时间: 2021-07-30 10:48:42 人气: 4 评论: 0
导语：“当XX指标下跌时，你**如何进行分析？”XX包括但不限于销售额、用户数、活跃率、ROI等等。这个问题是一个面试时经常遇到的问题，也是日常工作中很常见的一个问题。可同学们在回答的时候经常丢三落四，似乎不管怎么讲都讲不全。在日常工作中也经常被业务方纠缠，屁大一点波动也让你分析一下，分析完了又嫌弃：“我早知道了！”。今天作者为我们系统性讲解一下，该如何应对这个问题。
首先要明白一点：单纯靠数据分析，不可能100%理清所有原因。
真实的原因往往需要数据分析+市场调查+一线走访+行业研究共同努力才能锁定的。数据分析在解析原因上，更大的作用是定位问题而不是解答问题。想要解答问题背后的业务逻辑，市场调查要有用得多。
其次，业务出现波动是很正常的事，哪天不动了才是见鬼了，所以日常**经常碰到类似问题。
第一顺位要解决的是判定问题的轻重缓急。这样才能在时间和精力都有限的情况下，选择合适的方法。如果每一个问题都要深入彻底分析，就**浪费大量人力精力，耽搁其他工作。数据分析工作也要讲投入产出比的。
最后，很多时候其实真实的原因很难100%解析出来，但对业务来说，也不需要100%解析原因才能行动。对业务方而言，在特定的时间内，可以调整指标的方法是非常有限的，只要信息量足够支持行动就行了。
以销售指标波动为例，影响销售指标的原因有一大堆，见下图：
其中：顾客态度非常难量化，需要调研支持；外部竞争，行业景气这些需要行业研究。而产品卖得不好，到底有百分之多少归罪于用户，百分之多少归罪于销售，百分之多少归罪于营销，很难完全剥离清楚。
可能还得上个ABtest测试一下。如果每一次波动都这么折腾去找原因，公司就可以关门了。
与此同时，改善指标的方法却非常有限的：
所以判定了问题的轻重缓急之后，在有限的时间内帮业务部门找到应对策略，改善局面才是最重要的。指标能改善回来才是终极目标，探索宇宙真理不是终极目标。这是企业里做分析和大学里做研究的根本区别。
分析指标下跌的时候，本着：清晰情况 + 突出重点 + 够用就行的三原则，就能应付实际工作中各种场景。分析指标下跌并不是下**得越多越好，并不是找的指标越多越好，并不是事事都得上ABtest。
在能满足业务需求的情况，尽量依靠日报、周报、月报等固定报表解决战斗。尽量把专题分析留给真正有意义的话题，而不是每天对着这**来**去。
实际上因为数据源出问题，导致的指标异常非常非常多，具体的可以参见做埋点、ETL、数仓的同学们的各种吐槽。所以遇到问题第一顺位先确认数据没有错，不要报假警。
这是确认问题的轻重。常见的指标，比如销售额/新用户数/活跃率等等，其波动是有一定范围的，根据历史经验可以划分为轻中重。在数据真实的情况下，一般重度波动都是有明显迹象的。
比如受政策影响要停止某些业务，公司主动关停业务，春节/十一等假日因素。所以对于重大变化，事先要设好预期值，这样看数据的时候，就不**一惊一乍。对于严重**出预料的情况才做重点跟进。
这是确认问题的缓急。指标下跌/上升，通常有三种形态：
这三种形态本身意味着问题的严重性不同。
如果是指标下跌的话，持续性下跌≥一次性下跌≥周期性下跌。如果是周期性下跌，一般都不需要大惊小怪。如果是一次性下跌，往往来得猛去得也快，要关注事件持续性。持续性下跌，特别是不见好转，一路大牛市的下跌，持续的时间越长问题越严重。
单纯看走势并不能严谨解释问题，要和波动幅度结合起来看。比如同样是周期性下跌，如果本周期的数值明显比上周期跌得更厉害，就得注意，可能在周期性变化背后隐藏了其他问题。
同样是一次性下跌，如果相同事件下，跌得越来越厉害，就说明隐藏有其他问题。有些看似一次性事件，带来的影响可能持续发酵，最后演化成持续性下跌。持续性下跌中，可能每一期跌幅都不大，但放长线看，就**发现累积跌幅特别大，这时候问题严重性就更高。
很多业务部门**在这里犯错误。比如一说为什么二月份销量下降，就理所当然地认为是春节影响，没有认真计算其实今年春节后恢复速度大大慢于往年。
一看上促销有销量，就急着庆功，没有计算促销前的蓄力期和促销后的疲软期越来越长，很有可能平台的用户已经出现了结构性变化，忠诚用户越来越少。这些都是一味凭经验办事，不细致看数据的恶果。
做数据分析的同学们，往往**犯相反的错误，还没有判断轻重缓急，听到要分析XX指标下跌就急着提取一大堆数据。既浪费时间，又没有什么分析假设，结果大海捞针一样空费气力。
赶紧打电话向相关部门确认，之后向领导汇报。
如果真的短时间内发生重大问题，慢慢写代码分析本身就是贻误战机的行为，就像火灾来了不去打119，还在这认真分析哪里起火了，火大不大一样脑残。这时候赶紧先确认数据有没有问题，不能报假警。之后抓起电话赶紧向相关部门反馈。
对于长期存在的重大问题，要深入分析才能找到症结，这时候就得慢慢来，做多角度多维度的分析，而且分析结论要放回到市场调查、一线走访、行业研究里去相互验证，这样才是从根上解决问题的办法。不然分析完一版，业务并不觉得好用，最后还是白费力气。
不严重但是突发问题，先锁定问题点。因为问题本身并不严重，如果全面做检查，很有可能被淹没在平均值的计算里。去平均化，把真正问题严重的点暴露出来，这样后续分析才能深入。
这时候不用急着取一堆数据，问题本身不严重，取了也对比不出来所以然，可以再观测一段时间再说。
要注意的是，到目前为止我们没有谈到任何专业的分析方法或者技术，只要盯着一根销售曲线或者用户数曲线，做一些简单的同比，环比就够了。这就是传说中的数据敏感性。看到指标曲线开始下跌，敏感性高的话**先对走势进行解读。这一点后续我们还有专门的分享。
有了轻重缓急的判断，下一步就可以缩小怀疑范围，建立分析假设。之前我们说了，单纯依靠数据很难把原因搞清楚，但当我们缩小问题范围的时候，就更容易找到问题源头。而建立假设，有助于去伪存真的进行验证，进一步逼近真实原因。
往往重大的变化都伴随着重大事件的发生。因此反映在数据上，往往表现为在事件发生后，指标应声而落。这样即使不需要严谨的分析，只要在指标走势图上标识出事件发生的先后顺序，都能看出事件的影响。
事件可分为内部事件和外部事件。严格区分两种事件的影响是个很巨大的分析工程，而且很有可能压根区分不了。但内部外部事件对指标的影响方式与效果是不同的。
外部宏观事件我们常用PEST来分析，P影响一般是致命打击，直接把指标打崩，把业绩搞停。而EST的影响更多是渐进的、缓慢的、基础的、结构性的，因此表现在指标上，更多是阴跌不止。
内部事件往往能短期内快速改变指标，所以在解读指标变化的时候，可以按这个简单原则进行：泰山压顶看政策，短期变化找内因，长期异动找外因。
一定时间内同时发生的事件可能很多，要特别关注三类：
我们可以把事件标注在指标变动趋势图上，这样可以清晰地看到事件与指标的关系，从而更好地缩小怀疑范围，细化分析假设。找到那些看起来像是核心问题的事件进行深入研究。
有趣的是，在指标变动趋势图上标事件这件事，业务部门也**干，而且很多业务部门**直接依此下结论。比如天气一下雨销量就跌，一调价销量就涨。他们就想当然的**说：就是这个原因。
这是一种很经验主义的做法，可能**忽视很多结构性的问题。对做数据分析的同学而言，对于非十万火急的问题，其实这么做也无妨大雅。既然大家都这么认可，我们也省省精力。可以精选一些重+缓的问题，深入分析，找结构性变化的原因。这样既显得我们有价值，又显得我们懂业务。
区分问题发生的区域/渠道，也可以缩小假设范围。
比如看起来整体销售业绩下跌了30%，是否所有门店，所有区域都是30%，有没有还在涨的，有没有跌得更惨的，还在涨的/跌的惨的是不是有规律（门店位置、店长资历、开店时间、销售的产品线、存量客户群体……）通过分类对比，可以帮我们更容易找到问题发生点。
这么干还有个好处：为解决问题找标杆。比如在整体销售业绩下滑的情况下，有些省份/地市的门店可以做到不下滑，很有可能他们有独特的手段可以应对问题。
比如在整体流量减少的情况下，有些渠道仍然能供应优质流量，很有可能意味着新的机**。因此可以通过对比不同区域的数据，把表现相对好的也标出来，这样未来寻找解决方案也有了依据，不用自己凭空拍脑袋想办法。
需要注意的是，很多做分析的同学在这一步就直接下结论，大标题写“各地区销售问题分析”，然后给个答案是：因为ABC地区销量差，所以拖累大**。
这种分析是很容易引来：“我早知道了”的吐槽的。因为这只是找到了问题发生的地点，没有真正切入问题原因，真正影响零售的是外部内部，是人货场，不找到真正的问题根源，是不能说“问题原因是XXX”这句话的。
同区域类似，可以区分不同的客群进行切入，看不同客群间是否有差异。产品线也可以做类似的区分观察。一般传统企业没有完善的CRM，缺少客户ID，所以从产品线+区域的角度切入的比较多。互联网企业更关注用户群体，从用户角度切入的多。
这里引发了一个问题，比如当我看到区域、客群、产品线的时候，有可能都存在组间差异，该先从哪个维度切入呢？原则上讲，应该按行业的业务特性来，比如传统企业就是要先看区域再看产品。互联网企业就是习惯性先看用户。如果没有业务理解的话，那就看哪个组间差异大，从明显的问题切入。
截止到这里，字写了很多，可实际操作的时候非常轻松。因为以上所有分析只要基于一张指标日报和有分渠道/分用户群两个维度的日报就能搞掂。难点不是跑一个神奇的指标出来，而是去认真解读指标曲线走势，如收集和指标相关的数据。
锁定问题点以后，我们**有很多问题假设。本次指标下跌是因为：
之后可以根据时间、资源的条件来深入分析了。如果时间紧，可以直接打电话联系一线确认问题，然后把那些做得好的标杆经验直接复制出来。如果时间宽裕，互联网企业可以做ABtest，尝试剔除一些干扰因素。传统企业可以做试点，丢一些样板店下去看效果。
总之有了明确的假设，验证假设的速度就很快，找优秀标杆的速度也很快。前边所有的工作都是在为这一刻铺路。基础工作做扎实了，后续才越做越轻松。
这一篇的长度又破了陈老师的进度。熟悉陈老师的同学都知道，陈老师一向懒得写长文。为什么这个看似简单的问题却写了这么多？
是因为：解读指标才是数据分析师的看家本事，而这些年过度迷信技术，沉迷可视化，沉迷阿尔法大狗子，搞得新入行的数据分析师们的看家本事的水平越来越差。无论是求职还是工作都有很多让人尴尬的事。
比如很多同学2月份写日报，就写：因春节因素影响，销量低迷。然后2月份的周报也是：因春节因素影响，销量低迷。然后2月份的月报也是因春节因素影响，销量低迷。这就是传说中的三花聚顶式报表。同一句话啰嗦三遍，完全没有任何解读。
不过这不能怪同学们，因为跟很多同学深入聊以后发现：他们的主管压根没教过这些……
难怪，这些年很多挂着“数据分析”组长头衔的领导，其实是做hadoop，做BI出身，写sql出身，本身确实只有开发能力没有分析能力。所以这一篇才特别啰嗦，希望大家能平时多练起来，日报、周报、月报是数据分析的骨架，骨头都软了，人也就直接废了。
照例，这么长的啰嗦是有福利的，陈老师把上边拉拉杂杂所有的总结一张思维导图，下图左边是确认假设，右边是判定轻重缓急。大家在面试的时候，最好自己一边写思维导图一边说，对面试官是秒杀级的，比随口扯几个理由，然后被人嫌弃：讲得不全，讲地不到位要好的多。
接地气的陈老师，微信公众号：接地气学堂，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。
本文原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议。
