数据分析作为各种业务找到问题的核心，需要定位问题，找出解决的方案。本文结合具体案例，总结数据分析在产品中的应用以及相关方法论，希望对你有所帮助。

一、什么是数据分析

数据分析的核心是是利用数据发现问题，定位原因，找到解决方案或提出建议的思维，所以分析工具并不是最重要的，也不需要一开始就学Python、爬虫等；对非专业人士来说，其实用Excel就能够满足大部分日常诉求。

数据分析3要素：数据、统计/分析方法、结论。

1）没有准确、丰富的数据，无法进行分析；

2）没有恰当的方法、工具，很难对数据进行加工、找到其中的规律；

3）没有形成结论，则相当于没有结果，半途而废，数据价值大打折扣；

二、数据分析应用案例

举一个数据分析在产品工作中“发现问题-设定假设原因-验证原因-解决问题”的例子；

【分析过程】

第一步：拆解指标

净利润额=总销售额-总退费额-总成本

总退费额=退费客户数平均退费金额=（总购买客户数退费率）* 平均退费金额

通过拆解，可以发现总购买客户数、退费率、平均退费金额都是影响总退费额的因素，为了进一步明确原因，需要辅助数据分析手段。

第二步：发现问题——如何发现问题？

拉取最近一年的退费明细订单数据，汇总加工处理后，发现问题：【缴纳定金后退费】金额占总退费金额比例不到5%，而【缴清全款后退费】占比高达95%。

明显后者退费占比异常偏高，所以我选择继续下钻分析【缴清全款后退费】的数据，并尝试罗列出明显规律：

1）学生完课率越高，退费率越低；完课率与退费率呈现负相关；

2）未上课退费、已上课退费分别占比 70%、30%比例；

3）已上课退费中，按已上课次-平均退费金额进行分布统计，发现两者呈现负相关，已上课次越多，退费订单数越少，且退费金额越少。

第三步：明确核心问题——什么是最核心的问题？

从第二步来看，未上课退费、已上课退费均有可优化的空间，并且一些维度之间存在正向或负向的影响关系，为了让逻辑看起来更清晰，我尝试建立各个维度之间的关系（相关关系or因果关系?），来帮助决策明确核心问题。

蓝色为已知数据维度，绿色为引入的数据维度。

【学生满意度和兴趣度】虽然是源头，但此指标难以量化、没有统一固定标准、数据不方便实时收集，所以不符合指标的要求；而【上课次数】与退费虽然是负相关关系，单并不具备因果关系，用上课次数来衡量退费也明显是不合适的；相比之下，【退费率】是一个好的指标，把【退费率】作为第一关键指标（OMTM原则）；又因为【未上课退费占比明显异常偏高】，所以把“降低未上课退费率（目前占比70%，正常约30%）”作为核心要解决的问题。

第四步：探究核心问题的原因——哪些因素有可能造成此原因？

明确问题后，需要从结构化的角度拆分可能会造成问题的原因。从用户、竞品、产品或服务3个层面，以及结合了产品A的付款-上课业务流程，绘制图如下：

这一步是以教育行业为例，其它行业可以根据自己的业务场景来穷举，重点是要全面，指标之间尽量独立。

可能看到这头都大了，这么多的原因，哪个因素是核心原因？为了找到核心原因，我把每个因素进行“假设—验证—结论”，分析结果如下图（灰色为排除项，红色为高度相关项）；
最终确定了两个重点原因：

1. 付款后维护服务不到位，家长体验较差，导致未上课退费金额高；
2. 付款后长时间未排班、排班时间不符合家长预期，导致未上课退费金额高。

这一步的重点是问题-假设-数据验证-结论方法，每一个指标的细节可以先不用看~

第五步：验证假设——如何验证假设，如何证明？

找到主要原因后，还需要证明该假设成立，因此我设立对照组，分别按照不同门店的退费金额，按服务质量好-差、成功排班速度快-慢，来进行对照数据分析，为了尽量排除干扰因素，选择了同一区域、人员结构类似的门店进行数据归类，经过排查，已能证明该因素确实是核心影响因素。

第六步：确定解决方案

虽然找到了主要原因，但还需要挖掘深层次的原因，继续重复上面分析的过程，接下来针对问题进行方案设计，提供对应的功能，并建议制定业务规章制度，以达到期望效果；在此过程中，值得注意的是并不是所有问题都可以通过产品功能解决，尤其是涉及流程调整、监管，是非常需要业务部门的支持、协助的；产品除了要产出方案，还需要组织会议，协调资源，推进达成共识，正式立项。

进行到这里，基本上能很完整的确定解决方案，并且整个过程均有丰富的数据支撑，可行性非常高，甚至可以预见几乎不会有上线误差。

最终： 我取得的成果

• 发现了退费环节的重要问题，并提供了建设意见；协调多个部门共同完成了项目管控、推进落地工作；
• 通过3个月的使用，再次检测数据：未上课退费率由70%降低为40%，已上课退费率无明显变化；
• 退费金额整体降低了30%，按照比例折算，整体利润增加了8%，超额完成目标。

1、源数据会对数据分析结果产生直接影响，在分析时，选取数据要尽可能覆盖全面、精准度高；此外要特别留意异常数据，一定要剔除因设备、软件、个人等原因导致的异常数据，这些数据一不留神会导致分析结果与实际客观情况大相径庭；

2、数据不是唯一的参考标准，虽然数据是客观的，但分析数据的人是主观的，同一份数据不同的人可能有不同见解；看数据的同时，需要结合个人对产品的一些既往经验，或者辅助用户访谈、问卷调研、A/Btest等方式进行综合全面的分析；

3、在结构化假设原因时，维度要尽可能的齐全，可以从用户、竞品、产品服务3个角度思考，并且对照着业务流程，来尽可能罗列相关影响因素；

4、当维度较多时，比较好的方法是将数据分组，观测每组数据是否有异常；比如按渠道入口分组，看是否某个获客渠道的数据异常，或按用户的地域/购买时间/下单频率等等分组。

三、方法论

1. 如何学习一门新的课程或知识

我开始以为数据分析是分析师才需要掌握的，并且觉得比较难；但随着工作上思考加深，发现方方面面都可以用到数据分析思维，所以萌生了加深学习的想法；这里推荐给大家【道术器用】四层次法，从思维、方法、工具、实践四个方向对照自己掌握的技能，逐步丰富自己的数据分析技能树，快速查漏补缺。同时这个方法也非常有助于思考深度的锻炼，可以应用到各个课程学习上。

2. 常用的数据分析方法

结合实际场景和需求，可以采用多种分析方法组合分析，下面是一些分析方法论：

3. 数据分析更多应用场景

不只是分析问题时可以用到数据分析思路，在职场汇报、简历编写、甚至购买基金，都可以找到数据分析的影子，可以尝试以下应用场景。

以上，就是我今天的分享啦，总结一下：数据分析代表了一种方法，一种辩证、推理、思辨的思维方式；不只是数据分析师、数据产品需要具备数据分析能力，每个人都可以应用这项能力给自己加分，把这项能力举一反三应用到生活和工作的各个场景中；用好这个“大招”，能更轻松地跑赢一部分人，更快地升职加薪，也能让自己的简历更突出。