數據分析一方面自己要會將數據製作成圖形便於他人解讀，另外一方面，我們自己也必須學會解讀別人的圖形，或者解讀自己過去曾經製作的圖形。每個數據圖形背後都是數據，而不同水平和能力的人在同樣圖形上看到的東西可能會不同。
解讀數據會有很多方法，我們這裡給大家提示性介紹十個方法。
上期內容：①輔助線 ②找差異、找變化 ③找奇異點、特殊群體 ④找轉折點、拐點 ⑤找特徵
看懂數據分析圖表的十個基本方法（上）
本期內容：⑥找問題 ⑦找源頭Root Cause⑧找關係 ⑨找驅動 ⑩找規律
6、找問題
對數據分析人員來講找問題就是找數據，只要問對了問題，就能夠找到對的合適的數據，通過數據可以分析出具體的問題，並能夠找到具體的方案。在一定意義上來講，問對問題比找到答案更加重要。只要問題問對了，答案基本上非常容易獲得。有人甚至誇張地說，問對問題，事情就解決了一半。
我作為資深的數據分析師，我常用以下五個問題來確保我們的分析能夠深入到最深層次，能夠挖掘到事物的本質，能夠找到問題的根源。這五個問題永遠都是數據分析師應該掌握的內容，否則就僅僅是數據處理人員，稱不上數據分析師。
What – 存在什麼差異或者變化？這個差異和變化是什麼？是向好還是向壞的方向發展的？是好現象還是壞現象？是需要警惕還是需要挖掘創新的？What is the change? ——這個變化是什麼？這個變化的本質是什麼？
Who – 這個變化的主體是誰？客體是誰？是誰在變化或者是誰引導了變化？是誰造成的變化？這個變化的責任方應該是誰？如果是好的話，誰該領功，是壞的話，誰該負責？他為什麼要引領這個變化或者他有什麼樣的動機要讓這個變化發生？背後的利益或者情感的驅動是什麼？
When – 這個變化是什麼時間發生的？是最新發生的嗎？是過去就一直在發生著，只是現在變化大了才發現的？這種變化持續多久了？多長時間才發生了這麼大的變化？是快速還是慢速？按照這個速度發生變化下去，多長時間可以發生質的變化？這種變化是否需要阻止？最遲需要什麼時候阻止？這個變化是否需要加速？如果需要，到什麼時候需要達成什麼結果？
Where – 這個變化在哪裡發生的？發生的環境要素是什麼？牽扯到哪些部門、組織或者利益相關方？每個利益相關方的訴求是什麼？會對該事物的發生和發展有什麼影響？這個變化發生的環境因素是必要條件還是充分條件？是什麼條件達到了才產生了這個變化？這個條件是否可以人為創造？如果不能人為創造，自然界將有什麼可能形成這樣的條件？
How – 如何調整？如何強化？如何弱化？如何創造事物發生的條件讓事物按照我們期望的方向進行變化？如何才能改變現在的狀況？這個變化是怎樣發生的？這個發生能否避免或者重複？
4W1H的五問方法可以讓數據分析人員能夠把握問題的關鍵，能夠找到問題的根源。在執行過程中需要鑽研精神，不放過任何一個細微的變化與差別，對所有的問題有追根尋底的精神。剛開始學習這五問方法的時候，容易陷入一個窘境，就是有太多的問題要問了，非常少量的數據需要花費大量的時間去追根究底。其實，當你對公司業務熟悉之後，在追問問題根源的時候，也會更有重點，當然這也可能是遺漏問題的根源。越想走捷徑，越容易出遺漏的問題。
7、找源頭 Root Cause
上節中4W1H的方法可以讓我們通過問問題找到問題的關鍵和問題的根源，找到發生變化的原因，從而能夠找到解決問題的方法，是一個非常全面的方式。而在進行數據分析的時候，找到問題的根源，問題的根，卻是一個比較見功底的活兒。
一個公司中的管理問題往往根源都在管理上，也就是都在老總對公司的管理上。常言道，問題都在前三排，根源就在主席臺。很多公司的管理問題都可以追究到企業老總的管理方法和管理理念、管理方式、管理思路的問題。為何公司令行不止？因為老總言行不一致；為何很多人收賄受賄？因為老總就是這樣的人；為什麼很多人光說不做？因為老總只喜歡那些說得好聽的；為什麼大家都不願意實幹？因為出錯之後，老總就會懲罰，不幹無錯。。。太多的問題都容易指向老總的問題。
有些問題的根源來自於公司的潛規則或者長期以來養成的習慣，有些公司的員工不作為，是因為長期以來大家養成了懶散的習慣，沒有盡職盡責的精神。制度流程的問題往往是管理中常見的問題根源。門在哪兒開，人們就從哪兒走。門開錯了位置，大家就會走錯位置。公司的制度和流程缺少嚴謹性和嚴肅性，往往導致很多制度和流程最終流為形式；如果制度和流程在不同的人身上發生不同的變化，那麼制度和流程的嚴肅性就會被質疑而失去其權威性；如果制度和流程失去權威性，很多人就會鑽空子。
隨著公司規模的變化、人數的增多、業務的複雜程度增加，原有的制度和流程可能會發生變化，出現不適用的現象，需要根據公司發展需要進行調整。數據能夠顯現出一些問題，當這些問題出現後，數據分析人員需要根據公司的情況，提出相關的建議和意見，協同相關的部門對制度和流程進行修訂，並追蹤制度流程修訂後的結果，用數據來追蹤效果，確保這種修訂是好的、可行的、有效的。就如前面分析的月度銷售額曲線圖案例那樣，公司的目標制定流程不科學，需要重新設定公司目標制定和分解的流程；另外公司員工激勵的制度不合理，不能有效地激勵員工超額完成任務，需要協同人力資源部修訂員工激勵方案，確保員工能夠把能力發揮到極致，讓公司切實把握所有的發展機會來發展，不能因為員工的問題影響公司的持續。
在挖掘數據現象背後的Root Cause的時候，需要我們對事物的本質有清醒的認知。同樣是營銷和銷售，每個公司對這兩個部門的定義會有很大的區別。在快速消費品公司，營銷主導銷售，公司的銷售模式是通過廣告吸引消費者購買，而銷售需要做好產品的分銷，確保消費者去購買的店面中有可銷售的產品，不斷貨；而在藥品、醫療器械、耐用消費品中，銷售起到非常重要的作用，在終端消費者決策中起到非常重要的影響，而營銷則是為銷售提供各種銷售工具的。而這種差異來自於什麼呢？購買者的決策機制。當購買者的決策機制是由感性的品牌喜好決定的時候，營銷主導銷售；當消費者的購買決策複雜，需要專業知識、理性決策等的時候，需要專業的銷售人員或者專家在銷售點能夠臨門一腳地把我成交過程。這裡的Root Cause就是購買者的購買決策過程。由此你可以推斷下去，B2B的銷售往往都是銷售主導營銷，或者營銷為銷售提供支持服務。
8、找關係
通過數據找到事物之間的關係是我們比較容易做到的。通過散點圖，我們看到相關的分布狀況，我們就能夠直觀地判斷兩者之間的關係是否是相關關係，相關性有多高，隨機誤差的影響有多大。
有時候我們需要對數據進行一定的調整才能看到其相關性，比如可以通過對數關係、冪指關係等處理後再看其相關關係。相關性高可以有正相關和負相關，相關性低，說明兩個關係不緊密。
相關性研究需要比較謹慎，一方面要有足夠的豐富的專業知識，同時還不要違背常識。比如，如果說監獄中85%罪犯都喜歡吃米飯，我們是否可以得出結論說米飯是導致犯罪的原因？調查研究顯示癌症患者中只有18%的人是重菸民，但90%的人都吃米飯，有65%的人每天至少吃一頓米飯，那麼是否可以得出結論說米飯是導致癌症的原因？紐約股票交易所的股票指數與華爾街上女性的裙子長短呈正相關，股票下跌，裙子變短；股票上漲，裙子變長，那麼華爾街女性的裙子長度是導致紐約股市漲跌的原因嗎？
這些是無法立住腳的分析判斷，但數據分析軟體或者算法所給予我們的只有這些相關性，只有真實的數據和指標，我們解讀的時候必須加入常識的成分，不能單純地從數據角度去判定事物間的關係。
9、找驅動
數據無法直接告訴我們事物變化背後的驅動要素是什麼，只能告訴我們相關的關係或者兩種指標之間的變化關係，我們需要自己找尋事物變化的驅動關係。
汽車加入汽油，通過發動機的啟動，我們就能夠行駛幾百公裡，這是典型的汽油驅動發動機、發動起驅動車輪前行的邏輯關係，但現實世界，特別是商業環境下，這種單純的關係是不存在，甚至我們認為存在的關係，也會變得更加複雜。
廣告可以擴展我們品牌的知名度、提高消費者的認知度，從而提高我們的銷售量，但廣告和銷售量之間的關係並不像發動機那樣明顯。我們把廣告投放到電視媒體、廣播媒體和網際網路媒體，讓我們的品牌有更多的曝光率，但是曝光率和購買率之間還有很大的距離，我們如何來評測廣告的效果，站在一個公司的角度，是投入和產出之間的關係，而站在消費者的角度，則是看到與想買與可買與最後購買之間的轉化率關係。
數據分析要從多個維度進行，一方面要從公司的維度，廣告是公司的投入，銷售收入是公司的產出，這是一個投入產出之間的關係，另外一方面，站在用戶的角度，如果廣告消費冗餘，看到廣告會更加膩煩，本來還希望購買你的產品，但看到你們比較噁心的廣告或者不斷騷擾我們日常生活的廣告之後就不想再買了。因為消費者知道，你花費了廣告費打廣告，我如果購買你的商品，我購買的價格中包含了你的廣告費，且你的廣告這麼噁心，對我造成了騷擾，為了不讓你繼續騷擾我們，我不想購買你們的產品，這樣我從口袋中掏出來的錢不會花費在無聊甚至噁心的廣告上，不會再對我們造成騷擾，最好你們能夠從地球上消失，這樣我在看網頁、看視頻、看我喜歡的內容的時候不會出現你們無聊的噁心廣告。消費者會越來越成熟，你是否能夠讓廣告更加符合他們自身的需求，這會變得越來越重要。
我們在進行數據分析的時候經常會分析轉化率的問題。銷售的分析帶有轉化率分析，我們獲得了多少客戶的信息、有多少比例願意跟我們接觸，有多少人願意了解我們的產品，有多少人對我們的產品感興趣，又有多少人對我們的產品產生了購買意向，最後有多少人最終購買了我們的產品，這整個過程的數據體現出各個階段的轉化率，不同的轉化率代表著我們營銷和銷售的效率問題。
我們數據只能分析從一個階段到另外一個階段的轉化率問題，卻無法發現從一個階段到下一個階段轉化的驅動要素，我們可以通過各種方式採集數據，但現階段的技術無法實現驅動效果分析，我們能做的是通過各種不同的實驗方法，然後分析不同方法的效率和效果問題。這種方法我們稱為A/B測試。
所謂的A/B測試，就是我們針對同類的客戶，採取A方案的方法和B方案的方法，然後來對比A方案和B方案的方法之間的效率差異、效果差異，然後確定那種方法更加有效率。數據分析最終的結果可以評測A和B的效率與效能問題，但無法揭示A為什麼有效、B為什麼低效，或者背後的邏輯是什麼，這就需要人為的參與解讀和理解，而這些理解往往是建立在假設或者臆想之上的，沒有足夠的證據證明其驅動過程和效果。
A/B測試是一種方法，是數據分析人員與公司的管理者達成一致進行實驗的一種方法，如果管理者本身不想進行測試，這個過程就很難實現。因為管理者有其管理目標，A/B測試總要鎖定一定的條件，導致管理者在過程中的自由裁決力度減弱，在這個方面，管理者為了保證既定考核目標的實現，往往會採取其喜歡的方式來管理，而讓整個測試結果不可用。為了推行A/B測試，需要公司的高層給予支持，對比A/B兩個方案，讓管理者在背負相關責任上要有明確的合理的適合科學實驗精神的標準，否則這個測試就會帶來不一樣的結果，甚至得不到希望得到的結論。
我曾經主導過一個A/B測試，其費用投入差不多在2億元人民幣左右的廣告費用，但在過程中，因為投入成本高，管理者的業績壓力巨大，在出現問題之後，需要做些調整，但這些調整會讓整個測試失去可對比性。無可否認，測試只能向公司管理目標傾斜，最後只好放棄，感覺非常遺憾。一方面，這個測試的標的過大，導致很多管理者的壓力太大；另外一方面缺少最高層領導的支持和理解，他們也不想放棄短時期內貌似可行的方案，會讓整個對比試驗夭折。短期利益的驅使讓整個A/B測試會中途夭折，這是數據分析人員需要在開始之前就要做好預案的。當然，這需要經驗積累和閱歷，同時更加需要專業的權威性支持。
10、找規律
尋找規律是數據分析與挖掘的最基本的目標，也是唯一的目標，數據分析的根本目的還是指導未來的經營實踐。通過數據分析找到事物發展的規律，從而指導我們的企業經營實踐，這樣我們就能夠對未來做出更加準確的預測，能夠把控未來的發展方向。
比如，我們研究網際網路行業整個行業的發展狀況，納斯達克股票交易市場的綜合指數基本能夠反映長周期的市場情況，也能夠反映整個市場的價值。如下圖：
這代表著一個技術從發展到應用普及所走的道路。Gartner機構研究了上百種技術的路線，得出了類似的結論。感興趣的朋友可以用谷歌搜索Gartner Hype Cycle，如果對本行業的技術應用階段性的分析感興趣，可以在谷歌搜索中加入行業的關鍵詞，比如說數字醫療： Gartner Hype Cycle Digital Healthcare。
基於這個技術的發展曲線，我們對網際網路的20多年的發展歷程做了分析，我們得到這樣一個圖形。
網際網路發展經歷了三個發展階段，第一個階段是技術發現的第一個5年，第一個五年中，大家對技術的認知還處在一個不斷完善的過程，這個技術到底是什麼，大家都在盲人摸象的階段。最初大家對網際網路的認知就認為網際網路是信息傳播的一種方式，可以替代以前的媒體，包括紙質媒體（報紙、雜誌、期刊等）、電視媒體、廣播媒體，能夠給人們帶來更多更方便的信息，所以，當時衡量網際網路的關鍵指標就是點擊率，如果一個網站被點擊次數更多就更加值錢。在這個階段，投資者認可，技術也在不斷創新，在資本的追逐下，更多的公司被創立，並開始了很多的技術創新，一種新的技術可以吸引大量的資金投資，就如《矽谷》美劇中所講的故事，如果一個技術被發現很有商業價值，各種投資公司追逐下，這個公司的估值會大幅度放大，一個壓縮技術能夠讓一家公司估值超過10億元美金。
第二個階段，隨著技術應用價值被重新估值，技術泡沫逐漸被穿破，媒體和社會都口誅筆伐，導致大家對技術的信心在下降，進入幻滅期，這個時候資本更加理性，商業應用也更加關注商業本身，而不是技術本身，大家專注思考實際應用價值，一些新的應用型公司成立。在過熱期和幻滅期兩個階段是第一個黃金投資期，目前網際網路大型公司基本都是這個時期成立的。
隨著技術泡沫期消退，技術創新應用被不斷地挖掘，新的應用出現，只要技術夠給力，巨量級的技術應用公司發展起來。網際網路在這個時期出現了微信、微博、whatsapp、Uber、滴滴打車、百度外賣等巨量級的應用，技術的價值被逐漸深度挖掘。
通過對網際網路技術發展歷史的研究，我們可以來研究大數據技術的未來發展的可能性，經過Gartner的研究，各種技術都遵循雷同的發展曲線，所以大數據也基本上會遵循這樣的發展路線。在目前的階段，大數據技術到底在什麼階段我們需要有充分的認知，這樣我們就能夠在數據分析的時候，理解大數據本身所展現出來的價值。
網際網路的本質是信息傳播的方式，經歷了1.0、2.0、3.0的發展，現在在向4.0發展。Web1.0的時期，我們認為網際網路是媒體，是傳播；Web2.0時代，消費者可以發出自己的聲音，消費者產生內容，UGC產生，消費者的力量逐步顯現，同時，作為消費者交流的平臺，電商應用開始發展起來，亞馬遜、eBay， 淘寶、京東這樣的公司開始發展起來；當到了Web3.0時代，消費者因為交流而集結成群，形成了各種社群，消費者彼此之間的交流互動成為網際網路的主題，而信息傳播、交易則成了輔助，用戶之間的關係發生的更大的變化，原先不怎麼聯繫的社會關係變得更加緊密，而之前經常聯繫的親戚關係反而不再是新交流溝通模式下的交流溝通的主體。所以，網際網路技術隨著發展逐漸改變了媒體（把紙媒都幹掉了）、改變了人們交流溝通的方式，改變了人們的社會關係，改變了我們交易的方式，也改變了企業做生意的方式，逐漸由原來的線下交易線下交付，逐漸轉變成為線上交易、線下交付（O2O）。
而大數據的本質跟網際網路還是有著本質的區別。大數據本質上是一種數據和信息的加工方式，這種加工方式將代替人們的思考方式。過去我們通過掌握的信息、看到的和聽到的，經過大腦的加工形成意識判斷，從而做出相關的決策，所以我們過度依賴人們大腦的聰明程度。而隨著大數據技術的發展，人工智慧將成為信息加工的主要方式，計算機將逐步代替人類大腦的大部分功能，通過計算技術、分析技術、大數據處理技術，逐步取代人們的大腦，產生智慧，影響著我們的各種決策，包括商業上的決策。如果說網際網路改變了我們的溝通方式的話，大數據將改變我們的思考方式和做事方式，必然也會改變我們企業的生產方式，最終會改變我們生活中的各種物質要素，最終改變我們的生存方式。
我們知道，任何一個行業的發展規律都遵循一個扁平的S曲線，上圖中的技術發展路線也是一個S曲線，但在現代社會中，我們對技術抱有更大的期望，所以會影響整個行業的發展曲線發生變化。掌握一些基本的規律，能夠讓我們在做數據分析的時候能夠清楚地知道現在和未來發展的趨勢，通過數據分析過程中的假設和驗證更加有效。掌握的知識越多、經驗越豐富我們就能夠提出更多的假設，就能夠進行更多的驗證，然後證實更多的數據發現。
全文摘自《企業經營數據分析-思路、方法、應用與工具》趙興峰著
上期內容：《看懂數據分析圖標的10個基本方法》（上）
輔助線 ②找差異、找變化 ③找奇異點、特殊群體 ④找轉折點、拐點 ⑤找特徵