編輯導語：數據在產品的各個流程都能起到至關重要的作用。那么，當數據出現問題時，該如何進行有效的數據分析、并最終達到解決問題的目的呢？本篇文章里，作者就提供了一個相對結構化的解決思路，希望能對你有所幫助。

不管你是產品、運營、還是市場，是否經常遇到以下幾種情況：

• 上線某個新產品、新功能，要監(jiān)測該產品/功能的效果，既要看總體表現，又要看細分維度；
• 策劃某個營銷活動，要明確活動的目標用戶群體、用哪種方案能夠帶來最優(yōu)的活動效果；
• 投放某個渠道，渠道 ROI 又出現了較大的波動，需要找出數據波動的原因。

針對一個又一個問題，如果沒有清晰的問題分析思路，即使解決了當前的問題，等你遇到新的問題又會無所適從。那么數據分析這件事情，不管是放在產品、運營、還是市場，都是一門必修課。

從本質上，數據分析最終目的就是解決問題。

有可能你做的項目沒有一個專門的數據分析平臺，沒有數據后臺，但這并不妨礙你去思考這個數據表現出來的問題該如何解決（可能 Excel 就可以解決很多你遇到的問題了）。

今天要分享的，就是當你在工作中遇到了某個數據出現問題的時候，怎么去分析某個數據問題的思路。

既然是解決問題，那么一定涉及到解決問題的思路。

給大家介紹一下之前考項目管理中的【問題解決工具】，希望能夠幫助大家在用數據驅動解決問題的過程，有一個結構化的解決思路。

一、核心要素

當發(fā)現出現某個問題，或者應對某個挑戰(zhàn)的時候，使用結構化的問題解決方法可以有助于制定長久有效的解決方案，主要包含以下核心思路：

二、PDCA 戴明環(huán)—Plan-Do-Check-Act

常用的閉環(huán)迭代框架戴明環(huán) PDCA，也是解決問題或者說可以應用到平時工作上的方法，幫助你做結構化的思考。

主要包括計劃(Plan)、實施(Do)、檢查(Check)、執(zhí)行 (Act) 4個步驟，循環(huán)迭代，不斷提升。

其實還可以加一個環(huán)節(jié)- T (Think) 思考總結。

結合問題解決工具和數據分析的常用流程，可以提煉出數據分析的核心思路。

三、核心思路

1. 發(fā)現數據問題后，定義 X 問題

XY 問題：你想解決問題 X，但覺得 Y 可能是解決 X 問題的方法，但是你不知道 Y 應該怎么做，于是你去問身邊的人 Y 應該怎么做；但是 Y 不一定是 X 的解決方法，通俗地講叫作 “過早下結論”。

所有分析的源頭，必須是要先識別要解決的重要問題是什么，為什么是最重要的。當你確定了是什么，和為什么重要，那么也就逐漸明確了數據分析的目的。

1）定義 X 問題技巧

可以根據不同類型的問題，用一個包含”如何、是否、原因是什么”問句來描述，比如：

• 驗證類 —— 有了假設和多個可能解決的方案，驗證結果：“策略A，B，C哪種方法可以提升轉化率”；“策略A是否可以提升轉化率”。
• 找原因類 —— 某個數據出現了劇烈波動，尋找背后原因以及解決方法： “導致轉化率急劇下跌的原因是什么”。
• 預測類 —— 尋找事物發(fā)生的規(guī)律，來預測接下來即將發(fā)生的事件，比如 “學生放假對課程銷售轉化率是否有影響”。

2）問題具體化，不可太過于寬泛，否則數據收集會變得很困難。比如某個產品數據有沒有變好？

2. 定位問題，識別根本原因

那么經過定義 X 問題，明確了數據分析的目的后，就需要開始找問題出在哪兒。那么就有幾個數據分析的方法了，給大家分享幾個常見的分析方法。

1）全鏈路分析

對整個環(huán)節(jié)的每個節(jié)點進行分析，比如大家熟知的漏斗模型，AARRR 模型，都是典型的全鏈路分析。

以及業(yè)務模型中的用戶生命周期、產品生命周期等，針對產品，或者運營整體的每個節(jié)點進行分析。

全鏈路分析的核心步驟：

1. 梳理鏈路關鍵節(jié)點，確定關鍵節(jié)點的數據指標。
2. 針對每個關鍵節(jié)點進行數據洞察，查看問題點和增長點

2）組成因子分析

把整體目標按照某種分類標準，分解成不同的組成因子。因為整體目標只能看到目標達成的結果，不知道是如何達成的，執(zhí)行細節(jié)是如何。

組成因子拆解的技巧：

1. 嘗試多種方式、不同維度；
2. 優(yōu)先考慮項目團隊習慣的拆解思路。

3）影響因子分析

很多時候，因子對結果的影響是定性的，而不是像組成因子一樣是定量的，所以并不能完全把結果拆成多個因子相加。那這個時候可以用影響因子分析，列出對結果有影響的因子逐個分析。

比如說銷售額，影響因子有商品、會員、客服、流量、活動等，但你不能說銷售額=商品+會員+客服+流量+活動，對吧？

4）枚舉法

簡單粗暴地列舉出所有可能影響這個數據的因素。枚舉法大概會有以下 3 大步驟：

在列舉的時候，也可以用到親和圖，分類別列舉。

并且一定要有排序思維（將某個指標降序或者升序排列）。比如說在分析某個競爭對手的自然搜索關鍵詞的時候，面對大量的數據，先確定關注哪一部分數據能帶來最大的收益。

比如我在分析競品 Google Organic Search 關鍵詞流量的時候：

• 分類枚舉不同的關鍵詞（非品牌詞有哪些、品牌詞有哪些）；
• 對不同類別的詞的數據進行排序：；
• 將非品牌詞的 Search Volume 降序排列：看看哪些詞匯用戶搜的最多；
• 將品牌詞的 Traffic（%）降序排列：看看哪些品牌詞帶來的流量占比最大。

3. 提煉出有效的、明確的數據結論

優(yōu)秀的數據結論，并不是得到一堆圖表，它是有價值的結論。培養(yǎng)一種 “以終為始” 的思維，從最終結果出發(fā)，反向分析過程或者原因，尋找關鍵要素，采取相應的策略，從而達成結果并且解決問題。

那么怎么樣得到有價值的數據結論呢？一般有這么幾個步驟。

1. 明確業(yè)務目標；
2. “增減” 分析：增加收益、減少損失。增加收益，即增加收入、提升轉化率、優(yōu)化體驗、增加用戶參與度等；減少損失，即減少失敗率、流失率等；
3. 對業(yè)務進行分析（步驟2：定位問題、識別根本原因）；
4. 為自己的結論給出數據支撐。