做数据分析，我只会同环比，谁能教我怎么写结论？

　　有同学问：老师，我看数据，完全得不出结论。都不知道这些数字在说什么。可有的人就能看出很多问题。甚至我们做销售的领导，只要看一两个数就能做判断。我该怎么办呢？

　　答：这其实是解读数据商业含义的问题。企业里常说的“要对数据敏感”“要看到数据背后的问题”其实都是这回事。解读数据商业含义，是把数据利用到商业的关键环节。我们从一个最简单的例子开始。

　　我和我们家2岁小朋友coco经常玩卖东西的游戏，coco把纸巾摆在“商店”里，然后我拿着各种洋娃娃来买纸巾，于是有了下边的对话：

　　日常对话：

　　我：小马来买一包纸巾

　　Coco：给，一包纸巾

　　我：小熊来买一包纸巾

　　Coco：给，一包纸巾

　　我：小象来买八包纸巾

　　Coco：一、二、三、四……

　　我：coco，如果客人要买8包纸巾，你可以关心它一下，是不是感冒了

　　Coco：为什么呢？

　　我：因为你看，正常的客人都只要一包纸巾，买8包就说明小象可能有特殊需求。它有可能感冒了，要多擦鼻子。你关心他一下，他会很开心，以后买的更多了。

　　Coco：ヾ(◍°∇°◍)ﾉﾞ好，那我还可以给它打针

　　妈咪：o(╯□╰)o你这学的也太着急了……

　　解读商业含义的第一种方法就是这样：找数据指标的商业含义+对应的数据表现。这是最基本的思路，后续各种方法，都是在此之上的延伸。

　　就像纸巾，可能人人都需要用，但不同需求程度的人需要数量不同。如果人人都是1包，有些人突然要很多，就可能隐藏了更大需求。比如感冒、胖子、拉肚子等等。

　　作为商店老板，可以简单的从客人的体型（胖不胖看得到）、身体状况（打喷嚏、精神萎靡）等来解读数据，进而采取行动，争取更多的顾客青睐。

　　不光一个数据背后有商业逻辑，多个数据之间也会有商业逻辑。比如如果一个客人买尿布，那他会买啤酒？错！当然优先购买的是干纸巾和湿纸巾。

　　真正带过娃就知道，给宝宝清理屁屁，用纸巾就像吃纸巾一样快。所以从商业角度，这两者本身就是强相关的。这也是为什么啤酒尿布的故事吹了那么多年，可超市还是把尿布和纸巾摆在一起卖的原因。商业逻辑本身决定了这一点。

　　更多类似的，比如

　　买房→装修、整套家电

　　结婚→旅行、摄影、金银首饰

　　火锅→凉茶、饮料

　　即使没有所谓“关联分析”数据支持，在商业上这些东西也是天生共生的。因此解读数据的时候，可以把若干有商业联系的指标联起来看，就更容易明白商业含义，读出商业机会。

　　再来个复杂点*1的例子

　　上边举的都是一个时间点的例子，当时间拉长，又会有更多的情况出现。比如单纯看一个时间点的销售数据，可能看不出规律，如果拉长如下边两张图，就能看到更多含义。

　　图一是所谓：周期性规律。比如零售行业，都是以周为单位、循环往复发生购买。

　　图二是所谓：生命周期规律。比如新手机上市，都会经历成长、成熟、稳定、衰退四个阶段。

　　支撑曲线形态的，自然还是商业逻辑。比如零售行业卖的都是衣食日用百货，这些东西消费者就是周期性购买。比如手机行业，就是新品上市很热门，然后更多新品出现，旧的机器被淘汰，慢慢被遗忘，最后退市。

　　数据曲线，只是真实的反应了这个过程。所以想解读数据含义，往往是先记录数据，从数据曲线发现规律。然后再看回具体的商业场景，为曲线走势找到商业上理由，从而理解了含义。这是解读数据第二种方法：趋势分析法。其实就是商业逻辑+时间维度。

　　不要小看这一条曲线。当我们已经掌握了某些曲线形态以后，就更容易读懂数据，比如下图：

　　如左图。如果单看一个点，ABC都是“下跌”，可代入周期规律再看，A点仅仅是周期性变化，因此没啥大惊小怪的。

　　可B点就不一样，B点虽然也是周期性变化，可整个曲线走势，在经历1个周期后越来越低，说明运行出现了问题。

　　而且虽然B点本身跌的很厉害，可真正问题应该是出现在曲线下沉的源头：C点的。所以追溯原因就得往前找，才能找到本质问题。这个场景在我们真实做分析的时候很常见，往往一天内暴跌会引发人们关注，可拉长看趋势，才知道有可能问题的伏笔早就埋下来了。

　　如右图，如果我们掌握了蓝线走势，结果发现新上的手机走出了橙线的趋势。显然这个手机的成长未达预期，有可能后边也不好卖。精明的商品运营可能这时候就会消减后期进货量，安排库存清理，而不是继续按计划大量进货，结果积压严重。

　　这是解读数据第三种方法：趋势定标法。我们知道，单纯的一个数字不能说明问题。数字+标准才能说明问题。趋势本身就是一种天然标准。如果我们通过过往数据，掌握了某个商业问题的走势，那么我们就可以拿这条趋势线，来判断新问题。不需要很复杂的分析，单纯一根线就够了。

　　这就是为啥经验丰富的商品运营、销售总监，看一眼销售数字就知道问题所在。而我们的数据分析师们吭哧吭哧跑了一堆数也没有结论。有可能，做数据的同学们在数据里陷得太深。只是忙于收集数据，忽视了总结过往趋势。结果反而看的数字越多，思路越混乱。

　　再来个复杂点*2的例子

　　有时间维度对比，自然有空间维度的对比，这是解读数据第四种方法：多维对比法。其实就是商业逻辑+分类对比。

　　比如孤立看一个人客人的消费，我们很难解读出来他有什么特点。但如果我们知道，这个客人用花呗结算，另一个客人用招行金葵花卡结算。再看两人的消费，就马上有感觉了：这代表了高端顾客和低端顾客的需求。两类客户的消费对比，使我们更能理解用户需求。明白两个差异数字背后反映了什么

　　分类对比，建立在我们有足够多的分类指标之上。比如B2C领域，用户性别、年龄、收入、地域等都能成为分类指标。

　　比如B2B领域，企业的行业、规模、增长速度、负责人性格，也能成为分类指标。当我们不理解数据含义的时候，可以试着看，这个数据在不同类用户、不同地区的差异，从而总结出规律。

　　以上例子，利用的用户基础属性比较多。可在真实企业经营中，我们可能很难知道用户真实属性。只有银行、航空公司这种有法规背书的、相对规范的行业才能采集到真实信息。这时候，可能我们得更多利用内部数据做分类。

　　一个典型的做法是，利用过往的消费情况作分类指标。因为消费数据是每个企业都有的，并且相对准确（收了钱不给客人货，会被客人怼死的）。

　　比如理论上，一个用户买我们的日用品消费，买的越多，频次越高，意味着他对我们更忠诚，有可能以后来买的概率也很高。如果忠诚的用户都是30天内会二次购买，那一个用户已经40天没来了，可能我们就得关心一下他，发个短信、打个电话提醒一下之类的。

　　是滴，这就是所谓RFM分析法。其实就是用过往的消费经历做标签区分用户类型。

　　要注意的是，现在的网络课程都喜欢举RFM的例子，可现实中这个场景并不多见。比如商超、金融、汽车、住房、租房、虚拟点券、家电、旅游、都没法简单的用RFM来解释，要么根本没有用户ID；要么消费频次很少，或者根本没有二次消费；要么用户决策的逻辑前后之前根本没联系。

　　所以在做分析时，一定要认真看看自己的商业场景合适不合适，不要直接怼模型上去。

　　注意，RFM已经涉及三个指标。当指标很多的时候，指标之间就会产生逻辑关系。如果一个商业动作分1,2,3,4,5,6步展开。用户做完一个做下一个，这就是所谓串行指标。串行的商业流程中，用户有可能流失，因此把6个指标拼起来，就构成了所谓的漏斗分析法（第五种方法）。我们可以观察一个漏斗的形态变化，来解读数据。

　　比如下图假设。我们在网上买东西，都要先看商品→浏览详情→加入购物车→付款，这一套流程就构成串行关系，可以做成一个漏斗。单一维度去看漏斗的某个环节，也能做出解读，但摆在一起，能更明显看到问题，比如下图：

　　明显可以看到，A产品转化比B更好，B的漏斗在尾部收的很快，说明B产品有真实顾客需求，但客人们看到了并没有下单，有可能多平台比价后，发现我们价格更贵，就流失了。这时候得再配合市场价格与我们平台价格对比等数据，进一步解读。

　　一般漏斗分析在互联网类业务（电商、游戏、O2O、社交）等应用比较多，是因为互联网更容易记录用户行为数据。

　　传统企业其实也有漏斗，比如销售跟单，就是一个典型漏斗：接到销售线索→初次拜访→确认需求→打样→议价→签约。

　　只是传统企业缺少IT系统支持，转化过程缺少数据记录，所以才很少能这么分析。如果上了CRM+严格渠道管理策略，其实传统企业和互联网企业分析没啥区别。

　　再来个复杂点*3的例子

　　当一个商业问题包含nnnn多细节，本身特别复杂时，我们需要引入更多指标来描述问题；解读数据的思路也就更复杂，但解读数据的顺序仍然是一样的：

　　1.明确指标的商业含义

　　2.为单指标“好/坏” 判定寻找标准

　　3.依据指标的商业含义，梳理指标逻辑，搭建指标体系

　　4.从整体到局部，从结果到过程，一步步解读

　　在每一个具体细节上，操作方法都可以用上边的小技巧。我们需要把一个具体的商业问题，转化为可分析的点。比如要我们“分析一下公司的用户情况”，那我们就得把这个宏大的问题拆成更多小问题，一个个解决。比如：

　　1.我们用户有多少

　　2.我们用户增长、保留、活跃情况如何

　　3.我们用户转化情况如何？

　　4.在哪些时间节点、哪些产品转化？

　　5.不转化的用户停止在哪一步？

　　由于涉及指标众多，为了有条理的讲清楚，我们可以构建一个类似下图，包含了串行并行复杂关系的巨大逻辑树。解读的时候，从大到小，层层深入，先抓主要矛盾。这样就能讲清楚了。就不用盯着孤立的几个数字纠结“为啥客户又少了呢？客户少了又怎样呢？”

　　实际上，复杂的商业问题，都是通过化繁为简，层层细分来解决的。绝不是：我有个阿尔法大狗子模型，只要把数据往里一怼，他就“汪汪”输出结论了。

　　真正困难的，不是统计学的复杂公式，而是如何把具体商业问题转化为可分析的指标，如何在解读数据的时候找到商业含义。

　　这需要的不仅仅是对数据的理解，更需要对商业的理解才行。具体怎么做，以后慢慢分享，这一篇文章已经很长，很长了。表扬能看到这里的同学，大家成功挑战了自己的专注度，这也是做好数据解读的一个关键点哈。