在当今数据泛滥的时代，数据分析已不再仅仅停留于表面，而是深入到洞察与结论的层面。正如古人所言，“工欲善其事，必先利其器”，数据分析师们要想在数据的海洋中捞出真正的珍珠，就必须掌握一套高效的分析框架。本文将从数据评价、异常归因到行动建议，全方位解析如何提炼数据中的“Insight”，为企业决策提供有力支持。

加入咨询公司（MBB之一）这两年，感受最深的就是不管是给老板汇报还是给客户汇报，最核心的一点就是你的Insight（洞察或结论是什么）。在做数据数据分析或业务研究时，你不仅要给出数据结果的事实，还需要给出你自己基于数据得到的结论和建议，这才是你的价值，也就是需要具备描述数据是什么，数据怎么样，为什么会这样，我们该如何做的一整套分析框架。那么，在日常数据分析工作中，你的“Insight”来自于哪里呢？

一、数据怎么样是数据分析的基础

当下大家都比较注重健康，毕竟需要为祖国健康工作50年，拿到体检报告后，如果只是给了你一堆血糖、血脂、尿酸、BMI等指标的数值，你啥也看不懂。而如果标注了某一指标高了或者低了的箭头，你就知道这一项有问题了，需要找医生解读下这个白细胞数指标超标代表啥意思。

同样，对于数据指标体系要想可以给到业务用户提供指导建议，必不可少的就是指标好坏的评价标准。只告诉老板昨天DAU 100W没有任何意义，还需要他自己判断100W业务到底正常还是出了问题。因此，数据指标体系必须包含不同指标的好坏的评价标准，一般来说常用的有：

和历史比

同比：（本期-去年同期）/去年同期，适用于发展稳定的业务形态，今年和去年对比看下是否持续增长环比：（本期-上期）/上期，适合分析近期的变化，可以从日

环比，衍生出对比本周一对比上周一，本月1号对比上月1号的月环比，可以反应短周期内业务动作是否起到了正向作用，适合监控快速变化的业务场景

和历史峰值比，是否完成自我超越，取得新的里程碑，用于做一些团队激励，如销售管理场景

和历史均值对比（近7天、近30天等），考虑一些特殊日期、或者活动的影响，以均值作为参考线，拉齐异常点的影响

和目标比

目标完成度：指标实际值/目标值，一般来说企业经营管理都需要设置自上而下量化管理的KPI指标，年度、季度、月度等，1个亿的小目标不是人人都可实现，但是脚踏实地影响奖金的的KPI还是要时刻紧盯的。

和同行比

不患寡而患不均，打绩效分奖金的时候怎样服众，常用的就是你张三做的没有李四好，所以李四是A，你是B。所以可以和平级对比，比如部门平均、中位数等，衍生出可以在更大范围内的对比，比如行业内。

和预警值比

过去指标阈值设置以来业务经营为主，比如业务确定GMV同比波动超过50%算异常，随着大模型应用的成熟，可以依赖算法模型，充分考虑季节周期、营销活动、天灾人祸等各种因素，设定更加智能化的参考标准。

二、为什么会这样是洞察结论的前提条件

有了指标的好坏评价标准后，当分析监控发现昨天GMV下降50%，远高于近期常规表现以及去年同期（排除业务季节性和周期性规律），这个时候就需要结合指标体系的分析方法进一步归因是哪里出了问题，这里面就涉及到维度拆解，和关联指标分析。

维度拆解

多维分析是异常归因分析最常用的分析方法之一，是一种从整体到局部的思想，按照业务流程或组织拆分数据指标支持的分析维度，如产品类型、区域、省份、渠道等，逐个拆分看是否某一维度才，存在明显的维度值贡献的异常数值比例较大，目前很多BI工具的智能归因分析基于基尼系数进行维度的拆解，就是这个思想。

指标拆解

在指标体系构建时，我们会把有相关关系的指标进行分类组合，例如电商黄金公式GMV=UV*转化率*客单价，当GMV下降异常时，按照指标拆解的思路，可以是否是某一细分指标存在明显变化。指标拆解的思路早期在财务领域又叫杜邦分析方法。

三、我们该如何做是主要的洞察结论

业务对数据分析的期望是可以通过数据分析帮助他们发现商业机会或行动改善建议，也就是“So What”，如果只是陈述了一堆数据事实，给不出结论性的建议，那你的分析就是没有“Insight”的。所以，需要基于数据拆解和分析的过程，结合对业务的了解，给出可以落地执行的决策结论。比如，GMV环比下降50%，关联指标拆分各项指标波动并无明显差异，维度拆分时，发现是某一Top10城市下降严重，这时就需要了解竞对（行业）、以及业务上，在这个城市做了哪些动作，最终了解发现，是竞对新上了某一活动，将大量用户切走了，这个时候，我们的建议是，防守端，如何避免用户被切客，进攻端，怎样进行竞对用户的拉取等。

同理，在做数据产品设计时，只是提供数据是什么，怎么样，为什么只是满足业务基础的“生理需求”，结合AI大模型和分析经验可以给出“如何做So What”,才能不断产生更多创新价值。