数据分析需求，怎样梳理才清晰？

进入9月后，各种大促销在即，数据分析师们又到了一年最辛苦，最悲催的时间段。然而，有多少无意义的加班，是因为业务部门不会提需求导致的。需求提得不合理，业务部门看了不解决问题，就会反反复复地再提需求。导致数据分析师们辛苦加班还不落好，背上一个：“分析没深度啊！”的坏名声。

为了提高分析质量。我总结了数据分析师可以回答&不可以回答的问题。数据分析师们可以对症下药，在业务部门思路不清晰的时候，帮他们理清思路，找到他们真正关心的问题。

业务部门的同学们自取学习，提升数据能力，能让你的方案思路更清楚，减少返工机会。思路不清，被老板退回，反复改到V28-7F.3版，倒霉的还是业务部门自己。

简单来说，数据分析师可以回答三类问题：是什么，为什么，会怎样。

01数据分析师可以回答：是什么

是什么：用数据指标描述某一时间段内的某个问题。这里有三个关键词：数据指标、时间、问题。

第一个关键词是数据指标。我们常提的，比如PV/UV，用户数，活跃率，转化率，留存率都是指标。讨论问题如果不能具体到一个指标，就无法用数据量化分析。因此业务部门需要清晰地知道：到底有哪些指标可以用。

这里强烈建议数据分析师们把自己公司常用指标整理一份《业务常用数据字典》，方便业务方统一口径，也方便业务方新人学习。尽量不要一个项目就新造一堆指标出来。公司内部统一口径，才是可持续深入分析的基础。

第二个关键词是时间。业务方往往对时间不敏感，喜欢张口就来：“我们的用户量是多少？活跃率是多少？”这时候数据分析师必须提示业务方，想清楚自己想看的数据的时间范围。活跃率是看周活跃率还是月活跃率还是年活跃。

如果业务方自己想不清楚，就交代一下业务背景，让数据分析师帮看看用哪个指标合适。不沟通清楚时间段，同一个指标反复取数，是导致数据分析师加班的重要原因！

第三个关键词是问题。数据指标有可能能直接说明问题。比如性别指标，直接统计某个时间点上的性别指标，就能看出来用户男女比例。有些情况下，需要多指标综合判断。

比如要判断一个推广渠道的质量。这里“质量”两个字就可能是综合指标。单纯地看渠道带来的收入可能不解决问题，至少还要看客户档次，看渠道成本，看ROI等等指标。有些情况下，还需要多指标对比做出判断。比如业务方问：什么渠道质量高。这里“高”就是一个相对值，需要有一个明确高低的参照物。

遇到综合指标&对比判断指标，业务方需要先给判断逻辑。毕竟业务方才是对业绩直接负责的部门。到底什么指标对业务发展更重要，到底什么程度才算好/坏，业务方才是最终裁判。对业务开展有利是最终判断准则。如果业务方暂时没有清晰判断，数据分析师可以协助先计算数据分布，提高业务方判断效率。

02数据分析师可以回答：为什么

为什么：用数据分析问题产生的原因。需要指出的是，数据分析仅仅是寻找原因的一种手段。因为目前的数据仅能记录一小部分用户行为状态。很多重要的原因无法被记录。因此，数据分析更适合定位问题。剖析问题找到原因，可能需要用户访谈，渠道走访，亲自体验，产品测试等多管其下。

数据分析师70%时间要花在基础的数据处理、数据计算、报表制作上。相比之下，每天都在一线奋战的业务方，反而有可能对问题产生的原因，有更直观的感受。

因此，想精准的分析原因，最好的方式是业务方先提供业务假设：基于经验，可能是在XX方面有问题。数据分析师通过数据进行验证，质量就非常之高了。

03数据分析师可以回答：会怎样

会怎样：用数据预测未来可能的情况。这里必须强调：不要高估所谓大数据、人工智能、科学算法的能力。数据分析师们预测未来的基本逻辑，是：过去的情况会重现，过去发生的逻辑未来也一样。完全凭空飞出来的黑天鹅是无法预测的。

本质上看，未来业绩是多少，是靠业务方做出来的，不是算出来的。如果业务方不努力干活，单靠算法、公式、模型、又能怎样？

因此，高质量的预测，是建立在业务方准确地提供未来计划之上。未来业务方将开展的计划越精细，数据分析师们，就能越准确地衡量得失，判断内外部因素影响。如果没有计划，数据分析师们，也只能假设现在的某些趋势保持不变，简单拍拍脑袋。

04数据分析师不可以回答：怎么办

重要的事情说三遍：

分析“我该怎么做”不属于数据分析师职责

分析“我该怎么做”不属于数据分析师职责

分析“我该怎么做”不属于数据分析师职责

虽然也有分析两个字，但是如何设计解决方案是业务部门的事。运营部门就该做活动方案，产品经理就该出产品方案，销售部门就该想东西怎么卖。这才是业务部门的本职工作。

吵吵着：“你说我不行，你行你上啊”是玩忽职守的扯皮表现。如果连具体的业务方案都让分析师来想了，分析师也干脆把业务部门的工资领了算了。

05不靠谱的需求大多长这样

一份合格的需求，一定要先想清楚：自己到底要什么。当方案还在策划阶段，最需要了目标客群历史上的“是什么”，通过对过往经验的回顾，寻找下一个方案的想法。有了初步的想法以后，可以测算“会怎样”，为选择方案提供数据支持。当方案落地成项目时，可考虑监控当前的“是什么”，监督项目进度。当项目完成后，可再分析“为什么”，总结成功失败原因。

业务方提需求的时候，最忌讳眉毛胡子一把抓。脑中一堆问题没头绪，就一股脑倾泻给数据部门。嘴里讲的是看一个XX指标历史数据，心理想的是：“我靠，未来这个指标不会下滑吧”。嘴里讲的是看两个AB指标的走势，心理想的是：“肯定是B影响了A”。如果数据结果和想象不一样，就怀疑是数据问题，又提一堆乱七八糟的新需求。

往往取数的逻辑越来越复杂，到最后都已经不记得最初想解决什么问题。亲，想做预测就直接做预测，想分析原因就直接找原因，不用这么弯弯绕绕。在如何看数据上，数据分析师们有更丰富的经验，和他们充分讨论，出品质量更高哦。

当然，最大的问题还是不会问：“是什么”。取数分不清指标，分不清时间状态。平时没有养成严谨的数据习惯，随口说：“我们的用户有1000万”“消费1000以上”“大部分是男性”之类的话说得太多。导致看似有数据意识，实则认识不清。

利用数据思路混乱，输出结果不严谨，导致反反复复取数、核对数据，消耗了大量时间。当然，业务部门没必要做到专业级的严谨，这里必须靠数据分析师来把关，协助大家提高分析质量。

06高质量的需求可以这么提

不直接问“我要做什么”，不代表数据分析师不能支持到方案选择。实际上，合理的提问，可以有效获取参考数据，启发思路，提升方案质量。比如把“分析一下我该怎么干”换成以下问题，就有可能获得更好的结果：

第一：可以来问是什么。比如：“我们近2年来采用的，类似XX形式的促销，ROI表现如何？响应率如何？响应的客群是什么人？我们去年在国庆投放的广告，转化率如何？在没有做促销的情况下，去年的同期业绩是多少？我们截止到上个月最新的高端客户的特征是什么？他们喜欢哪些类产品？他们的购买周期怎样？”

掌握具体情况越丰富，细节越详细，越可以帮助业务方看清楚哪些方法好用，哪些方法不好用；掌握的目标用户行为越多，越可以帮助业务方把握目标群体的特点，从而更好地思考哪些方案可行。这里可能就是基础的数据分析结果呈现与用户画像展示，但对启发思维是非常有帮助的。

第二：可以来问为什么。比如：“什么上个月的活动投入力度那么大但是响应率不高？是因为宣传没有到位还是投放的券力度太小？从环节上看，是访问率跌了还是转化率跌了？类似力度的活动，比如去年XX活动转化率多少？”

找原因的时候，有具体的假设，就能帮数据分析师快速锁定目标。数据分析师们，可以提供丰富的数据来多角度论证问题。毕竟去伪存真，去伪的难度更低。

第三：可以来问会怎样。比如：“我已经计划好了，采取买二赠一的模式，在X月X号-X月X号进行，针对所有用户开展活动。请帮忙测算一下到时会有多少人参与？到时会不会出现库存不足？如果参与人不足，在什么时候再投放一次广告能弥补问题？”

有了具体的方案以后，数据分析师们就可以为业务量身定制测算方案。可以很细致的结合具体的活动形式、活动时间、活动群体，来考虑竞争对手的影响，考虑季节性波动与参与率。从而相对精确的给到测算意见，为业务部门行动提供有力的支持。

当然，一个业务技术双精通的数据分析师，是可以提业务方搞掂上边所有问题的，不依赖业务方的判断，因为他自己就是个业务高手，有丰富的实战经验与业务能力。但这种人是可遇不可求的。大部分数据分析师还是70%时间处理数据的技术男。

为了提高效率，请珍惜数据分析师的时间，让他们把智力投入到更有价值的为什么，会怎样的分析上，而不是反反复复的当人肉报表机提数据，那样分析的结论不深入，既浪费分析师的人力，又耽误业务部门决策。

本文来自微信公众号 “接地气学堂”（ID：gh_ff21afe83da7），作者：接地气的陈老师，36氪经授权发布。

相关推荐

数据分析需求，怎样梳理才清晰？
焦点分析 | 58份中概股做空报告梳理：“狙击”命中率为何降低？
2019医疗信息化中标数据分析，最高中标金额近1.2亿元，三级医院需求占六成
小鹏汽车的当务之急：品牌内涵亟待梳理修复
华为云战略很清晰
大数据下一个十年将如何演进？
风口不在，融资不断，这里有一份3D打印行业梳理
灵活用工平台如何打造数据安全合规体系：风险评估与数据安全管理制度
Grab金融集团Reuben Lai: 满足需求、贴近生活、透明清晰是我们成功的关键
企业培训在国内是一桩怎样的生意 （上）

网址: 数据分析需求，怎样梳理才清晰？ http://www.xishuta.com/newsview50177.html