数据分析并不是数据统计，如果想把数据做的有深度，一定需要做数据现象背后的原因解读。

数据分析的核心点是准确（不能错）、整洁（在数据报告的呈现上宁少不要多，要清晰且简洁的描述问题）。

可视化（文不如表，表不如图）、对比性（数据没有对比是没有意义的）。

数据分析的基本流程有6个主要步骤，我们先来看第一步：找到数。

比如人在什么情况下会哭？有一个概念叫“穷举”，遇到伤心的事会哭，但是难过和伤心都是重复的。

当解决一个问题，用穷举并且重复的方式，是没有办法把这个问题拆分清楚的，所以解决问题的前提是按结构化进行分类。

另一种拆分方法，比如人为什么会哭？因为物理刺激（主动和被动 ）/精神刺激（正向刺激和非正向刺激）。

第一“核心指标”，指最终未完成的，当一个问题有且只有一个核心指标，那就是优先级的；第二“过程指标”，是影响核心指标的所有关键指标。

2、定指标

1）树形拆解法

因此美团为商家和信息内容服务、做信息展示，收6块钱的服务费，这是交易收入。

毛利率一般是受交易额的影响，交易额越大（毛利率不变的情况下）收入就会越多。

B端GMV＋C端GMV＝总GMV，总交易额和B端、C端的交易额，这三者相等，因为只是供给端和需求端的关系。

比如小卖部，每天结算当天的营业额（交易额），第一从货的角度看，一共有50件货，卖出去法40件，商品动销率是90%。

每件货卖完平均单商品的GMV是50块，用50×90%×50算出当天整体的交易额。

第二是从人的角度看，不考虑有多少货，只看来了多少人，比如来1000人，其中有500人购买商品，每个人花20块，这样就能计算出来当天卖多少钱。

分B端和C端是因为货的角度和进货与选货的人有关，需要看货选的好不好、动销高不高、单产怎么样等。

人的角度，包括人来不来买、地理位置、货品陈列、营销包装、是否有红包活动有关。

人和货是两条思路，如果要优化/提高整体GMV，要把货和相对应的包装做好，所以从供给端和需求端来看，要把所有的问题更明显的发现出来。

2）漏斗拆解法

拆解要点是先定流程→理清每个环节之间的先后关系→观察转化率，看数据情况→和相类似的进行比较，找到可优化的点。

第一要知道核心指标是什么，第二完成对核心指标的拆解，相对的拆解方法是漏斗或树形，要么两个一起使用，进行逐级拆分，最后把整个的指标体系搭建完整。

背后的核心原因，第一在于懂业务，第二是对数据的敏感度很高，那数据的敏感度如何养成？基础的训练是加深认知条件。

作为运营，数据表就算提出来，其实也不一定能用，因为有些数一看就是错的，这就叫基本的数据敏感度，验证方法就是看对业务的理解、常识性的判断。

一般来说，验一张数据表的真伪，是先把数据扫一遍 ，根据常识做判断。

去掉一些错误的，抓住突变点/矛盾点，进行谨慎分析，去掉影响结论的数据，发现问题再及时修复。

如果发现是系统的问题，要设置必要的告警和监控机制，及时解决。

5、做分析

数据分析常用的方法有两种，包括对比和关联，对比分析里有4个是常见的维度。

1）对比分析

第一，时间维度

包括环比和同比，环比是指日、周、月、季度；同比是指月、季度、年。

比如2022年是同比，2022年5月和2022年6月是环比。

第二，用户维度

社会属性包括性别、年龄、地域、职业收入；用户属性包括新用户&老用户、免费&付费、高等级&低等级。

第三，操作维度

包括操作前&操作后、操作A&操作B，主要是操作的流程、推广、功能、场景。

第四，竞品维度

包括数据情况、功能使用、体验和流程、营销和推广。

2）关联分析

首先分析的时候要知道，需要整个所有的路径，串联起来去看数据，有可能是补贴变少了、渠道投少了、质量变低了，总之不要直接判断在一个因素上，收入也是一样的。

先把所有的核心指标和过程指标都找出来，之后再整合所有路径，以串联的方式看数据，去发现他们彼此之间的关系是怎样的。

当一个核心指标产生变化，不是单一因素影响的，需要去看所有的过程指标，再去定位问题，数据表达的信息与多种因素相关。

6、写结论

数据分析报告的写作，所描述的现象是在某个时间段的数据呈现是什么样的。

可以记住两个问题，比如造成数据变化的原因究竟是什么？有什么办法可以改善/促进数据的变化？

注意第一结论基于数据，避免武断猜测；第二相互矛盾的结论和话术；第三少描述、多数据；第四记得文不如图，图不如表。

小结

以上就是数据分析的流程啦，首先做数据的收集，其次分析问题的原因，只有加以思考、说明趋势才有意义。

第一步把数据陈列出来（准确统计），第二归因，第三迭代（落地动作），第四看迭代效果，第五进行下一步的解读。

数据不是统计，而是分析，做数据分析的前提是对业务逻辑的深刻理解。