利用数据解决实际问题解读（一）

利用数据解决实际问题解读（一）

作者 | lpl

来源 | lpl （公众号：数据分析从0到1)

前言

数据分析最终是以解决问题并提出合理的建议为基础，最近在思考如何利用数据更好的解决工作也读一些很好的文章，下面将结合自己的经验以及学到的知识分享给大家。

明确分析的问题

在数据分析中，不要盲目的使用分析工具，产生大量的图表，耗费大量精力和时间，最后得到描述型报告“XXX活动参加的人数下降了”、“本月销售额有所增加”等实际情况。这样很难找到针对问题有效的应对措施，或者造成这种现象的原因。

不要只关注结果数据，所以分析要有以下的节点：

首先要明确问题；

了解问题造成的数据状况；

通过数据找到问题关键点；

进一步缩小问题范围，将问题分解，定位到产生问题的根本原因；

针对问题的产生提出解决方案；

分析中，当我们明确了问题，然后找到问题的数据，再到拉取需要排查问题的对应数据。这一步就叫做数据的整理过程，这一步做好了在对后面的分析结果产生重大影响。

分析思路

创建分析假设

明确了分析流程，我们就需要对“确认环节”进行假设，假设的前提是我们要了解业务流程，当然了解完业务流程再加上头脑风暴列出来假设问题。

分析思路

下面举例：针对面包店销售额下降进行假设；

例一

对于假设我们通常对触发问题的假设条件毫无头绪。我们可以从三个方面来看：

自身原因（如：服务、渠道、活动、运营策略等）

产品原因（如：产品优势是否下降、竞品、BUG等）

外界原因（如：当地气候、法律、规定、市场趋势等）

但是对于假设，我们可以逐渐深层次对原因进行挖掘，如上面对销售人员差别进行假设：

不同地方的文化不；

同导致接待方式不同  录入人员的文化、经验等不同；

但是我们也不能一直挖掘下去，知道能解决这个问题的层次就行。

然后将我们假设的数据提取出来，到这一步，数据整理是结束了，接下来就是数据分析，数据分析我们需要对假设进行数据验证，来确定有影响的因素有哪些，哪些因素影响比较大等数据进行分析。

这个时候就确定了一个简单的分析流程：将“问题”进行“假设”，然后分析出“结论”。

用框架来对假设查漏补缺

我们的假设，通常依据个人的工作经验、和对这个问题的看法等，这样可能造成假设是否偏差？视野是否狭窄等问题？，也有可能是来验证自己的想法等。

所以我们一般采用框架，对我们的假设进行查漏补缺。

如果我们常见的4P理论，主要用于营销方面的。

4P营销理论被归结为四个基本策略的组合，即产品 ( Product )、价格( Price )、促销( Promotion)、渠道（Place )，由于这四个词的英文字头都是P，再加上策略（Strategy），所以简称为“4P’

4P模型

借助框架，我们再梳理类似关于营销方面的假设就更加容易了，但是并不是每次数据分析的时候都需要画出框架等，这是不必要的，等我们熟悉了，在心中想也是一样的。

问题的定义很重要

前面我们讲了假设，但是在假设之前有一步骤是，问题的定义，如果问题的定义有问题，后面的假设什么都基本上是无用功了。

举个例子：

问题：由于商品A过度下降，导致年利润下降，没有达到XXX水平。

假设1：个别店铺价格过度下降；

假设2：某个时段价格过度下降；

假设3：由于价格战导致价格下降；

............

从上面看是没有什么问题，但是提到了上述讲的，问题定义不全面性，不能以自己的想法而给问题定位，变成分析只是验证自己的想法。

定位问题的时候，我们要有【理想状态】，在理想状态上我们再定义问题。

举个例子：

理想状态：商品A的年利润保持在XXX水平上；

问题：商品A的年利润没有保持在XXX水平上；

假设：

过度降价；

成本运费增加；

竞品出现；

促销力度不够......

按照这个逻辑，我们可以有降价之外的别的假设。分析问题更加全面。

但是如果我们一开始以狭义的想法定了问题，到后面分析中，我们比较难的再去思考是否有别的假设进行验证，所以一旦开始了，中间改变的概率很小，所以尽量在最初逻辑上设定合理的范围，决定后面的分析质量高度。

自我的注意

如果需求方给你的问题，你直接拿来分析，这样可能会出现后面分析结论和需求方最后的根本问题不太符合，所以一般拿到需求，先要和需求方聊一下，发现问题，然后再思考，确定问题。

分析中常会遇到，采用大家一致认同的问题，这样既节约时间，分析出来的东西大家也认可，差不多就下结论了等，这样的话往往不会挖掘问题的根本原因，造成的后果是，采取了应对措施，但往往不是很乐观。

所以从接受提案一方看，他们认同的并不是数据分析内容和方法，而是以清晰明确的、能够说服别人的问题或逻辑前提为基础提出的建议。

往期文章回顾

数据指标下降如何排除？

数据分析中RFM模型还可以这样用