做數據分析的同學們都遇到過這個問題：從多維度分析問題，提出對業務有意義的建議。這個題目看起來很簡單，可很多同學辛辛苦苦跑了一堆報表，結果只落得業務一堆抱怨：
“你這一堆說明了啥！”
“你的重點在哪裏？”
“你的維度太單一了！”
好！冤！枉！
明明出了那麼多組數據，爲什麼還被說“分析維度不夠多？”今天我們系統解答一下。問題的本質是：業務口中的“多維度”，完全不是你想的那個“多維度”。
數據分析眼中的多維度
對數據分析師而言，多維度，往往指的是數據指標的拆分維度。舉個簡單的例子：3月份銷售額3個億。這就是一個指標，沒有拆分維度。如果加了分類維度，就是下邊的效果：
注意：比起只看總數，用多維度拆解數據，是能更精確地定位數據的。常見的方法有兩種：一、添加過程指標；二、按業務管理方式添加分類維度。比如只看總銷售金額，我們發現差3000萬達標，可我們並不知道爲什麼不達標。這時候如果拆解細一點，比如：
1、添加分類維度：看到哪個業務線沒做好（如下圖）
2、添加過程指標：看到從用戶意向到付費，哪個環節出了問題（如下圖）
增加過程指標+分類維度，就能更精準的定位問題。甚至一些簡單的結論已經呼之欲出了。正因如此，很多數據分析師把業務口中的“多維度”，直接理解成了“維度多”。一聽到要做分析，振臂高呼“拆！拆！拆！”層層疊疊做了一大堆交叉表，把各個分類維度的數據都做了出來（如下圖）。
然而，僅僅“多”，就足夠了嗎？
業務眼中的多維度
業務口中的“多維度”，完全不是這個意思。業務腦子裏裝的是不是數據庫裏的表結構，而是一個個具體的問題。當業務看到“3月份銷售沒有達標”腦子裏想的多維度是這樣的：
是不是看傻眼了。
你會發現，單純地拆解數據根本無法回答上邊的問題。是滴，一個都回答不了。甚至單靠看數據都沒法回答這些問題。
即使把問題定位到：“3月業績不達標是因爲A大區3個分公司的客戶意向簽約太少”，定位到這麼細的程度，也不能回答上邊的問題。
因爲到底意向太少，是因爲對手發力了、產品沒做好、活動沒跟上、用戶需求有變化……還是沒解釋清。具體的業務問題，一個都沒有回答。自然業務看了一臉懵逼了。
3
真正的多維度分析，這麼做
從本質上看，真正的多維度分析，其實考的不是數據計算能力，而是策略能力。
具體來說是三個方面：
1、把業務上理由，轉化爲數據上論證。
2、堵住藉口：業務不要總試圖甩鍋，集中精力想能幹點啥。
3、找到癥結：在一堆影響因素裏，找到最關鍵的那個，集中發力。
注意，這三件事是有順序的。先把數據論證方式列清楚，避免大家放空炮（數據不能論證的理由就閉嘴，是個非常好的議事規則）。之後先堵藉口，找藉口並不能解決問題，因此先把各種逃跑路線堵上。最後再集中想辦法，想辦法的時候，從大到小，從粗到細，先搞大問題。綜上，這個事可以分六步做。
▌第一步，要先對業務明裏、暗裏提出的說法做分類。
對每一類問題，構建分析假設，把業務理由轉化爲數據邏輯，拿數據說話（如下圖）。
▌第二步，優先排除藉口。
往往藉口產生於：宏觀因素、外部因素、隊友因素。所以在這裏，關鍵是證僞。只要能推翻他們的逃跑藉口就行。證僞最好用的辦法就是舉例法，同樣是下雨，爲什麼別人就抗得住。同樣是流量難搞，爲啥別的業務線能持續增長？（如下圖）。
舉例法還有個好處，就是在反駁藉口的同時，也指出瞭解決問題的出路。業務最討厭光講問題不講方法的人，因爲噴人人人都會，解決問題可就難了。給出具體的學習對象，可以極大的激發業務思考對策，從而達到雙贏的效果。
▌第三步，解決白犀牛，剔除明顯的重大影響。
比如監管政策、公司戰略、重大外部環境等等因素，確實會對企業經營起到重大作用，並且這些因素是普通小員工只能接受，不能改變的。但是！這種重大因素表現在數據上，有嚴格的要求（如下圖）。
因此如果有人想推脫給這些因素，要看：
1、事實上有沒有發生這個事
2、數據上符合不合符走勢
以此敲警鐘：不要事事都怪大環境不好。你丫走到哪裏都是大環境不好，你是影響大環境的人吶！先排除這種大因素的影響（或干擾）再聚焦看我們能做什麼事情。
▌第四步，解決黑天鵝，剔除明顯突發事件。
如果發生的真是突發事件，很容易找到問題源頭
正向的：促銷活動，某羣體用戶騷動，新產品上線……
負向的：惡劣天氣，突發事件，系統宕機……
因此先排除單次突發問題，找清楚一點原因以後，再追溯之前的情況，就容易說清楚。
▌第五步：按分工鎖定問題點再談細節。
解決了大問題以後，想討論更細節的問題就得鎖定部門，先定人再談計劃。之前已有分享，這裏就不贅述了。
▌第六步：鎖定細節問題。
請注意，即使聚焦到一個部門的一個行動，還是很難扯清楚：到底是什麼業務上原因導致的問題。
因爲本身業務上的事就是各種因素相互交織很難扯清，比如：
內容運營：傳播渠道、主題、調性、風格、圖片，發送時間，差一個都可能撲街
活動運營：目標羣體、活動門檻、獎勵內容、參與規則，差一個都可能撲街
用戶運營：新人進猛做留存就差，留存猛做新人進費用就少，兩頭都做兩頭投入都不夠
商品運營：選款時候看100個維度，可一天不上線一天不知道真實表現，你上了，他撲了
可能做數據的同學本能反應是：能做ABtest呀。實際上大部分業務是沒有時間、空間做ABtest 的，而且有些東西（比如選品、文案）影響維度太多，得做無數組ABtest才能測清楚。而且對已經發生的事，也沒法再做ABtest了。所以想區分相互交織的因素，還得有更多輔助方法配合。
文章來源：数据工匠俱乐部
原文鏈接：https://mp.weixin.qq.com/s/EDf0-ouWpYu-auB-QvMVRg
※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※
我是「數據分析那些事」。常年分享數據分析乾貨，不定期分享好用的職場技能工具。各位也可以關注我的Facebook，按讚我的臉書並私訊「10」，送你十週入門數據分析電子書唷！期待你與我互動起來~
文章推薦
◆跟資料打交道的人都得會的這8種資料模型，滿足工作中95%的需求
回顧十週入門數據分析系列文：
關注數據君的臉書：
我是「數據分析那些事」。常年分享數據分析乾貨，不定期分享好用的職場技能工具。按贊我的臉書，會有豐富資料包贈送唷！
