面对一堆数据毫无头绪？别慌！本文以电商带货数据为例，拆解“理解场景→找主指标→判断好坏→建立假设→验证假设”五步法，教你从杂乱数据中快速定位关键指标，识别业务问题，并输出有说服力的分析结论。

“看到数据，脑子嗡的一声，完全没思路！”很多新人会有这种困惑。别紧张！这是因为大家学习数据分析的时候，多是从Excel/SQL/Python/AI等操作开始的，练习的是一个小操作，缺少系统思维。

真实工作中，常有2个场景，一个是丢一份数据过来，没有明确需求，需要自己找思路。另一个是有业务问题，需要自己找数据组织逻辑，回答问题。

今天陈老师先带大家看场景一，只要大家遵守：理解场景→ 找主指标 → 判断好坏 → 建立假设 → 验证假设的顺序，再复杂的场景也能应付。

一、理解场景

拿到一份数据，先问：“这是什么业务场景的数据”。这是真实工作和自学的最大区别。自学一个操作只要有俩数就行。真实工作，数据来自财务、销售、产品、运营、生产、供应、客服……等具体业务场景。

每个场景下：

1）业务的考核指标

2）业务关注的问题

3）常用的指标/维度

4）判断好坏的标准

都有固定范式，先问场景，能帮我们快速收敛思路，找到重点。

比如本文所用范例，拿到数据以后，先问：“这是什么场景的数据”，就能快速理解各个指标的关系（如下图）。

二、找主指标

面对一堆数据，先别急着算东算西，先找主指标。主指标，即：业务最关心的，一般是考核业务绩效的指标。

各业务场景下，主指标是固定的，比如：

销售：收入、成本、投产比

营销：费用投入、增量效果

增长：CAC、LTV、ROI

供应：费用投入、单位成本、时效性

先看主指标，能帮我们快速抓住重点。比如本例中，既然是带货，同时有收入/成本指标，那么可以先算ROI，分出好坏（如下图）。

三、判断好坏

没有第一时间找判断好坏的标准，是很多人不能输出分析结论的重要原因。判断好坏→好 VS 坏差异在哪里 → 业务上可能有什么原因 → 落实业务原因，才是输出结论的方法。

好坏标准可能来自：

1）业务有KPI，直接对比KPI完成率

2）有多个业务个体，分层，看高中低差异

3）指标的直接含义（比如利润不能是负数）

4）先找到业务季节规律，再看是否违反季节规律

5）先找到业务增长趋势，再看是否走到拐点

这一套方法，属于《数据分析-九大方法》的周期性分析，我们稍后再单独展开。

本例中，既然有收入/成本，我们可以计算利润高低，作为标准；本例中有多个个体，可以对比ROI高低，设为标准（如下图），这样我们找出明显好/不好的渠道，可以进一步分析了。

四、建立假设

主指标用来判断好坏，解释好坏得看过程指标。看完主指标后，可以进一步看过程中有哪些问题。

这里有转化过程：曝光→落地页→注册→付费，这是典型的电商业务转化漏斗，可以分析：

1）整体转化率

2）每个环节转化率

3）找转化最差的环节

发现问题。

在已经区分业务好/坏的情况下，优先拿表现最好的个体与最差的个体进行对比，极端情况更容易看出问题所在（如下图）这样能高效率帮我们找到问题点，建立假设。

有些同学看到转化低了，会直接写：“推广效果不佳，是因为转化差，建议搞高”，这样太过简单，还是会被吐槽：“那它到底为啥差呢？？？” 将数据问题联系到业务问题，提出业务上的问题假设，才是关键。

比如在电商转化漏斗中，常见的业务假设有：

1）曝光→落地页转化低，后续正常，可能“渠道精准但广告页制作太差”

2）前端转化OK，落地→注册转化低，可能“注册流程复杂，引导不清晰”

3）前端转化OK，注册→付费页转化低，可能“价格不够吸引，用户在比价”

4）入口流量大，但是全流程转化差，可能“渠道不够精准，目标客户少”

能进一步提出这种假设，就算突破了新人菜鸟的范畴，开始正式数据分析！

五、验证假设

提出了业务假设后，需要进一步验证。注意！一般这时候，只靠一份历史数据已经不够了，需要：

1）增补多期历史数据，纵向对比

2）增补更多分类维度，横向对比

3）尝试开展试验，调整业务做法，观察效果

此时，都需要更多数据。