我在某网站上随便找了几个数据分析师的职位信息，可以看到他们都提到了对于产品优化和给运营提出建议以及搭建指标体系，可以看到他们对于具体产品和运营策略优化以及搭建指标体系的重视。

图一

今天我就给大家总结一下，自己这些年是怎么如何根据这套框架写出可执行的分析报告，以及搭建指标体系。

主要使用的模型和方法：OSQSM模型+场景化+逆推法+假设法。下面是具体的框架：

OSQSM模型

OSQSM模型

我们先来看看OSQSM模型是什么：

• O是Objective，是目标，是我们确定的核心目标是什么；

• S是Situation，是现状，是核心目标现状是什么；

• Q是Question，是问题，是核心目标的结构问题是什么；

• S是Strategy，是策略，是为解决核心目标的问题，而采取的一系列动作；

• M是Measurement，是度量，是采取一些列动作之后，如何衡量这个动作是不是带来了指标的提升

接下来我们就来分每一步仔细讲讲怎么使用，以及使用时候需要注意的问题。
目标(Objective)：
对于核心目标的确定来说，这个要求很高。我们从上面（图一中最右边）的职位名称【商业分析高级专家】就能看到，要求理解商业的本质和业务逻辑，这个问题未来我会单独讲，在这里我就简单的提一下。

简单来说就是：商业模式+不同时期。根据不同商业模式和不同时期确定核心指标，并且即使同一商业模式的不同时期核心指标也不一样。比如新产品的时候需要NPS值，成熟时期需要关注其他的核心指标。当然如果大家感兴趣可以看看《精益数据分析》，这里面会提到一些商业模式会看的核心指标。

现状(Stituation):
当我们确定了核心的指标，接下来就是分析核心指标是不是稳定的，比如以DAU为核心指标：

1. 看趋势：我们需要拉长趋势看目前DAU总量的增长，以及增长率是不是满足预期。

2. 看效果：我们需要衡量DAU的健康情况，一般比较常用的是DAU次留以及用户粘性（DAU/MAU）,当然你还可以使用你所在行业的一个关键行为比率作为监控（关键行为人数/DAU）

这一步大家在实际分析中很容易忽略，但当你写完分析报告与业务方分享完后，他们可能会问：目前是个什么状态？

问题(Question):
在第二部分，我们了解了核心指标的整体情况之后，就能知道目前这个指标的现状，但是，我们没有办法立马去采取行动，因为没有获取更多的信息。所以，我们需要继续分析核心指标的内部结构问题，在这里我们分析的方法很多，比如：

1. AAARR，经典的用户分层模型，把用户分层不同的生命周期，对用户打上标签，然后对于不同的用户进行运营。可以参考：增长黑客-后互联网时代新的用户生命周期管理实战。

2. 场景化，比如在某宝上面我们购物，有好几种方式，我们有想买的物品时候直接使用搜索功能，当我们没有很明确的目前时候，我们会在上面逛，首页会有很多的推荐，还有最近比较火的直播带货等等。其实这些都是我们在不同场景下的购买，可以看不同使用场景下的数据。

3. 漏斗分析，如果我们的核心数据是用户行为数据时，你会发现漏斗分析很好用，例如：电商，从搜索-曝光-浏览详情页-创建订单-支付成功。我们可以看总体的转化率，也可以看不同渠道，不同端，不同场景下的转化。如果订单量发生了变化，还可以使用我研究的这个模型进行分析。数据分析工具--总量和转化率问题

4. 当然还有比较经典的画像层面维度进行分析。我们可以用户的属性和行为等维度进行分析。

上面说了这么多，似乎跟其他人没有什么区别。我们在这里基本会遇到问题：

• 就以画像为例，那么多维度，我怎么知道分析哪些？时间有限，不可能穷举。

• 分析出来之后也不一定能给到很好的建议。

大家可以先思考一下，后文会有详细解答。

策略(Stratery)：先假设第三步结构拆解后，我们发现了一些问题，可以提一些建议给产品和运营进行优化。在制定策略时，我们一定是跟产品和运营商量，一定注意能AB测试最好AB测试，并且讨论量化指标。量化(Measurement):策略上线后，我们需要注意观察一些指标，看看是不是带来了提升。

接下来就是核心部分了：
接下来就是核心部分了：
接下来就是核心部分了：

关于QS步骤的建议

在问题那一步，我留下了一些思考，现在我们就讲讲如何解决这些问题。一般我会根据这个核心指标，从两个方面进行：

1. 已知情况下，逆推：

2. 产品：体验式分析。为了分析核心指标销售额，我会使用产品，从产品体验上找到一些需要优化的点。比如我们在购买产品时，最后需要付款，当你体验产品时，发现只能使用银行卡支付，但是，现在很多用户都习惯使用支付宝和微信。那么，我们是不是可以看看最后一步转化，通过这个数据，来给到产品优化的建议。当然还可以使用象限图，使用量+转化率。

象限图

2. 运营：触达+场景化，跟核心指标相关的其他行为进行分析，大概率其响应率比较大，比如直播的关注功能，用户关注了主播，未来主播开播之后，用户大概率会去看直播，那么我们就能通过用户是否关注这个维度进行分析，去证明这些用户触达之后观看率比较高。

3. 未知情况下，假设先行：

4. 就需要比较强的业务经验，时间长了，大概能做出一些判断，根据历史的分析经验来做出假设，然后从这些维度进行。

当我们从这两个方面去看时，你会发现，你很容易写出能落地执行的分析报告。因为，你都是从用户体验的角度去分析的。

关于数据M

在上述整个分析中，我们都是建立在数据比较全的前提下。但是，现实并不是这样的，所以，在最后分析时候，我们衡量的指标，就会出现两种情况：

1. 数据比较全，我们使用直接现有指标，比如我们想知道此次运营活动是不是带来了很多用户，此时可以通过埋点就能知道。

2. 数据不全，我们只能通过一些归因的方式，但是逻辑一定想清楚，并且大家都认可，才能使用。当然，数据不全，并且未来经常要看的，我们也可以建议未来进行埋点。

迭代

1. 这些做完了之后，基本我们就能给出比较好的落地分析报告，并且业务人员也很认可。

2. 这个框架也是按照核心指标拆解的方法进行的，我们可以基于这个分析报告搭建指标体系V1版本，建立一套报表体系，进行监控。但是，在后续需要我们持续的跟踪，基本每天都去看核心指标的变化，未来还有一些其他的维度可以加入进去，不断的优化。

下一篇我简单聊聊，我如何使用这个分析框架进行分析，并且起到不错的效果的实际案例。