編輯導讀：單純的數字是沒有靈魂的，但是數據分析卻可以洞察出數據背後業務的規律。因此，數據分析是商業活動中重要的一項工作。本文將圍繞數據分析的四個層次展開介紹，希望對你有幫助。
一、引言
我通常把數據理解為業務的另一個他，單純的數字是沒有靈魂的，而背後的業務卻是鮮活的。商業數據分析的核心是洞察數據背後業務的規律，本質是數據賦能。我相信從事商業分析的小夥伴們都聽說過，數據分析的三個層次：描述性分析、診斷性分析和預測性分析。
著名的諮詢公司Gartner在2013年總結、提煉出了一套數據分析的框架，如上圖所示，他們把數據分析分成了四個層次，除了剛才說到的三個之外，還有一個處方性分析。診斷出業務的問題之後，還需要結合實際情況，給出運營策略去改善它。我更傾向把處方性分析合到診斷性分析裡，因為分析和運營是需要結合在一起的。當然，這些小細節影響並不大。如今在公司0-1的參與項目，先前很多的方法論正好有機會都經歷一遍，所以想結合這些框架梳理一下自己的想法，歡迎大家留言或者進群交流。
本篇文章先跟大家介紹一下數據分析的四個層次：描述性分析、診斷性分析、預測性分析、處方性分析。
二、描述性分析：發生了什麼？
通過一些核心指標的數據和前後對比，告訴業務方（或者老闆）目前業務的現狀是怎樣的。比如常見的流量、轉化率、收入、成本等等這些指標。往往這些指標是比較宏觀和概括性的，對比完就能對整體的情況有個認知。在公司裡，大家經常會用Tableau做日報/周報，其實主要承擔的就是描述性的匯報。
關於描述性分析，需要思考幾個問題，才能讓整個日/周報概括而又具體：
1. 關注哪些業務
首先要思考在日/周報中展示哪些業務，可以提供幾個維度去參考：
老闆關心哪些業務？想了解什麼信息？部門負責哪些業務，重點是在推哪些？可以沿著這個方向去確定要展示的業務。
2. 用哪些指標，如何衡量變好/變壞
善用對比（環比/同比）、趨勢等比較方式，不能只展示指標的數據，還要能直觀的反映出目前狀態是好還是壞。
3. 沉澱分析框架
當然，描述性匯報也需要沉澱診斷性分析的框架。比如說，在周報中展示轉化率指標，不論漲跌，大家肯定會在意是怎麼回事。而要分析這事兒，就可以按渠道進行拆解，分成APP端、PC端、小程序端的轉化率等等，分別關注一下。
所以對於該指標的框架性拆解分析，就可以沉澱在描述性匯報中，這樣指標的漲跌就立馬能定位到哪個環節的問題。定位出問題環節後，再細一步的原因就需要去找對應的業務方諮詢了。
三、診斷性分析：為什麼會發生？
業務變好/變壞了，除了知道這個結果外，我們還需要通過數據進一步了解為什麼會這樣。
在診斷性分析中，就需要去分析業務結果和很多因素的相關性。當然，怎麼能較快速地定位到分析哪些因素和結果的關係，要基於對業務的理解。可以大家一起頭腦風暴分析業務數據，也可以去調研，或者深度訪談一些業務關鍵角色，讓他們給一些輸入，我們才可能知道從哪些維度去分析數據更合理。
1. 定性分析
若分析的僅是一個特徵與結果的相關性，則可以通過畫二者的二維散點圖進行分析，通過圖形描述，可以初步且直觀判斷二者的存在何種相關關係：正相關、負相關、無關；如果相關的話，是線性相關還是非線性相關(拋物線、指數等)。
2. 定量分析
我們通過散點圖可以定性的判斷兩者是否具有相關性。定量上，我們可以通過回歸對他們對關係做出精確的描述。
若結果為連續值，則應用的模型為回歸模型，包括：
1）一元線性回歸
若僅有一個特徵與結果相關，並且其是呈線性關係的，則可以進行一元線性回歸，即建立回歸模型y=a+bx計算出截距a和斜率b，x為特徵（自變量），y為結果（因變量）。
2）多元線性回歸
在實際業務中，僅單個特徵與結果相關的情況是不多見的，大多數都是多特徵共同作用導致的結果。若多個特徵無多重共線性，且與結果呈線性關係，則可以進行多元線性回歸分析，建立回歸模型y=a+b1x1+b2x2+…+bnxn。
3）非線性回歸
如果回歸模型的因變量是自變量的一次以上函數形式，回歸規律在圖形上表現為形態各異的各種曲線，稱為非線性回歸。常見的非線性回歸模型包括：雙曲線模型、冪函數模型、指數函數模型、對數函數模型、多項式模型等。
四、預測性分析：後續可能會發生什麼？
預測性分析就是提前評估後續可能會發生什麼？在工作中的場景，經常就是利用現有數據進行測算，評估業務接下來的發展。
比如提前需要測算業務年度成本、年度目標、未來收益的大小等等。
五、處方性分析：該怎麼做？
這步的分析通常是接著診斷性分析的，在我們找到了業務變化背後的原因後，我們就需要去想一些策略去改善它。
首先是要定位出業務原因。在診斷性分析這一步，我們在數據上找到了影響結果的因素，這時候就需要去在業務層面上思考原因。
比如說，為了促進用戶轉化，我們發放了優惠券，但是後續發現券的使用很少，單量也沒有上升，這是數據維度的原因。
那業務層面的呢？為什麼用戶都不用優惠券呢：
這時候有些猜測的原因可以通過數據來論證，而有些原因就需要去調研用戶；如果是優惠券的位置不明顯，我們就需要在產品上調整；如果是優惠券的額度太小，我們就需要去適當調整優惠力度。只有準確找到了業務原因，我們才能用策略根本性地解決它。
我發現很多時候，業務原因的定位是缺失的，往往我們在發現數據原因後，我們就開始思考運營策略了，指向性也非常強，激勵（抓手）+數據維度的改變，這種做法是比較粗糙的。可能短期內有效果，但是一旦你激勵停止，業務還是會回到原來的狀態。
核心還是要找到業務改變的關鍵動作以及可以運營的業務場景，不能盲目的抓結果！
#專欄作家#
人人都是產品經理專欄作家，《數據產品經理修煉手冊》作者。
本文原創發布於人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基於CC0協議