，其实都是分层分析的特殊形态（如下图）
在监控走势的时候，这些常规方法，完全可以和监控指标做到一起，做成同一张监控数据看板，在观察到主指标异常以后，直接从总体到具体查看数据情况，看看是哪个部分出了问题，从而极大提高发现问题的效率。
问题诊断的方法
在诊断问题过程中，是否有业务假设是最关键的。
1、如果业务啥都没有，那就只能构建分析逻辑树，层层排查问题
2、如果业务有一个明确假设，可以直接做排除法，验证假设是否成立
3、如果业务已经有应对方案，可以直接做实验，测试方案可行性
虽然一提起问题诊断，人们本能会想到：构建逻辑树。但构建完整的逻辑树太过费时费力，且很多假设需要收集外部数据检验，现实工作中不是时时刻刻都有这么充足的数据供应。因此诊断问题时，尽可能先找业务假设，快速输出结论。
验证业务假设的时候，是否做实验是最关键的区别：
1、如果完全不能做实验，那么只能通过标杆分析（对比好/坏个体），过程诊断（分析业务过程中最拉胯的环节）来输出分析结论。
2、如果能做实验，但不能做抽样测试，那么只能做改进前后对比分析。
3、如果能做实验，且能做抽样测试，那么可以采用统计学方法，检验实验效果。
结果复盘的方法
如果前边5步做到位了，在结果复盘的时候就非常轻松：
1、对比目标、实际差距，下判断：到底做得好不好
2、调取过程监控数据，看执行过程中是否有问题
3、调取问题诊断数据，看问题发生原因及处理的结果
这样综合各项结果的复盘是非常全面的，即包含了结果陈述，又包含了经验总结。
很多同学觉得复盘特别麻烦，是因为没有参与到全流程的工作中，活动结束了才被指派任务要复盘。此时一不了解目标，二不了解过程，自然得从头到尾梳理一遍才能出结果。如果碰上业务自己都没有设定清晰的目标，没有监控过程数据，那就更两眼一抹黑了。
作者著作
▊《商业分析全攻略：用数据分析解决商业问题（全彩）》
接地气的陈老师 著
商业分析的底层逻辑跟接地气的陈老师学数据分析商业分析有用吗？当然有用！商业分析是行走职场、创业启航的一项必备技能。
作者结合自己多年的工作经验，用生动的语言介绍如何用数据分析解决商业问题。
本书分为6 篇，共17 章，其中第1 篇是概念篇，讲述商业分析的基本概念；第2 篇是基础篇，讲述如何用基础的分析方法评估企业经营状况；第3 篇是进阶篇，讲述如何构建分析体系解决较复杂的问题；第4 篇是高阶篇，讲述如何应对复杂的商业难题；第5 篇是基础实践篇，通过案例讲述如何解决更复杂的商业问题；第6 篇是高阶实践篇，通过案例讲述如何解决商业分析中的疑难杂症。
本书的讲解思路是层层递进的，从简单场景到复杂场景，从基础的方法到复杂的方法。因此，无论读者是否有数据分析基础和经验，都建议从头开始阅读，这样可以一步步提升认知，更快地掌握商业分析的方法。
全书近500页彩印
本书有什么特色1、通俗易懂。一提及“商业”，人们总会总想到很多高大上的名词；一提“分析”，人们总会想到统计学、数学、算法等复杂概念。本书尽量用浅显易懂的方式，介绍商业+分析的主要概念。并且在每一章开头，都举了生活中例子，让大家容易理解。毫不夸张的说，这是一本人人都读懂的分析书。
2、内容全面。本书覆盖了从投入产出分析，到销售、供应、产品、运营分析的主要场景，对每一类场景下的主要指标，分析思路都有介绍，可以满足众多分析需求。而且，很多商业问题是相互关联的，因此全面的了解分析思路，更容易找到解决问题的答案。
3、层层深入。本书分了初级、中级、高级方法，从基础的指标体系搭建，数据解读，到中级的销售、运营、产品分析体系搭建，到一些高级复杂难题都有涉及。这些问题，一般的数据分析书（特别是工具类书）极少涉及，却又经常在工作中困扰大家。本书都给予了深入探讨。当然，不见得就100%能解决所有问题，但一定能给大家很多启发。
