什么是顶级的数据分析方法？
在数据驱动的商业时代，数据分析成为了企业决策的重要工具。然而，面对众多复杂的数据分析方法，如何选择合适的工具来解决实际业务问题，成为了一个挑战。
经常有同学疑惑：
“什么是顶级的数据分析方法”
“面试的时候，被人问：用过什么方法，怎么回答好?”
“为什么我讲的分析方法，会被人嫌弃简单？”
今天系统盘点下数据分析方法，大家也好对号入座，看看自己讲的水平如何。
首先，并不是名字带“分析”俩字的，就是数据分析方法。有很多XX分析，是统计学、运筹学、数学的专业工具，并不直接指向业务问题的答案。当人们在问：“有什么分析方法”的时候，更多期望听到一个能给出结论的方法。
所以想回答好这个问题，要回到：数据分析到底解决哪些业务问题上去。
从业务用途上看，数据分析可以解决5大类问题
1、是多少（数据描述状况）
2、是什么（树立数据标准）
3、为什么（探索问题原因）
4、会怎样（预测业务走势）
5、又如何（综合判断状况）
围绕每个问题场景，有特定的方法组合（如下图）
一、解决“是多少”的方法
用数据描述状况，需要建立完善的数据指标体系。建立数据指标体系，则需要梳理清楚数据指标之间的逻辑。数据指标间有两种基本的逻辑：串行逻辑和并行逻辑，因此衍生出两种基本的分析方法：漏斗分析法&指标拆解法。
拆解的业务多了，人们发现，某些数据指标可以固定的组合使用，比如：
- 用户运营场景：AARRR指标、RFM指标
- 零售门店场景：人、货、场指标
- 商品管理场景：进、销、存指标
这些也习惯性被称为：分析模型。
但注意，这些都只是在展示数据。
数据+判断标准，才有分析结论。有关判断标准的分析，就是：是什么类问题。
二、解决“是什么”问题的方法
判断标准可以很简单，比如领导的指令、KPI要求、过往同期数据，都能作为标准。这些统称为：简单标准。但很多时候，指标走势是否正常，并无明确的KPI约束，甚至KPI达标，但是走势奇特，领导们还是会觉得有问题。这时候就需要找其他参照物。因此衍生出一系列分析方法。
比如：
- 与业务自身规律比较，判断好坏：生命周期法、自然周期法
- 与同类型，同期发展的业务比较：同期群分析法
- 与其他业务个体进行比较：分层分析法
这样对比，即使只有1个数据指标，也能得出好坏判断。如果业务发展违背过往规律，明显比其他个体更差，则可以判定为：不好。
当然，也可以使用2个指标，比如经典的矩阵分析法，通过两指标交叉+两指标平均值，分出四类业务，从而得出好坏判断。
如果用更多指标也行，比如常用的Kmean聚类，可以先利用多个指标对业务个体聚类，之后再看各类型之间表现优劣。
以上这些方法，都能将业务的好/坏区分出来，从而在一定程度上辅助判断。
三、解决“为什么”问题的方法
“分析下这个问题是什么原因导致的……”是常见的要求，这就是“为什么”问题。
解决为什么问题，有两大基本思路：
1. 结果推断：问题发生后，用各种数据寻找差异，建立假设。
常见的，比如：
- 结构分析法：通过结构分析，找到问题发生点
- 标签分析法：通过打标签，做个体对比，找到问题原因
- 相关分析法：通过计算指标相关关系，找到相关指标，再形成假设
- MECE法：讲多个业务假设，按MECE原则合并成分析逻辑，一一验证
结果推断，可以把业务口中“我觉得这是XX原因”，抽象成一个数据可验证的假设，因此适用范围非常广。但结果推断只是单方面从结果做归纳，有可能有偏颇，还需要实验验证。
2. 实验推断：先有假设，然后通过实验/分组对比，验证假设。
常见的方法包括ABtest、DID、PSM、RDD、Uplift等方法。
这些方法更接近传统统计学的实验，大部分都要求：
- 开展数据实验，验证假设
- 设参照组/实验组，且参照组/实验组特征相似
- 区分控制变量、环境变量，重点测控制变量的影响
实验推断有统计学依据，计算过程复杂，看起来更量化一些。但是对实验条件要求太高，比如大促销类ALL in的业务，比如商品、店铺这些无法控制环境的业务场景，比如业务员行为、内容传播等难采集数据的领域，都很难用。
理想的状态，肯定是两者结合，事实-假设-验证，不断循环，接近真相。但现实中有很多条件制约。导致我们只能从一个角度切入，慢慢靠近真相。四、解决“会怎样”问题的方法
预测类问题，是所有人都感兴趣的话题，也是统计学/算法最有可能发挥作用的地方。唯一限制方法使用的，是：到底有多少数据&业务人员要不要参与。
如果业务人员坚持参与预测过程，就只能用业务假设法或者滚动预测法，这些方法把影响结果的参数都列出来，方便业务人员拍脑袋，也能帮他们清晰：我要做多少。
如果业务人员不参与，则视数据量的多少。数据少，则使用时间序列预测，数据多，且有影响结果的原因数据，则可以用诸如回归模型一类算法预测。
五、解决“又如何”问题的方法
综合评估与分配问题，统称“又如何”问题。这是决策的最后一步，决定是否对业务做动作，做多大动作。有些简单的评估是很容易的，比如销售签了生死状，达不成业绩目标就炒鱿鱼。
但大部分情况，评估很复杂，要考虑方方面面。这里最大的区别，在于要不要考虑领导的主观意见。如果要，果断使用主观评分法！满足领导的打分欲是第一位的。如果不要，再考虑使用有监督的机器学习算法，或者因子分析法，DEA法（求的是相对效率）等客观方法。
至于：做多少，谁来做。就是更复杂的问题了。想做好分配，得先把前边几步分析做完，对每个业务线基础能力有充分认识，才好下判断。这里，线性规划的方法，可以用来做支持。
六、为什么感觉没用上方法？
综上可见，数据分析的方法是非常多的。但为什么很多同学感觉自己没用上方法呢？因为每种方法是和业务场景、领导风格、数据质量、息息相关的。
比如因果推断算法大多基于分组测试展开，而实际业务中，很多因果分析是事后再查原因，也不给二次实验的机会。
比如很多公司的分配方案，根本就是领导拍脑袋，一言堂，根本没机会让分析师用算法。
比如预测问题，很多公司根本没有足够数据积累，只有一条销售数据，那撑死了也只能用时间序列法。
这种理想与现实的差距，让很多同学很痛苦。一方面不清楚到底这些方法该如何用，另一方面不了解，自己该如何应对业务需求。面试和工作都很吃力。
本文由人人都是产品经理作者【接地气的陈老师】，微信公众号：【接地气的陈老师】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。