說到數據分析，可能很多小夥伴和我一樣，“縱使愛它千萬遍，它待我如初戀”，每每下定決心入手學習，可是又不知道從哪開始，複雜的算法、龐大的數據、眼花繚亂的代碼......最終還是止步於頭腦鬥爭，無法付諸實際行動。

在互聯網行業數據運營崗沉浮3年，經歷101次從入門到放棄後，我也順利成爲了一名運營小主管，在這期間我總結了運營人做數據分析時的痛點及數據分析的正確打開方式，以下給大家做一個分享。

一、運營人做數據分析的難點

互聯網行業發展快，爲了能更好的感知變化，就需要做數據分析，從海量實時的數據中挖掘出有價值的商業信息，要做好這點，一方面需要公司的戰略支持，另一方面也要求自己有能力。

從公司戰略支持上，配備了專門的數據部門，平常工作包括數據看板搭建，數據埋點，數據庫維護等。對運營工作的支撐來看，數據看板存在幾個常見且嚴重的阻塞：

1、展示的數據圖表固定不變，缺乏靈活性，不能做探索分析。

數據看板最多看看日活、月活、留存及一些訂單轉化數據，這也僅限於“查看”，無法做探索分析，要發現某個產品轉化渠道UV數據異常，原因也只能憑經驗，比如天氣、系統故障、節假日等原因，得出的結論對運營工作支持的作用不大。

2、部門配合溝通成本高，實現效率低。

遇到沒有的數據圖表可以向技術部門提數據看板需求，比如添加XXX路徑漏斗轉化分析數據圖表，技術部門判斷爲永久性展示的固化圖表需求後再進行埋點收集數據，結果從需求評審到需求落地經歷半個月，勞心勞力且無法保證數據分析的時效性；

3、業務數據和行爲數據是分開的兩套數據庫系統，無法放在一起分析。

比如訂單轉化路徑和最終訂單量數據，在行爲數據看板上觀測客戶的購買行爲，在業務數據看板上查看客戶的實際下單的訂單數量，最終的轉化率需要自己手動計算，現有的埋點數據只能收集到用戶點擊“立即購買”按鈕的次數，實際場景是點擊付款按鈕的次數到最終付款的人數存在偏差，而核心路徑下的偏差數據正是我們需要重點分析挖掘的內容。

二、數據分析的正確打開方式

1、使用工具，明確分工

數據人員因爲對業務不熟悉，每次有新的分析需求都要與他們反覆溝通，有時甚至要帶圖說話，期間消耗大量的時間成本，想想得不償失，不如拿到數據後自己做分析，所以我認爲合理的分工方式應該是數據部門負責提供清洗好的數據，運營人員直接拿數據做分析。

這時候就要說到我今天要安利的數據分析工具——FineBI。FineBI在自助分析上做的很好，由數據人員負責建立數據連接和數據集，運營人員直接取用準備好的數據，遇到沒有數據的情況再向數據部門提數據需求，管理數據是他們的本行，需求響應也就快。

2、確定思路，探索分析

做數據分析之前要確定好數據分析的內容和思路，日常分析內容主要是三類：

分析現象，解決是什麼的問題；
分析原因，解決爲什麼的問題；
分析對策，解決應該怎麼做的問題。

這裏舉一個案例：某平臺型產品9月份發生客單價下降問題，分析其可能原因。

首先清楚這是典型的分析爲什麼的問題，其二確定分析思路，根據歸納推理原理，從結論出發，進行拆解，客單價等於銷售總額/成交總筆數，影響銷售總額和成交總筆數不外乎服務提供者、用戶和產品三個維度，從這三個維度下提出假設（如圖），再通過數據逐一驗證，以下使用樣式數據，演示分析過程。

使用數據人員已經做好了的數據集，即客單價下降原因分析業務包裏添加好的數據庫表，進行取數分析。

從用戶註冊表、用戶信息表中獲取總註冊用戶數、9月新增註冊數和9月流失用戶數，使用指標卡組件計算出9月新增客戶數爲26、流失客戶數爲2，根據2019年新增註冊客戶數折線圖，可以看出9月新增客戶數在正常變化幅度內。

使用訂單明細表得到2019年訂單量/銷售額月份變化趨勢圖及9月流失客戶訂單明細表。

柱狀圖所示，9月訂單數和銷售額較8月有所上升，且在訂單記錄表中查找2019年9月狀態爲流失的客戶歷史交易記錄，評價該客戶流失對訂單轉化的影響作用，明細表顯示流失客戶的訂單記錄在較早月份，最近沒有接單記錄，說明新老客戶更替不是構成客單價下降的主要原因。在訂單總筆數上升和銷售總額上漲的情況下，客單價下降極有可能是促銷活動或用戶來源渠道欠佳導致。

排除人爲促銷活動因素，從用戶維度分析，包括實際付費用戶數、新增用戶的來源渠道及現有用戶的特徵畫像。

通過地圖組件發現，2019年5月到9月新增用戶中大部分來自於內陸省份和新用戶營銷渠道，接着用漏斗圖統計用戶從下載到下單的轉化情況，發現轉化率較高，更爲異常的是訂單明細數據中顯示平均每個用戶只有一次下單記錄，然後篩選出9月下單用戶，與用戶畫像表建立關聯，通過制定一些判斷規則，得到用戶畫像標籤圖，發現用戶質量不優，且存在“羊毛黨”嫌疑。