關於數據分析，這裡想站在更大卻更為實際的角度講一下。

這裡要講的數據分析可能並不是某一個細小的事件，更多的是站在一項業務上去考慮，流程和工作量都要更為龐雜些。

數據分析的方法論

講方法論之前，先思考什麼情況需要數據分析？通常情況下是當領導或者自己發現某個問題，比如這一陣銷售額低迷，存貨量居高不下，客戶流失率只增不減……這樣的一個一個問題，可以稱之為「點」。於是，第一時間對比自己的目標，這個月的銷售額是要達到多少多少萬，但是目前的問題是完全不符合自己的KPI的，所以會促使你去分析原因，找到解決的措施。問題與目標對接，兩點成為一「線」。撇開流程，在業務外，是否有外部因素影響到了數據，這也是需要考慮的，一條直線和直線外一點，構成「面」，這裡就強調分析問題要全面。多面成體，如果說能夠考慮到影響目標結果的各個因素點，那麼體則是從多面角度出發，能夠從「旁觀者」的角度看待整個分析「體」，更多的是強調全局觀。

以上就是針對實際業務的一個分析方法論，要形成體，一方面要梳理組織架構，讓數據在各個環節流程上流通起來，另一方面則需要一套行之有效的方法體系，指導日常的運營分析，而這個方法論就是我要提出的「點、線、面、體，四位一體方法論」。

點

點，這裡是指業務上的痛點或high點，進一步可理解為業務發展異常點或進階發展點，未來業務拓展關鍵點和BOSS關注點等。在數據上則體現為業務發展趨勢中的波峰、波谷和數據離散點。

點是我們在數據運營中首先要關注的地方，是整個數據運營分析中的起點和基礎點，也是「點、線、面、體」四位一體方法論中最基礎的元素，是整個數據運營進程的擴展點。例如我們平時在網站或APP分析過程中，發現某一天的訪客數明顯低於正常水平，那麼是什麼原因導致這個異常點出現呢？又比如當月的銷售量，某日的銷售量明顯低於其他什麼原因引起的？此時的這個點就是我們數據運營的切入點。

點的發現關鍵在於數據的統計整理，形成規範，找出規律和切入點。比如我關注流量這一指標，通過可視化分析工具將各時段的流量數據抽取出來，前端做成一個dashboard界面，利用時間和查詢控制項供自助查詢。

線

兩點成一線，推己及人，將業務中的異常點和我們日常運營目標有效的結合起來，就能形成一條清晰的數據運營分析線。除此之外，在數據運營數據積累過程中，隨著時間的推進，也能形成一條它自己的「時間序列曲線」，進而在分析過程中實現數據的時間價值。線的分析是實現數據與數據關聯的過程，是看趨勢的過程，是實現數據的時間價值與串聯識別價值的過程。

另一方面，線的分析是維度分析的基礎，思考問題的開始，這個過程有如數據在資料庫中實現上下鑽取、OLAP分析的過程。理解線的分析，一方面通過對運營目標的分析，來反思影響這一目標的各指標權重影響，簡單點說，哪個因素髮生變化會對銷售量產生巨大影響，那這個指標的權重就越大，需要控制好。另一方面，比如分析流量在某一天下滑對月度銷售額的影響，從流量下滑這一點出發，到對目標結果影響這一點關聯分析的過程。一個是從結果出發分析影響因素，一個是從過程出發預測對關注目標的影響。「線」的分析在數據分析操作上體現在分析模型的建立，各指標的關聯。

面

面在「直線」分析的基礎上將外部影響因素「點」考慮進來，形成對目標分析更周詳的考慮。面的分析一線與多點的考慮，面比較點和線多的是輻射的影響與考量，是點、線分析整合的基礎上引入了運營場景的考量，並將不同數據運營過程場景化，簡單的講，一個場景就代表一個面。

理解面的分析方法，應從應用場景方面考量，考量各方影響因素。因為「面」，所以有了數據的角色化、場景化。

同樣是銷售的分析，對內受一些列因素影響，比如營銷力度、人員分布。但放到市場環境中也會受到來自同行或者同產業鏈的輻射影響。有些企業會將市場環境因素納入到分析監控中。

體

多面成體。如果說面是考慮到了影響店與目標結果的各個因素，那麼體則是從多面角度出發，能夠從「旁觀者」的角度看待整個分析「體」，更多的是強調全局觀，是對整個分析體系的認知，是對點、線、面的全面整合，是完成的數據運營體系。

點、線、面、提「四位一體」方法論是一個層層遞進的過程，是對運營業務場景分析從簡單到複雜的過程，從局部到全局的過程，是利用數據運營的思維方法。

業務分析的流程

明確分析目的→梳理業務形成分析思路→搭建分析指標體系→收集數據→處理數據→製作分析模板→視覺化管理。

明確分析目的&梳理業務

分析要有目的有方向。是對現在面對的某個問題分析，還是梳理整體的業務現狀，抑或是對未來某個指標的預測監控。簡單來講，就是解惑、監控、預測，目的是提效、增益。

明確目的後，需要梳理思路，怎麼梳理？如果是分析近一個月銷售額普遍下降的原因點，就要從下至上，還原整個事情進展的過程。購買環節涉及成交量、客單價和折扣率，然後還要分各類產品；瀏覽環節涉及瀏覽量、PV/UV；用戶維度還有流失率、活躍度、復購率等等，把分析目的分解成若干個不同的分析要點，然後針對每個分析要點確定分析方法和具體分析指標。

搭建分析指標體系

搭建分析指標體系就是分析整個「體」，將分析框架的體系化，明確每個點都是什麼指標，任何一個分析路徑都能對應到指標（當然現實是不會有這麼完美的體系的）。

以電商為例，遵循「人貨場」的思維邏輯。常用的業務分析場景有銷售、商品、渠道、競品、會員等等，而商品可進一步細分為商品的庫存、商品的利潤以及關聯銷售分析。在整個業務分析體系中，確保體系化，即先分析什麼，後分析什麼，使得各個分析點之間具有邏輯聯繫，使分析結果具有說服力。

如何取數？

SQL是最基本的資料庫語言，無論從什麼資料庫、數據倉庫、大數據分析平台取數，都需要掌握。

Hive和Spark都是基於大數據的，Hive可以將結構化的數據文件映射為一張資料庫表，通過類SQL語句快速實現簡單的MapReduce統計。

清洗和處理數據

原始數據來自於各個業務系統，指標口徑對不上，總會出現不一致、重複、不完整（感興趣的屬性沒有值）、存在錯誤或異常（偏離期望值）的數據。這些都可以通過

數據清洗：去掉雜訊和無關數據

數據集成：將多個數據源中的數據結合起來存放在一個一致的數據存儲中

數據變換：把原始數據轉換成為適合數據挖掘的形式

數據歸約：數據立方體聚集，維歸約，數據壓縮，數值歸約，離散化和概念分層等

製作模板&視覺化展示

分析模板多用excel或者報表製作工具。如果業務部分有設立數據分析崗或者集團有特定的數據中心團隊，會通過搭建商業智慧BI系統平台來完成針對性的業務分析。

使用常規Excel或者傳統報表工具，可以將做成的圖表貼至PPT中，涉及Excel的高級功能，就需要學習VBA和數據透視表，但Excel適合已經處理好的成品數據。一旦涉及大數據量或頻繁鏈接資料庫，一些帶有介面的數據視覺化工具或報表工具就比較適合。

喜歡這篇文章嗎？歡迎分享按讚，給予我們支持和鼓勵！