一、现实与Kaggle的区别
现实环境的数据分析工作和Kaggle题目之间，最大的区别在于Kaggle上的问题往往非常清晰。
预测类问题，你只需要把预测做的足够准确就能拿高分。
但在实际的业务环境中，你做了一个很牛逼的预测模型，换回来的只是业务方一句“这个有什么用？”
有时候业务方提出的问题也很不靠谱，提需求的时候说是要分析一个问题的原因，结果实际上问题根本就不存在，只是对方的感觉。
所以如果你在Kaggle上可以混的风生水起，那么只能说你对于确定性问题的解题方法掌握比较好。
但到了实际业务环境下，识别问题成了一个更重要的能力。
业务人员提的数据分析需求往往很杂，各种千奇百怪的“是不是、有多少、为什么、能不能、会不会，怎么办”等问题层出不穷。
到底哪些问题可以归为一类？这类问题又该如何分析？这是每个数据分析师都想知道的。
我根据自己的经验和理解，整理了一套定义问题的方法，分享给大家。
二、一个业务分析需求的必备要素有哪些？
一个业务分析需求，必备的要素有哪些？
上一篇提到了一个思考框架，业务流、管理流与数据流。
这里简单复习一下，一般常见的分析流程：
1. 是什么
用数据流反应管理流，解决“是什么”的问题。留存率是多少，算高算低？如果留存率低的话是哪类用户低？
我一般把常见的细分分析得出的结论，都归纳成“是什么”。
“为什么购买转化率低？”，“因为落地页的转化率低”。
类似这样的回答，其实只是对转化率做了细分，本质上还是“是什么”。
真正的“为什么”是“为什么落地页的转化率低？用户到底在想什么？需求是什么？”
2. 为什么
用数据流反应业务流，解决“为什么”的问题。
什么原因造成一部分用户的留存率低？是因为需求无法满足？还是非目标用户群体？
如果是落地页转化问题，那么现在落地页上的问题是什么？哪些元素降低了转化率？
这类问题的答案要落实到具体的用户需求上。
有时候数据可以反应用户的实际使用情况，比如用户在落地页上停留较长，也愿意查看活动规则，但是转化率很低。
那么这种情况大概率是用户被卖点吸引，但是看不懂规则，或者实际活动与他的理解不一致。
很多情况下，数据没法直接反应用户遇到的问题，必须通过用户调研实现。
3. 怎么办
在管理流中找对策解决业务流的问题，解决“怎么办”的问题。
如果是需求无法满足这部分用户，那么我们可以怎么解决这个问题？增加功能还是优化现有功能的体验？
有时候，这一步并不一定是数据分析师来做的，甚至不是从数据上推导的；上一步的“为什么”如果已经找到非常具体的原因，比如“A类用户流失主要是由于会员到期”，那业务方围绕着如何促进续费就能改善这一状况。
4. 目的
除了分析的常见流程，还有一个分析的前提——这次分析的目的是什么。
这个目的往往是改善某一个具体的指标。
我虽然经常吐槽业务人员没有数据驱动业务的思维，但是在KPI问题上，业务人员对数据思维往往非常好；如果做的事情没办法用数据衡量，对业务人员来说价值不大。
所以，一般来说，一个数据分析需求一共要经过四个阶段：
目的：确定分析的目的，优化什么指标。
是什么：确认现在的指标情况“是什么”，问题集中在哪个部分？
为什么：现状为什么是这样，用户的需求是什么？
怎么办：制定什么样的对策来优化指标。
三、常规的数据分析问题类型
最常规的问题类型，是业务方知道前面N个环节，需要分析后面的环节。
比如最常规的，只知道目的，后续都需要分析。
用户运营找到数据分析师，想要做一个专题分析，主题是如何提升用户的活跃率。
这个问题的目的很明确——“提升用户活跃率”。
但是后面的部分就没那么清楚了，数据分析师可以按照之前提到的四个步骤一步一步地向后推进。
首先要做的是“是什么”，把现有的用户活跃率的数据提取出来，看一下目前的数据表现如何。
如果数据表现确实不太理想，那么再看看到底是整体都低，还是有部分群体特别低。
之后是“为什么”的阶段。如果有部分群体活跃率特别低，那么这部分用户为什么活跃率低？他们的需求是什么？
最后，针对新用户的问题，制定对应的业务动作；如果发现这部分群体只使用一些基础功能，那么如何引导他们使用高级的功能？
这样一个完整的分析基本就完成了。
其中的具体分析细节本篇暂时不讨论，放到下一篇再讲，这篇主要讲一下整个分析思路的框架。
这类问题是知道前面N个环节，分析过程都是类似的，向后分析即可。
四、验证猜想型需求
其他的数据分析问题，可以用一个表来归纳。
大体分为两类，一类是有目标的，一类是没目标的。
有目标的，一般是验证猜想。
比如，知道“目的”和“为什么”。
业务方想提升新功能的使用率，提出一个猜想。
新上的功能对于新用户来说理解成本比较高，想做一些优化。
但这只是一个猜想，甚至连问题本身是否存在都不确定。
这类问题需要把缺失的“是什么”补上，
1）是什么：用数据证明新用户现有的使用率怎么样，如果新用户使用率已经较高，那么这个猜想的基础就不存在了。
如果新用户使用率确实比较低，那么再验证新功能是不是理解成本太高。
2）怎么办：验证了猜想，再思考怎么办。
还有知道“目的”和“怎么办”的。
业务方想要提升用户数量，然后看到拼多多的微信裂变拉新搞的很成功，我们拉新是不是也可以微信裂变提升新用户数呢？
需要做的步骤：
“是什么”：看一下目前的新用户数。也许现在的新用户数已经还不错了，那是不是还有必要花人力去优化拉新环节？
“为什么”：如果现在的用户数上不去，为什么整体用户数上不去？如果因为新用户的留存和转化很差，新用户没几个能留下来，那么工作的重点应该是提升留存，而不是拉新。
得出结论：不应该采用裂变拉新，原因是我们的业务场景和拼多多不同，我们现在无法承接新用户的转化，需要优化产品体验后再做会更好。
五、无目标的需求
没目标的，这类就比较坑了；只知道”为什么“这种问题往往是有一些客户的反馈，比如用户反馈一个常用的功能经常找不到入口在哪。
这个反馈比数据分析的结论要准确多了，数据分析最多知道一类人的使用特点是什么，基本不可能知道用户到底在想什么。
产品经理拿到这种反馈，需求背景写起来都理直气壮了，这可是客户的的真实需求。
分析这种问题，首先得确定目标；如果优化这个功能的入口，到底要优化哪个指标？是做用户留存率，还是功能转化率？如果是为了优化用户留存率，那现在留存率是多少？这个反馈的用户的留存情况怎么样？会不会这个用户是一个重度用户，留存情况非常好。
而常用这类功能的用户都是重度用户，优不优化这群用户都会留下来；那这种反馈优先级肯定比较低。
而如果目标是提高功能转化率，那么看一下目前这个功能的点击率，看一下是普遍问题还是这个用户的个别问题；之后再按顺序继续分析即可。还有一类没目标的需求更坑。
业务方看到竞品在搞降价促销活动，于是提示“我们是不是也可以搞一个降价促销？”
这类需求根本没考虑清楚搞一个这样的活动目的是什么，是提升销量吗？
也许竞品搞这个活动的目的是清库存，降低库存成本；而你根本没有库存压力，直接照抄最后库存也没清掉，销售额提升也不明显；如何分析就不赘述了。
六、总结
日常的分析需求一般不会超过上述这个分析框架，拿到分析需求的时候思考一下这个需求目前拥有的要素，然后从左到右推导，可以快速组织分析思路。
至于每一个环节的具体做法，欢迎关注，等下一篇详细说说。
欢迎关注“三元方差”公众号。
网友评论