一文读懂数据分析的流程和方法论

关于数据分析，这里想站在更大却更为实际的角度讲一下。

这里要讲的数据分析可能并不是某一个细小的事件，更多的是站在一项业务上去考虑，流程和工作量都要更为庞杂些。

数据分析的方法论

讲方法论之前，先思考什么情况需要数据分析？通常情况下是当领导或者自己发现某个问题，比如这一阵销售额低迷，存货量居高不下，客户流失率只增不减……这样的一个一个问题，可以称之为“点”。于是，第一时间对比自己的目标，这个月的销售额是要达到多少多少万，但是目前的问题是完全不符合自己的KPI的，所以会促使你去分析原因，找到解决的措施。问题与目标对接，两点成为一“线”。撇开流程，在业务外，是否有外部因素影响到了数据，这也是需要考虑的，一条直线和直线外一点，构成“面”，这里就强调分析问题要全面。多面成体，如果说能够考虑到影响目标结果的各个因素点，那么体则是从多面角度出发，能够从“旁观者”的角度看待整个分析“体”，更多的是强调全局观。

以上就是针对实际业务的一个分析方法论，要形成体，一方面要梳理组织架构，让数据在各个环节流程上流通起来，另一方面则需要一套行之有效的方法体系，指导日常的运营分析，而这个方法论就是我要提出的“点、线、面、体，四位一体方法论”。

点

点，这里是指业务上的痛点或high点，进一步可理解为业务发展异常点或进阶发展点，未来业务拓展关键点和BOSS关注点等。在数据上则体现为业务发展趋势中的波峰、波谷和数据离散点。

点是我们在数据运营中首先要关注的地方，是整个数据运营分析中的起点和基础点，也是“点、线、面、体”四位一体方法论中最基础的元素，是整个数据运营进程的扩展点。例如我们平时在网站或APP分析过程中，发现某一天的访客数明显低于正常水平，那么是什么原因导致这个异常点出现呢？又比如当月的销售量，某日的销售量明显低于其他什么原因引起的？此时的这个点就是我们数据运营的切入点。

点的发现关键在于数据的统计整理，形成规范，找出规律和切入点。比如我关注流量这一指标，通过可视化分析工具将各时段的流量数据抽取出来，前端做成一个dashboard界面，利用时间和查询控件供自助查询。

线

两点成一线，推己及人，将业务中的异常点和我们日常运营目标有效的结合起来，就能形成一条清晰的数据运营分析线。除此之外，在数据运营数据积累过程中，随着时间的推进，也能形成一条它自己的“时间序列曲线”，进而在分析过程中实现数据的时间价值。线的分析是实现数据与数据关联的过程，是看趋势的过程，是实现数据的时间价值与串联识别价值的过程。

另一方面，线的分析是维度分析的基础，思考问题的开始，这个过程有如数据在数据库中实现上下钻取、OLAP分析的过程。理解线的分析，一方面通过对运营目标的分析，来反思影响这一目标的各指标权重影响，简单点说，哪个因素发生变化会对销售量产生巨大影响，那这个指标的权重就越大，需要控制好。另一方面，比如分析流量在某一天下滑对月度销售额的影响，从流量下滑这一点出发，到对目标结果影响这一点关联分析的过程。一个是从结果出发分析影响因素，一个是从过程出发预测对关注目标的影响。“线”的分析在数据分析操作上体现在分析模型的建立，各指标的关联。

面

面在“直线”分析的基础上将外部影响因素“点”考虑进来，形成对目标分析更周详的考虑。面的分析一线与多点的考虑，面比较点和线多的是辐射的影响与考量，是点、线分析整合的基础上引入了运营场景的考量，并将不同数据运营过程场景化，简单的讲，一个场景就代表一个面。

理解面的分析方法，应从应用场景方面考量，考量各方影响因素。因为“面”，所以有了数据的角色化、场景化。

同样是销售的分析，对内受一些列因素影响，比如营销力度、人员分布。但放到市场环境中也会受到来自同行或者同产业链的辐射影响。有些企业会将市场环境因素纳入到分析监控中。

体

多面成体。如果说面是考虑到了影响店与目标结果的各个因素，那么体则是从多面角度出发，能够从“旁观者”的角度看待整个分析“体”，更多的是强调全局观，是对整个分析体系的认知，是对点、线、面的全面整合，是完成的数据运营体系。

点、线、面、提“四位一体”方法论是一个层层递进的过程，是对运营业务场景分析从简单到复杂的过程，从局部到全局的过程，是利用数据运营的思维方法。

业务分析的流程

明确分析目的→梳理业务形成分析思路→搭建分析指标体系→收集数据→处理数据→制作分析模板→可视化管理。

明确分析目的&梳理业务

分析要有目的有方向。是对现在面对的某个问题分析，还是梳理整体的业务现状，抑或是对未来某个指标的预测监控。简单来讲，就是解惑、监控、预测，目的是提效、增益。

明确目的后，需要梳理思路，怎么梳理？如果是分析近一个月销售额普遍下降的原因点，就要从下至上，还原整个事情进展的过程。购买环节涉及成交量、客单价和折扣率，然后还要分各类产品；浏览环节涉及浏览量、PV/UV；用户维度还有流失率、活跃度、复购率等等，把分析目的分解成若干个不同的分析要点，然后针对每个分析要点确定分析方法和具体分析指标。

搭建分析指标体系

搭建分析指标体系就是分析整个“体”，将分析框架的体系化，明确每个点都是什么指标，任何一个分析路径都能对应到指标（当然现实是不会有这么完美的体系的）。

以电商为例，遵循“人货场”的思维逻辑。常用的业务分析场景有销售、商品、渠道、竞品、会员等等，而商品可进一步细分为商品的库存、商品的利润以及关联销售分析。在整个业务分析体系中，确保体系化，即先分析什么，后分析什么，使得各个分析点之间具有逻辑联系，使分析结果具有说服力。

如何取数？

SQL是最基本的数据库语言，无论从什么数据库、数据仓库、大数据平台取数，都需要掌握。

Hive和Spark都是基于大数据的，Hive可以将结构化的数据文件映射为一张数据库表，通过类SQL语句快速实现简单的MapReduce统计。

清洗和处理数据

原始数据来自于各个业务系统，指标口径对不上，总会出现不一致、重复、不完整（感兴趣的属性没有值）、存在错误或异常（偏离期望值）的数据。这些都可以通过

数据清洗：去掉噪声和无关数据

数据集成：将多个数据源中的数据结合起来存放在一个一致的数据存储中

数据变换：把原始数据转换成为适合数据挖掘的形式

数据归约：数据立方体聚集，维归约，数据压缩，数值归约，离散化和概念分层等

制作模板&可视化展示

分析模板多用excel或者报表工具。如果业务部分有设立数据分析岗或者集团有特定的数据中心团队，会通过搭建BI平台来完成针对性的业务分析。

使用常规Excel或者传统报表工具，可以将做成的图表贴至PPT中，涉及Excel的高级功能，就需要学习VBA和数据透视表，但Excel适合已经处理好的成品数据。一旦涉及大数据量或频繁链接数据库，一些带有接口的数据可视化工具或报表工具就比较适合。