做數據分析，我只會同環比，誰能教我怎么寫結論？

　　有同學問：老師，我看數據，完全得不出結論。都不知道這些數字在說什么。可有的人就能看出很多問題。甚至我們做銷售的領導，只要看一兩個數就能做判斷。我該怎么辦呢？

　　答：這其實是解讀數據商業含義的問題。企業里常說的“要對數據敏感”“要看到數據背后的問題”其實都是這回事。解讀數據商業含義，是把數據利用到商業的關鍵環節。我們從一個最簡單的例子開始。

　　我和我們家2歲小朋友coco經常玩賣東西的游戲，coco把紙巾擺在“商店”里，然后我拿著各種洋娃娃來買紙巾，于是有了下邊的對話：

　　日常對話：

　　我：小馬來買一包紙巾

　　Coco：給，一包紙巾

　　我：小熊來買一包紙巾

　　Coco：給，一包紙巾

　　我：小象來買八包紙巾

　　Coco：一、二、三、四……

　　我：coco，如果客人要買8包紙巾，你可以關心它一下，是不是感冒了

　　Coco：為什么呢？

　　我：因為你看，正常的客人都只要一包紙巾，買8包就說明小象可能有特殊需求。它有可能感冒了，要多擦鼻子。你關心他一下，他會很開心，以后買的更多了。

　　Coco：ヾ(?°?°?)??好，那我還可以給它打針

　　媽咪：o(╯□╰)o你這學的也太著急了……

　　解讀商業含義的第一種方法就是這樣：找數據指標的商業含義+對應的數據表現。這是最基本的思路，后續各種方法，都是在此之上的延伸。

　　就像紙巾，可能人人都需要用，但不同需求程度的人需要數量不同。如果人人都是1包，有些人突然要很多，就可能隱藏了更大需求。比如感冒、胖子、拉肚子等等。

　　作為商店老板，可以簡單的從客人的體型（胖不胖看得到）、身體狀況（打噴嚏、精神萎靡）等來解讀數據，進而采取行動，爭取更多的顧客青睞。

　　不光一個數據背后有商業邏輯，多個數據之間也會有商業邏輯。比如如果一個客人買尿布，那他會買啤酒？錯！當然優先購買的是干紙巾和濕紙巾。

　　真正帶過娃就知道，給寶寶清理屁屁，用紙巾就像吃紙巾一樣快。所以從商業角度，這兩者本身就是強相關的。這也是為什么啤酒尿布的故事吹了那么多年，可超市還是把尿布和紙巾擺在一起賣的原因。商業邏輯本身決定了這一點。

　　更多類似的，比如

　　買房→裝修、整套家電

　　結婚→旅行、攝影、金銀首飾

　　火鍋→涼茶、飲料

　　即使沒有所謂“關聯分析”數據支持，在商業上這些東西也是天生共生的。因此解讀數據的時候，可以把若干有商業聯系的指標聯起來看，就更容易明白商業含義，讀出商業機會。

　　再來個復雜點*1的例子

　　上邊舉的都是一個時間點的例子，當時間拉長，又會有更多的情況出現。比如單純看一個時間點的銷售數據，可能看不出規律，如果拉長如下邊兩張圖，就能看到更多含義。

　　圖一是所謂：周期性規律。比如零售行業，都是以周為單位、循環往復發生購買。

　　圖二是所謂：生命周期規律。比如新手機上市，都會經歷成長、成熟、穩定、衰退四個階段。

　　支撐曲線形態的，自然還是商業邏輯。比如零售行業賣的都是衣食日用百貨，這些東西消費者就是周期性購買。比如手機行業，就是新品上市很熱門，然后更多新品出現，舊的機器被淘汰，慢慢被遺忘，最后退市。

　　數據曲線，只是真實的反應了這個過程。所以想解讀數據含義，往往是先記錄數據，從數據曲線發現規律。然后再看回具體的商業場景，為曲線走勢找到商業上理由，從而理解了含義。這是解讀數據第二種方法：趨勢分析法。其實就是商業邏輯+時間維度。

　　不要小看這一條曲線。當我們已經掌握了某些曲線形態以后，就更容易讀懂數據，比如下圖：

　　如左圖。如果單看一個點，ABC都是“下跌”，可代入周期規律再看，A點僅僅是周期性變化，因此沒啥大驚小怪的。

　　可B點就不一樣，B點雖然也是周期性變化，可整個曲線走勢，在經歷1個周期后越來越低，說明運行出現了問題。

　　而且雖然B點本身跌的很厲害，可真正問題應該是出現在曲線下沉的源頭：C點的。所以追溯原因就得往前找，才能找到本質問題。這個場景在我們真實做分析的時候很常見，往往一天內暴跌會引發人們關注，可拉長看趨勢，才知道有可能問題的伏筆早就埋下來了。

　　如右圖，如果我們掌握了藍線走勢，結果發現新上的手機走出了橙線的趨勢。顯然這個手機的成長未達預期，有可能后邊也不好賣。精明的商品運營可能這時候就會消減后期進貨量，安排庫存清理，而不是繼續按計劃大量進貨，結果積壓嚴重。

　　這是解讀數據第三種方法：趨勢定標法。我們知道，單純的一個數字不能說明問題。數字+標準才能說明問題。趨勢本身就是一種天然標準。如果我們通過過往數據，掌握了某個商業問題的走勢，那么我們就可以拿這條趨勢線，來判斷新問題。不需要很復雜的分析，單純一根線就夠了。

　　這就是為啥經驗豐富的商品運營、銷售總監，看一眼銷售數字就知道問題所在。而我們的數據分析師們吭哧吭哧跑了一堆數也沒有結論。有可能，做數據的同學們在數據里陷得太深。只是忙于收集數據，忽視了總結過往趨勢。結果反而看的數字越多，思路越混亂。

　　再來個復雜點*2的例子

　　有時間維度對比，自然有空間維度的對比，這是解讀數據第四種方法：多維對比法。其實就是商業邏輯+分類對比。

　　比如孤立看一個人客人的消費，我們很難解讀出來他有什么特點。但如果我們知道，這個客人用花唄結算，另一個客人用招行金葵花卡結算。再看兩人的消費，就馬上有感覺了：這代表了高端顧客和低端顧客的需求。兩類客戶的消費對比，使我們更能理解用戶需求。明白兩個差異數字背后反映了什么

　　分類對比，建立在我們有足夠多的分類指標之上。比如B2C領域，用戶性別、年齡、收入、地域等都能成為分類指標。

　　比如B2B領域，企業的行業、規模、增長速度、負責人性格，也能成為分類指標。當我們不理解數據含義的時候，可以試著看，這個數據在不同類用戶、不同地區的差異，從而總結出規律。

　　以上例子，利用的用戶基礎屬性比較多。可在真實企業經營中，我們可能很難知道用戶真實屬性。只有銀行、航空公司這種有法規背書的、相對規范的行業才能采集到真實信息。這時候，可能我們得更多利用內部數據做分類。

　　一個典型的做法是，利用過往的消費情況作分類指標。因為消費數據是每個企業都有的，并且相對準確（收了錢不給客人貨，會被客人懟死的）。

　　比如理論上，一個用戶買我們的日用品消費，買的越多，頻次越高，意味著他對我們更忠誠，有可能以后來買的概率也很高。如果忠誠的用戶都是30天內會二次購買，那一個用戶已經40天沒來了，可能我們就得關心一下他，發個短信、打個電話提醒一下之類的。

　　是滴，這就是所謂RFM分析法。其實就是用過往的消費經歷做標簽區分用戶類型。

　　要注意的是，現在的網絡課程都喜歡舉RFM的例子，可現實中這個場景并不多見。比如商超、金融、汽車、住房、租房、虛擬點券、家電、旅游、都沒法簡單的用RFM來解釋，要么根本沒有用戶ID；要么消費頻次很少，或者根本沒有二次消費；要么用戶決策的邏輯前后之前根本沒聯系。

　　所以在做分析時，一定要認真看看自己的商業場景合適不合適，不要直接懟模型上去。

　　注意，RFM已經涉及三個指標。當指標很多的時候，指標之間就會產生邏輯關系。如果一個商業動作分1,2,3,4,5,6步展開。用戶做完一個做下一個，這就是所謂串行指標。串行的商業流程中，用戶有可能流失，因此把6個指標拼起來，就構成了所謂的漏斗分析法（第五種方法）。我們可以觀察一個漏斗的形態變化，來解讀數據。

　　比如下圖假設。我們在網上買東西，都要先看商品→瀏覽詳情→加入購物車→付款，這一套流程就構成串行關系，可以做成一個漏斗。單一維度去看漏斗的某個環節，也能做出解讀，但擺在一起，能更明顯看到問題，比如下圖：

　　明顯可以看到，A產品轉化比B更好，B的漏斗在尾部收的很快，說明B產品有真實顧客需求，但客人們看到了并沒有下單，有可能多平臺比價后，發現我們價格更貴，就流失了。這時候得再配合市場價格與我們平臺價格對比等數據，進一步解讀。

　　一般漏斗分析在互聯網類業務（電商、游戲、O2O、社交）等應用比較多，是因為互聯網更容易記錄用戶行為數據。

　　傳統企業其實也有漏斗，比如銷售跟單，就是一個典型漏斗：接到銷售線索→初次拜訪→確認需求→打樣→議價→簽約。

　　只是傳統企業缺少IT系統支持，轉化過程缺少數據記錄，所以才很少能這么分析。如果上了CRM+嚴格渠道管理策略，其實傳統企業和互聯網企業分析沒啥區別。

　　再來個復雜點*3的例子

　　當一個商業問題包含nnnn多細節，本身特別復雜時，我們需要引入更多指標來描述問題；解讀數據的思路也就更復雜，但解讀數據的順序仍然是一樣的：

　　1.明確指標的商業含義

　　2.為單指標“好/壞” 判定尋找標準

　　3.依據指標的商業含義，梳理指標邏輯，搭建指標體系

　　4.從整體到局部，從結果到過程，一步步解讀

　　在每一個具體細節上，操作方法都可以用上邊的小技巧。我們需要把一個具體的商業問題，轉化為可分析的點。比如要我們“分析一下公司的用戶情況”，那我們就得把這個宏大的問題拆成更多小問題，一個個解決。比如：

　　1.我們用戶有多少

　　2.我們用戶增長、保留、活躍情況如何

　　3.我們用戶轉化情況如何？

　　4.在哪些時間節點、哪些產品轉化？

　　5.不轉化的用戶停止在哪一步？

　　由于涉及指標眾多，為了有條理的講清楚，我們可以構建一個類似下圖，包含了串行并行復雜關系的巨大邏輯樹。解讀的時候，從大到小，層層深入，先抓主要矛盾。這樣就能講清楚了。就不用盯著孤立的幾個數字糾結“為啥客戶又少了呢？客戶少了又怎樣呢？”

　　實際上，復雜的商業問題，都是通過化繁為簡，層層細分來解決的。絕不是：我有個阿爾法大狗子模型，只要把數據往里一懟，他就“汪汪”輸出結論了。

　　真正困難的，不是統計學的復雜公式，而是如何把具體商業問題轉化為可分析的指標，如何在解讀數據的時候找到商業含義。

　　這需要的不僅僅是對數據的理解，更需要對商業的理解才行。具體怎么做，以后慢慢分享，這一篇文章已經很長，很長了。表揚能看到這里的同學，大家成功挑戰了自己的專注度，這也是做好數據解讀的一個關鍵點哈。