明确锚点/维度/指标，用数据分析解决问题

，无论是产品还是操作，都离不开使用数据分析来解决异常问题。然而，在我们找到数据后，数据不会直接告诉我们答案。我们需要做的是将问题转化为维度和指标，然后提取数据，然后分析并解决问题。

数据分析是产品、市场、运营和其他职位的基本技能。在越来越多的招聘要求中，数据分析被视为一项基本要求当然，在大多数情况下，业务所需的数据分析是非常基础的，基本的统计计算只需要使用Excel，专业的数据分析人员不需要手握SQL和R，使用回归、分类树等算法输出复杂的报表。

从业务场景开始，数据分析是由问题驱动的换句话说，每次开始数据分析的本质就是发现问题、翻译问题、归因问题和解决问题。

基于数据。发现问题是数据分析的第一步这个问题之所以被称为问题，是因为数据性能不符合“常识”或逻辑，也就是所谓的“出了问题，一定有怪物”。

01发现问题:异常和锚

在大学里，我选了一门普通心理学课程。当谈到精神障碍一章中“正常行为”的定义时，老师讨论了课堂上“正常”的定义——是取平均值、模式值还是中位数？

数据分析也是如此。什么是“经常”？

"常"可以是时间序列中的历史数据例如，应用程序的日常生活用户数(DAU)，要判断是否正常，我们通常需要参考T-1、T-7和T-30的DAU来计算每月的增加(减少)

"常"也可以作为竞争或行业平均水平的指标例如，微信公众号标题文章的点击率为5%(一个虚拟数字没有实际参考意义，即100个公众号粉丝，平均有5篇公众号推送的开放标题文章)如果你的公众人数的球迷开场率低于这个值，那么有必要考虑一下标题是否不够吸引人。

也许你也发现“正常”或“异常”是基于比较。相对而言，“快速”的增长率，“高”的渗透率和“小”的客户数量。因此，基于数据的定位问题的第一步是找到正确的定位点。

看另一个简单的例子，你会明白选择正确的“定位点”来定义问题是多么重要，因为只有选择正确的定位点，你才能找到真正的问题。

互联网广告有一个显著的特点。广告商，尤其是中小规模的广告商，倾向于减少或停止周末消费，因此周末市场的广告商数量相对较少。因此如果将周六的广告客户数量与T-1(昨天，周五)的广告客户数量进行比较，某些行业将会出现“悬崖般”的下降。然而，如果你比较T-7(也就是上周六)投资的广告客户数量，你会发现数据并没有显著变化。

假设我们已经清楚地定义了问题，那么下一步就是找到导致问题的因素，这就要求数据指标按维度进行分解。在

02的工作中，无论是刚进入职场的新手还是在职场磨砺了十多年的老手，数据分析中最常见的错误就是混淆维度和指标。

维度是指对象的描述性特征或属性，如城市分类、性别、行业等。指标是用户测量对象的单位或方法。维度和指标通常成对出现，形成一组数据

例如，如果我们要分析2019年北京、上海、广州和深圳的国内生产总值，那么城市是维度，国内生产总值是指数

另一个例子:最近的疫情影响了许多人的心灵。每天早上醒来，我做的第一件事就是看看昨天世界上新病例的数量，尤其是每个国家。这里，维度是国家/地区，指标是昨天新患者的数量。当提取

数据时，我们还需要定义“过滤标准”严格来说，这只是维度或指标的二次使用，它们与维度和指标不在同一逻辑层次。在

真实业务中，我们的数据表存储了多个实体的多个指标数据，但并不是所有的维度和指标都需要我们关注因此，我们通常限制通过维度或指标提取的数据，以避免数据量过大，同时避免分散我们的注意力。

也是这种流行病在每个国家的新病例数的一个例子。假设我只关心那些有新冠状动脉肺炎病例的国家，筛选标准是新冠状动脉肺炎病例的累积数量(指标)-gt；0个国家和地区；尚未感染患者的国家和地区暂时无需考虑。

，当然，如果你只想关注亚洲国家的疫情进展，那么在国家层面，你只需要将这些国家限制在亚洲国家，如中国、日本、韩国、伊朗等。

在我们正式输入以下内容之前，请记住:维度、指标和筛选标准是我们数据分析的基石

虽然我们每天都满足各种数据分析要求，但是，数据本身不能说话，也不会直接告诉你答案。你需要做的是将问题转化为维度和指标，然后提取数据，然后进行分析。

因此，当收到数据分析的需求时，不要急于编写SQL或打开Excel，首先要弄清楚问题是什么，你想达到什么样的目标。如何将

准确地转化为尺寸和指标？别担心，让我们一步一步来

假设有一天有人问我们这样一个问题:为什么我们公司的第一个产品——洗面奶——的GMV在2019年有所下降？

第1步:定义分析的主体-限制筛选条件

公司的产品线非常丰富，从洗面奶、面膜、面霜、BB霜等。，护肤和化妆产品线基本涵盖。

没问题，现在很明显，我们需要分析的数据是洗面奶和其他产品，如面霜和口红，暂时不需要我们担心。

smart您一定记得，我们需要在筛选标准中将产品类别限制在洗面奶同时！！！时间维度限于2019年，但为了比较(见前一篇文章)，我们还需要提取2018年洗面奶的GMV数据。

第二步:观察值-清晰指标

我们得到的问题是:为什么2019年洗面奶的GMV下降了

假设GMV是我们业务范围内的一个综合指标，由两个基本指标计算得出。例如，我们规定GMV=销售量*销售价格

为了简化问题，我们假设2019年洗面奶的价格与2018年相同。换句话说，与2018年相比，GMV销量下降的实质是2019年销量的下降

第3步:大胆构建并提出理由-分解维度

洗面奶销量下降的原因分析，本质上是找到下降的维度

洗面奶销量下降。我们推测可能的原因如下:

①时间维度:2019年双十一促销活动复杂，用户参与度低；

②渠道维度:2019年《小红帽》将下架，导致《小红帽》洗面奶销量下降；

③消费者维度:2019年，30岁以下消费者购买洗面奶的数量将减少；

...

根据第一种猜测，我们只需要按月(时间维度)提取2018年至2019年24个月的销售数据，来比较2019年双十一和2018年双十一的销售情况。针对第二个猜想，我们需要根据渠道(渠道维度，如小红书、天猫、京东、伟品俱乐部、KA商店)提取销量数据，并分析小红书渠道销量相对于2018年的增长率。根据第三种猜测，我们只需要分析每个年龄段购买洗面奶的消费者数量。

03归因问题:维度和可追溯性

也许您已经发现我们通常依靠指标的“异常性”来定义问题，然后我们可以通过维度分解指标来定位和归因问题

还是以洗面奶销量下降的原因为例通过多维度的拆解，我们发现小红帽频道洗面奶销量的下降是导致洗面奶销量下降的“罪魁祸首”。

为了验证您的观点，您可能需要交叉检查各个维度:例如，洗面奶销量的下降是否也是小红帽下架的时间？

事实上，有很多维度。如果我们只是肤浅地观察数据趋势，我们可能会得出与事实大相径庭的结论。当然，我们经常遇到的另一个问题是:销量下降有很多原因。许多方面可以解释销售量的下降。我们只需要关注主要方面。否认如果我们继续向下钻维度或交叉分析维度，我们只会陷入“维度灾难”

下一步要做的是将数据索引恢复到“正常”状态——从以上原因，推导出您的实现策略

04问题解决:对于维度，影响指示器

假设我们已经成功定位了问题，也就是说，我们已经定位了维度，然后是输出策略的时间。

事实上，这是一个需要个案讨论的话题。毕竟，不同的业务场景和不同的资源条件会导致不同的方案。

在这里，只强调一点:你的计划必须能够强烈地影响指标乍一看，

似乎毫无意义，但在实际工作中，你会发现许多计划往往与你想要实现的目标背道而驰。我们经常忽略的一点是，任何行为都会导致意想不到的后果。

一个经典案例是，考古学家希望购买更多的龟甲来保存甲骨文。结果是许多人砸碎龟壳并卖掉它们，因为它们是按件数支付的，导致许多人为了获得更高的价值而将整个龟壳敲碎。

事实上，许多活动也是如此:一个明显面向GMV的活动专注于设计很长的活动路径，导致用户跳到其他频道并失败

ok，这是我的一些想法，我叫于子申，关注b端产品和营销，欢迎多交流

作者:于子申；公开号码:2019

这篇文章最初是由@于子申发表的，大家都是产品经理。根据CC0协议

,未经许可，禁止从Unsplash转载

图片

本文由 在线网速测试 整理编辑，转载请注明出处。