无论是产品还是运营，都离不开去用数据分析、解决异常问题。但是，在我们找到数据后，数据并不会直接告诉我们答案，我们需要做的就是把问题转译成维度和指标，然后提取数据，之后才是分析、解决问题。

数据分析是产品、市场、运营等岗位的基本技能，越来越多的招聘要求中，将数据分析视作基本要求。当然，大部分情况下，业务需要的数据分析是非常基础的，只需用Excel做基本的统计计算，无须像专业的数据分析师，手握SQL和R，运用回归、分类树等算法，输出高精尖的报告。

从业务场景出发，数据分析是问题驱动的。也就是说，每一次启动数据分析，本质是发现问题、翻译问题、归因问题和解决问题。

基于数据，发现问题是数据分析的第一步。问题之所以被称为问题，是因为数据表现不符合“常理”或逻辑，正所谓“事出反常必有妖”。

01 发现问题：异常与锚点

大学时上普通心理学课程，讲到精神障碍一章定义“正常行为”时，老师课上讨论过“正常”的定义——是取平均值，还是取众数，还是取中位数？

数据分析中也是如此，“常”是什么？

“常”可以是时序中的历史数据。比如App的日活用户数（DAU），我们要判断它是否正常，通常需要参考T-1、T-7、T-30的DAU，计算环比增幅（降幅）。

“常”也可以是竞品或者行业均值的指标表现。例如，微信公众号头条文章的粉丝打开率为5%（一个虚拟的数字不具备实际参考意义，即100个公众号粉丝，平均5个会打开公众号推送的头条文章）。如果你的公众号的粉丝打开率低于这个数值，那么就要反思，是否是头条文章的内容不够吸引人。

或许你也发现了，“正常”也好，“异常”也罢，都是基于比较产生的。增速“快”、渗透率“高”、客户数“少”，都是相对而言的。因此，基于数据定位问题的第一步，在于找到正确的锚点。

再看一个简单的例子，你就会明白选择正确的“锚点”对于定义问题是多么的至关重要，因为只有选对锚点才能发现真问题。

互联网广告有一个显著的特点，广告主特别是中小广告主倾向在周末减投或者停止投放，因此周末大盘的广告主数量都会比较少因此。如果是将周六在投的广告主数量与T-1（昨天，也就是周五）的投放广告主数量相比，在部分行业会出现“断崖式”的下跌。但是如果你去对比T-7（也就是上一个周六）在投广告主数量，你会发现数据并没有发生显著变化。

假设我们已经定义清楚了问题，那么接下来就是找到引起问题的因素，而这则需要数据指标按维度的拆解。

02 翻译问题：维度与指标

工作当中，无论是刚入职场的新手，还是已经在职场打磨十几年的老兵，面对数据分析时，最常犯的错误是混淆维度与指标。

维度是针对对象的描述性特征或者属性，比如城市的分级、性别、行业等；指标是用户衡量对象的单位或者方法。维度与指标一般成对出现，共同构成一组数据。

例如，我们要分析北京、上海、广州和深圳4个城市2019年的GDP，那么城市就是维度，GDP就是指标。

再举一个例子：最近疫情发展牵动着很多人的心，我每天早上醒来除了睁眼，第一件事情就是查看昨天全球新增患病人数，特别是每个国家的新增患病人数。在这里，维度就是国家/地区，指标就是昨日新增患病人数。

数据提取时，我们还需要定义的是“筛选条件”。严格意义上，它只是维度或者指标的二次使用，与维度、指标并不在同一个逻辑层面。

现实业务中，我们的数据表中存储着多个主体的多个指标数据，但是不是所有的维度和指标是需要我们关注的。因此，我们通常会通过维度或者指标，对将要提取的数据进行限制，避免数据量级过大，同时也避免我们的注意力分散。

还是以本次疫情中每个国家新患病人数为例。假设我只关心那些已经出现新冠肺炎病例的国家，因此筛选条件为截至到昨日，累计感染新冠肺炎病例数（指标）>0的国家和地区；那些还未出现感染患者的国家和地区暂时就不用考虑。

当然，如果只希望关注亚洲国家的疫情进展情况，那么在国家这个维度中，只需将国家限定为中国、日本、韩国、伊朗等亚洲国家。

在我们正式进入后面的内容之前，请记住：维度、指标与筛选条件，是我们进行数据分析的基石。

尽管我们每天都会遇到各种各样的数据分析需求，然而，数据本身是不会说话的，不会直接告诉你答案，你需要做的是把问题转译成维度和指标，然后提取数据，之后才是分析。

所以，收到数据分析的需求，不要急着写SQL或者打开Excel，先明确下问题是什么，以及希望达到什么样的目标。

怎么样才能准确翻译成维度和指标呢？不要着急，我们一步步来。

假设，某一天我们被问到这样一个问题：为什么2019年我们公司拳头产品——洗面奶的GMV下降了？

步骤1：明确分析的主体-限定筛选条件

公司的产品线非常丰富，从洗面奶、面膜、面霜、BB霜等，护肤类和彩妆类产品线基本都覆盖。

好了，现在很明确，我们需要分析的数据是洗面奶，其他的产品如面霜、口红等产品，暂时不需要我们操心。

聪明的你，肯定会记得，我们需要在筛选条件中，将产品种类这个维度限定为洗面奶。同时！！！时间维度限定为2019年，但是为了对比（参见上一篇），我们也需要提取2018年洗面奶的GMV数据。

步骤2：观察数值——明确指标

我们拿到的问题是：为什么2019年洗面奶的GMV下降了。

假设GMV在我们的业务范畴为复合型指标，也即是由2个基础指标计算而来的，比如我们规定GMV=销量*售价。

为了简化问题，我们假设2019年洗面奶售价与2018年持平。也也就是说，2019年相比2018年，GMV下降的本质是销量下滑。

步骤3：大胆建设提出原因——拆解维度

分析洗面奶销量下降的原因，本质上就是找到在哪个维度上下降。

洗面奶销量下降，我们猜测可能的原因有如下：

① 时间维度：2019年双11促销活动复杂，用户参与度低；

② 渠道维度：2019年小红书下架，导致洗面奶在小红书上的销量下降；

③ 消费者维度：2019年，30岁以下消费者购买洗面奶的人数减少；

……

• 针对第一个猜想，我们只需按月（时间维度）提取2018-2019年24个月的销量数据，比对2019年双11与2018年双11期间的销量情况；
• 针对第二个猜想，我们需要按照渠道（小红书、天猫、京东、唯品会、KA卖场等渠道维度）提取销量数据，分析小红书渠道的销量相对于2018年的增幅；
• 针对第三个猜想，我们只需分析每一个年龄层级购买洗面奶的消费者数量即可。

03 归因问题：维度与溯源

可能你已经发现了：我们一般依赖指标的“异常”来定义问题，然后通过维度拆解指标来定位和归因问题。

还是以洗面奶销量下滑原因拆解为例。通过多个维度的拆解，我们发现洗面奶在小红书渠道销量下滑，是导致洗面奶销量下滑的“罪魁祸首”。

为了验证你的观点，你可能还需要在维度间交叉验证：如，洗面奶销量下滑的时间，是不是也刚好是小红书被下架的时间？

事实上，维度非常多，如果我们只是粗浅地观察数据趋势，有可能得出的结论与真相大相径庭。当然，我们经常遇到的另外一个问题则是：导致销量下滑的原因多种多样，多个维度都可以解释销量下滑，我们只需关注主要的维度即可；否认这如果我们不停地进行维度下钻，或者维度间的交叉分析，只会陷入“维度灾”。·

接下来就是怎么做，让数据指标恢复到“正常”——由上面的成因，导出你的执行策略。

04 解决问题：针对维度，影响指标

假设我们已经成功定位到问题了，即定位到维度了，接下来就是输出策略的时刻。

其实，这是一个需要case by case讨论的话题，毕竟业务场景不同、资源条件不同，方案也会不一样。

这里，只强调一点：你的方案，必须能强有力地影响指标。

咋看起来是废话，但是真实的工作中，你会发现很多方案与想要达成的目标经常南辕北辙。我们经常会忽视的一点是任何行为都会导致你可能意想不到的后果，感慨“原来这样也可以”：

一个经典的案例是考古学家期望收购更多龟壳以拯救甲骨文，结果发现很多人都把龟壳砸碎了来卖，因为是按块数付给他们费用，导致很多人把完整的龟壳敲成一块块的，以获取更高价值。

实际上，很多活动也是如此：一个明明以GMV为导向的活动，愣是把活动路径设计地非常长，造成用户跳转到其他频道流失。

好了，以上就是我的一些思考，我叫余子申，关注B端产品和营销，欢迎大家多多交流。