数据分析是现代企业决策的重要支撑，但许多从业者常常停留在表面的描述性统计，难以深入挖掘数据背后的真实问题和业务价值。本文将系统地介绍如何进行深入的数据分析，希望能帮到大家。

经常有同学抱怨：感觉平时做的都是描述性统计，同比、环比，深入的数据分析到底怎么做？今天系统地讲解一下。话不多说，直接上干货。

常见的描述性统计

举个简单的例子，让分析：为啥业绩下降了。很多同学的做法是：

1、拿本月和上月，分产品、地区、分公司做对比

2、发现，整体下降5%，A产品下降10%，B产品下降6%……

3、把A产品下降10%标红，然后写“要搞高”

这么做当然不深入了！单个指标下降只是表象，业务关心的是：

1、A产品营销力度不够？

2、A产品选品失败了？

3、销售没有执行到位？

这些问题，指向明确的改进意见：

1、营销力度不足 → 追加活动投入→ 往哪些地方投活动！

2、新产品表现不好 → 寻找替代产品→哪些产品有潜力！

3、销售没执行到位 →哪些环节要提升→ 提升是否见效！

这才是业务需要的结论。想做到这一步，需要四步走

改进第一步：建立分析假设

业务问题，往往不能用一个指标简单描述，而是需要指标+标签，从多个角度描述，形成多个分析假设。

比如营销力度不足，至少可以拆成三个分析假设：

1、活动形式改变（用标签：形式A、形式B）

2、优惠幅度下降（原先打八折、现在打九折）

3、覆盖产品减少（原先60%产品参加活动，现在40%）

经过梳理，把业务问题，拆解成可以用数据指标量化的分析假设（如下图），就能做进一步分析了。

改进第二步：聚焦重点问题

注意，假设方向不止一个。需要帮大家聚焦到核心问题上。比如给出“营销力度不足”的结论以后，大家会自然反问：

1、难道只有营销的问题吗？

2、难道分公司管理没有问题吗？

3、难道产品没有问题吗？

此时需要更复杂的论证逻辑。

比如我想证明：营销力度影响，比产品的影响更大。那么我要列举的假设是：

1、一直无活动的产品，前后变化不大

2、原本有活动，现在没活动的产品，变化巨大

3、原本有活动，现在力度下降很大的产品，变化巨大

4、原本有活动，现在力度下降很小的产品，变化很小

这样有了充足的正反例子，能做实：营销力度就是影响很大，就可以剔除产品的影响了。

当分析假设很多时，可以用MECE法，把特例的逻辑关系一一梳理出来。

最后效果如下图：

这个时候，作为一个分析原因的报告，已经可以交差得七七八八了。但是还可以再多做几步。

改进第三步：评估未来走势

注意：降低营销力度，会影响业绩，这个是不用分析也知道的。反问一句：为什么明知道会有问题，还是会降低力度？才能让自己分析更深入

比如，降营销力度，大概率怕费用会超支，可以做如下分析：

1、按目前的投产比+投入力度，下个月还会不会降，能否守住全年目标

2、如果想让业绩不降，保持之前投入力度，费用会不会爆、啥时候爆

3、如果费用会爆仓，预计超支多少，是否可以忍受

这里需要做一些预测。注意！并不是所有预测都难如登天。这里预计营销费用与业绩关系，完全可以用简单的时间序列/线性回归，给出走势即可。可以做滚动预测/业务假设预测，用公式推导（如下图）。

预测完了，给出对问题的判断。这些判断对业务是很有用的，可以直接指向落地的业务行动。

比如营销费用失控问题，可以判断为：

1、严重：预计超支50%，预计提前半年消耗完

2、一般：预计超支20%，预计提前1.5个月消耗完

3、轻松：超不了多少

这些判断，对业务也非常有用，业务看了，可以：

1、严重：立即调投入，砍掉投产比低项目，砍50%以上

2、一般：优化做法，再观察2月看看

3、轻松：小车不倒只管推

有了方向性判断，再看下一步执行细节分析

改进第四步：给出建议细节

有了第三步的支撑，第四步给的建议才会显得有理有据。比如看完第三步，业务决定“优化做法”那么可以进一步：

1、挑选出对促销不敏感的商品，砍掉补贴

2、挑选出低毛利的商品，直接砍掉补贴

3、挑选出撤出促销后波动少的商品，逐步消减补贴

4、找到对价格不敏感的客群，逐步增加他们喜欢的商品，扩大其基数

这里，会延伸出好几个话题。比如用户分群，可以做矩阵分析，先锁定人群，再看其商品爱好（如下图）。

比如商品分析，可以先核算成本，再看促销敏感性（如下图）：

这样可以给出消减成本的方向，人、货、场因素都有了，可执行程度也很好。

小结

综上过程我们发现：想让分析有深入，关键在于组织分析逻辑。

1、把业务问题，转化成数据描述

2、排除小问题，聚焦大问题

3、行动建议要建立在预判之上

5、用细节数据，支持行动

这样才可以把分析越做越深，而且能积累对业务有用的结论。

在这个过程中，分析方法是相互穿插的。有常见的描述性统计、对比分析，也可以结合预测模型，也可以结合数据测试，判断方法可行性。

做数据分析，从来都不是一条无敌公式打天下，细细梳理业务，构建逻辑，才体现水平。