當我們看了不少增長案例之後，再看看手頭的工作和業績目標，是不是還覺得不知道怎麼實現？那是因爲許多案例並沒有介紹得出結論的分析過程，而只是描述了問題的背景和目標，以及優化之後的效果。真正的分析過程，往往被“發現”兩個字一筆帶過。
當然有人會說，數據分析過程是一個見仁見智的過程，根本不可能按照一個統一的流程完成全部分析，特別是在互聯網領域的告訴變化當中。那麼數據分析的過程，究竟是一個只有零散技巧而無章法可循的過程，還是一個有明確的步驟並可以嚴格依照執行的過程？我認爲是後者。
我們這就來介紹一個通用的數據分析方法論：數據分析五步法。
這個框架具有一下幾方面特點：
不與具體業務綁定（個別步驟中的細節需要與業務結合），是從決策需要的信息角度出發的；
具有開放性，可融入個人經驗和前沿技術；
可結合大數據技術，排除人工環節，實現自動化；
邏輯清晰，容易學習。
這個簡單的數據分析五步法，基本能夠應對日常工作中至少80%的常見數據分析問題。而剩下的20%的場景，可以在這個基本的分析方法論上擴展出來，我們會在後面的內容中探討。
1 彙總：這一步我們關注的是指標，也就是大家常見的那些DNU、DAU、GMV、ROI等等。只要是說到數據分析的內容，一定會提示數據分析“要明確目標”。因此，這個重要性我們倒是不需要贅述。
目標當然是所有指標中最重要的。但只有目標還不夠，我們還需要其它的輔助指標。就比如ROI，是投入和產出兩項算出了ROI；而GMV，也可以用用戶數乘以平均每用戶的GMV計算出來。這樣，我們就把一個目標的計算，拆分成了更多相關指標的組合。並且，這些指標更基礎，我們可以通過一些運營手段影響這些指標的變化趨勢。
這部分沒有什麼理解的難度。只不過，我們要找出指標之間的計算關係，由此逐漸找到所有我們需要關心的指標。在現在的互聯網產品運營當中，從來不會缺少需要看的指標，已經多到了眼花繚亂的地步。但只有那些跟目標相關的指標，我們才需要關心。
2 細分：這一步相當於給指標增加了一個或者若干個維度。最簡單的維度應當算是時間了，比如：我們按天看UV的變化趨勢；或者我們看不同頁面帶來的GMV是多少、看不同用戶分羣中的GMV分別是多少等等。如果我們理解前面的指標這是個數字的話，增加了維度之後，它就變成了一列數據；增加了兩個維度之後，它就變成了一張表格，以此類推。
就像指標的現狀一項，我們也可以輕鬆找到許許多多可以用來拆分指標的維度。比如前面提到的日期和人羣，還有拉新上的來源渠道，活躍上的流量來源於轉化路徑等等。再將這些維度進行排列組合，就能產生出一大批龐雜的拆分維度，多到根本看不過來。
因此，重要的就在於區分維度的重要程度。
如何區分呢？
我們要按照是否可操作，來區分這些拆分維度的輕重緩急。比如：前面提到了看APP中的不同頁面帶來的GMV。但是，如果我們沒有必要的技術手段或者運營工具，來爲那些GMV更高的頁面分配更多流量，也不能降低那些GMV較低的頁面的流量，那麼按照頁面拆分的這種方法對於我們沒有任何操作空間，更不要說操作之後的優化空間了。
如果是這種情況，我們就應當認爲來源頁面這個維度，只是個“看看就好”的維度，而非關鍵維度。
另一個例子是用戶分羣，特別是當我們希望從外部的投放引流獲得更多高質量的新增用戶，以此來拉動增長的時候。在這種時候，我們總是希望首先對現有的高質量用戶進行用戶畫像，並確定一些能夠標識高質量用戶的特徵，再通過這些特徵在投放的時候吸引更高質量的用戶。
這個道理是講得通的，但遺憾的是，外投渠道不能提供十分精準的人羣定位，只能提供人口統計學和行業偏好等粗粒度的劃分。這其中還包括，我們暫時認爲投放渠道對於用戶的標記是十分精準的。
因此可以看出，在拉新這件事上，我們對用戶分羣的操作是受限的，並不是完全不能，但十分受限。而用戶分羣更大的利用空間在於促進活躍，也就是在我們自己的用戶羣體中進行切分。
3 評價：在評價的部分，我們要用到【彙總】步驟中的那個作爲目標的指標，以它作爲評價的唯一標準。如果我們的目標就是簡單的GMV，甚至更簡單的PV和UV，那麼到了【細分】的步驟之後，我們就基本可以開始下結論了。
但是在實戰中並非如此，我們的目標可能是一個複合的目標——在拉動GMV的同時，還要控制成本；在拉動PV的同時，還需要帶來GMV；或者直接是一個ROI這樣的複合指標。
在這個時候，我們就不能只關注目標這一個指標了，而要關注複合指標。例如：我們的目標是在拉動GMV的同時，控制成本。爲了進一步簡化問題，我們把成本具體爲促進老用戶產生GMV的成本，和獲得新用戶產生GMV的成本。因爲通常在運營中，拉新與促活的手段是不同的，這與【細分】部分的原則對應，即操作空間的大小。
之後，我們就可以分別按照拉新和促活的不同緯度，對產生的GMV和投入的成本這兩個指標進行細分了。例如：在拉新方面，我們有投百度關鍵字、有投廣告聯盟、還有與其他APP的合作換量；而在促活方面，我們在APP上的ABCD四個Banner上設置的A/B Test。
那麼對於新用戶部分，我們就可以分別評價百度關鍵詞、廣告聯盟和合作APP這三種方式，每投入一塊錢的成本分別可以得到多少新增的GMV。從而在不同的拉新方式中，選擇更優的方式，並在已有的方式中調整更優的成本投入。而對於老用戶的部分，我們同樣可以評價ABCD四個Banner各自的A/B Test中，針對不同的版本每投入一塊錢可以產生多少GMV。
簡而言之，在【評價】這個步驟中，我們需要把【彙總】部分的指標分成兩類——即最終的目標，與實現目標的手段。比如在前面的例子中，投入的成本就是實現GMV提高的手段。因此，每一塊錢的成本投入，我們都需要以產生的GMV來評價它。這時，要實現GMV的目標可選擇的手段就比較多了，比如針對老用戶促活：
保持成本投入不變，更換更容易帶來轉化的圖片和文案，來提高投入的每一塊錢帶來的GMV；
保持每一塊錢帶來的GMV不變，（在限制範圍內）追加成本投入；
這還是在暫時忽略GMV可能帶來的價值的前提下，如果我們將這部分價值考慮進來，它就能抵消掉一部分投入的成本，那麼備選方案還會更多。
4 歸因：這個步驟其實就是得出結論並進行決策的”最後一公里“了，也就是我們常說的剖析“爲什麼”的過程。
在前面的步驟中，通過案例能清楚地看到我們已經得到了一些可以直接對比的量化指標了。在這種情況下，其實我們不需要在【歸因】的步驟中做什麼特殊的操作，可以通過數值的比較直接下結論。但是如果我們遇到了多個環節或者方法之間，無法進行明確地細分時，應當怎麼辦呢？在日常的數據分析中有幾種常用的歸因思路。
5 決策：最後就可以決策了，但經過前面幾個步驟逐漸消除不確定性，決策反而是最簡單的一步了——就是找出那個表現最好的版本、表現最好的位置、表現最好的拉新手段而已。
而當我們有一些新的idea時，同樣可以作爲A/B Test中的一個版本，加入到這套評價體系中，進行綜合評價。