编辑导语：数据分析师刚开始都会专注于最基础的数据分析需求，但有时会做成取数类的需求；怎么把这种简单的需求做的深入，发挥出数据分析师的价值呢？本文作者进行了详细的分析，我们一起来看一下。

描述一个业务问题的现状是什么，是最基础的数据分析需求。

常见的问题类型有：

• 产品经理：某个功能的数据表现如何？
• 活动运营：某个活动的数据情况怎么样？
• 渠道运营：新渠道的引流人数是多少。

新人数据分析师一开始往往就是从这类数据分析需求开始做。

新手很容易就会把这种问题做成一个取数类的需求。

最后给出一堆数据：点击率是多少、留存率是多少、转化率是多少。

业务方最后问，这些数据能得出什么结论？

那么，我们能不能把这种简单需求做地更加深入，更好地发挥数据分析师的价值呢？

今天就来分享一下，数据分析流程中的“是什么”，或者说叫做“描述现状”，究竟该怎么做。

一、描述现状，不是单纯取数

首先，描述现状的基础是指标。

通过提取指标的数据，反应实际的业务现状；但描述现状绝对不仅仅是罗列一堆数据，只列数据，没有结论，这是新人最爱犯的错误。

原因很简单，新人也知道好的分析要有结论；但是作为一个新人，不懂业务，不知道该怎么下结论。

新人分析师看到次日留存率是30%，琢磨着说点啥好呢？留存率比较低？还是留存率比较高？

自己对业务一知半解，写高还是写低都不好，谨慎的同学这时候就倾向于不要下结论。

先按照取数需求做，等过段时间熟悉了业务再说，但这样很容易被加上一个“不懂业务”的标签；在别人眼里你是一个写SQL的工具人，逐渐成为一个取数机器。

二、描述现状，不能主观判断

还有一类数据分析师，胆子很大，很敢写结论。

他们不局限于取数，会根据自己的业务理解，给出一个结论。

可惜方法不对，也容易出问题。

小白在做广告分析，发现广告曝光的点击率2%。

小白心想：点击率才2%，100个人里只有2个人会点击，这个数据肯定很低了吧？于是直接下结论，曝光点击率只有2%，我认为点击率较低。

这个我认为很要命，类似的还有“我觉得”、“我感觉”这些词语；这种分析结果很容易和业务撕逼，主要焦点在于曝光点击率2%到底算不算低。

而且数据分析师往往会败下阵来，业务方连问几个问题就招架不住了。

为什么2%点击率就是低了？你知道广告的平均点击率是多少吗？你知道业内平均水平是多少吗？

发生这种情况，小白就被加上了“不专业”的标签。

在别人眼里，你是一个不严谨的人，任职数据分析师的基础能力都不具备。

要知道，数据分析师很靠专业性生存，如果公司里业务方不相信你的结论，那么你在这家公司就很难混得好了。

三、描述现状的正确做法

不能不下结论，又不能乱下结论。

那怎么在不了解业务的情况下，快速给出高质量的分析结果呢？

举一个生活中的例子。

大家应该都有过体检的经历，血常规的体检报告里面，什么白细胞数量、红细胞数量、血小板数量等等都有具体的数值，看起来特别精确。

单纯取数也就是给一个这样的数据。

但是只有这个数据好像没啥用，你知道红细胞数量是2.5，能得出什么结论？

没有医学常识的人，一般也不敢乱下判断。

好在这种报告后面都会有一列，叫做“参考值”。

比如红细胞数量参考值3.5-5.5；现在的数据是2.5，正常范围是3.5-5.5，比较一下，得出结论：红细胞偏少了。

这样一个没有医学常识的人，也能很快解读出数据代表的含义。

相比之前的案例，我们从数据到结论，多了一个确定的参考标准。

通过上面这个案例，总结一下标准的描述现状的过程。

• 第一步，现状是什么，提取指标数据的具体数值。
• 第二步，标准是什么，列出参考标准是什么。
• 第三步，结论是什么，综合现状和标准，得出结论。

只有现状数据+标准才能得出一个“是什么的结论”。

所以在写数据分析报告的时候，正确的做法是：用户流失率达到32%，相比去年同期提高5个百分点，流失率较高。

数据+标准=结论的分析流程，结构非常简单，不过标准怎么定？

常见的标准第一类是通过数据客观得出的，如同比、环比、历史最高、历史最低等。

第二类是业务制定的，如KPI目标、老板的预期等等。

如果一次营销活动上线前就制定了活动目标，那么这个标准直接就用这个目标就可以了。

如果没有那么清楚，只是简单地想要做个活动提升一下销量，那么就可以用第一类标准。

四、严谨的逻辑是数据分析师的基础

按照这种结构描述现状，也有可能会出现业务方不认可的情况。

比如你用同比，业务方认为去年同期有特殊事件，所以用去年同期的数据对比结果不合理，改用环比更好。

遇到这样的质疑，也并不会动摇数据分析师专业性的根基。

数据分析师同学一定要知道自己的价值是什么。

我们提供的结论不能是天马行空的猜想，除非是在头脑风暴会议上——创意类的想法是业务同学应该做的。

数据分析师提供的应当是逻辑关系非常清楚的结论，这种结论换任何一个人来分析，得出的结果一定是一样的；因为数据是确定的，标准是确定的，那么结论也一定是确定的。

业务方可以质疑你论证过程中为什么选这个指标，为什么选择这个标准，但业务方不能质疑你的逻辑有问题。

如果你看到广告点击率2%就觉得点击率很低，下结论只凭借自己的主观判断的话，那么很难预测你之后给出的结论是否靠谱。

换句话说，你的结论准确性不可控。

一个严谨的分析师，他的逻辑是清晰的，那么得出的结论就是可信的；只要论证过程大家都认为没有问题，那么最终结论就能被大家接受。

五、总结

描述现状，解决业务现状“是什么”的问题，这是最基础的一种数据分析需求。

这类分析虽然简单，但很能反应一个分析师的基本功；之前提到的指标思维、对比思维、逻辑思维在这个分析里都会用到。

这种需求做的多了，应该磨练出一颗只讲事实和逻辑的心，而不是走向“取数机器”和“我认为2%偏低”这两个极端。

希望本篇帮到数据分析师新人，下一期准备讲“原因查找”，欢迎关注。

#专栏作家#

三元方差，公众号：三元方差（sanyuanfangcha），人人都是产品经理专栏作家。专注用数据驱动业务增长，擅长数据分析、用户增长。喜欢阅读、思考和创作。

本文原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自Unsplash，基于CC0协议