数据分析的三大特点（数据分析的四个层次）

编辑导读：单纯的数字是没有灵魂的，但是数据分析却可以洞察出数据背后业务的规律。因此，数据分析是商业活动中重要的一项工作。本文将围绕数据分析的四个层次展开介绍，希望对你有帮助。

一、引言

我通常把数据理解为业务的另一个他，单纯的数字是没有灵魂的，而背后的业务却是鲜活的。商业数据分析的核心是洞察数据背后业务的规律，本质是数据赋能。我相信从事商业分析的小伙伴们都听说过，数据分析的三个层次：描述性分析、诊断性分析和预测性分析。

著名的咨询公司Gartner在2013年总结、提炼出了一套数据分析的框架，如上图所示，他们把数据分析分成了四个层次，除了刚才说到的三个之外，还有一个处方性分析。诊断出业务的问题之后，还需要结合实际情况，给出运营策略去改善它。我更倾向把处方性分析合到诊断性分析里，因为分析和运营是需要结合在一起的。当然，这些小细节影响并不大。如今在公司0-1的参与项目，先前很多的方法论正好有机会都经历一遍，所以想结合这些框架梳理一下自己的想法，欢迎大家留言或者进群交流。

本篇文章先跟大家介绍一下数据分析的四个层次：描述性分析、诊断性分析、预测性分析、处方性分析。

二、描述性分析：发生了什么？

通过一些核心指标的数据和前后对比，告诉业务方（或者老板）目前业务的现状是怎样的。比如常见的流量、转化率、收入、成本等等这些指标。往往这些指标是比较宏观和概括性的，对比完就能对整体的情况有个认知。在公司里，大家经常会用Tableau做日报/周报，其实主要承担的就是描述性的汇报。

关于描述性分析，需要思考几个问题，才能让整个日/周报概括而又具体：

1. 关注哪些业务

首先要思考在日/周报中展示哪些业务，可以提供几个维度去参考：

• 老板关心哪些业务？想了解什么信息？
• 部门负责哪些业务，重点是在推哪些？

可以沿着这个方向去确定要展示的业务。

2. 用哪些指标，如何衡量变好/变坏

善用对比（环比/同比）、趋势等比较方式，不能只展示指标的数据，还要能直观的反映出目前状态是好还是坏。

3. 沉淀分析框架

当然，描述性汇报也需要沉淀诊断性分析的框架。比如说，在周报中展示转化率指标，不论涨跌，大家肯定会在意是怎么回事。而要分析这事儿，就可以按渠道进行拆解，分成APP端、PC端、小程序端的转化率等等，分别关注一下。

所以对于该指标的框架性拆解分析，就可以沉淀在描述性汇报中，这样指标的涨跌就立马能定位到哪个环节的问题。定位出问题环节后，再细一步的原因就需要去找对应的业务方咨询了。

三、诊断性分析：为什么会发生？

业务变好/变坏了，除了知道这个结果外，我们还需要通过数据进一步了解为什么会这样。

在诊断性分析中，就需要去分析业务结果和很多因素的相关性。当然，怎么能较快速地定位到分析哪些因素和结果的关系，要基于对业务的理解。可以大家一起头脑风暴分析业务数据，也可以去调研，或者深度访谈一些业务关键角色，让他们给一些输入，我们才可能知道从哪些维度去分析数据更合理。

1. 定性分析

若分析的仅是一个特征与结果的相关性，则可以通过画二者的二维散点图进行分析，通过图形描述，可以初步且直观判断二者的存在何种相关关系：正相关、负相关、无关；如果相关的话，是线性相关还是非线性相关(抛物线、指数等)。

2. 定量分析

我们通过散点图可以定性的判断两者是否具有相关性。定量上，我们可以通过回归对他们对关系做出精确的描述。

若结果为连续值，则应用的模型为回归模型，包括：

1）一元线性回归

若仅有一个特征与结果相关，并且其是呈线性关系的，则可以进行一元线性回归，即建立回归模型y=a bx计算出截距a和斜率b，x为特征（自变量），y为结果（因变量）。

2）多元线性回归

在实际业务中，仅单个特征与结果相关的情况是不多见的，大多数都是多特征共同作用导致的结果。若多个特征无多重共线性，且与结果呈线性关系，则可以进行多元线性回归分析，建立回归模型y=a b1x1 b2x2 … bnxn。

3）非线性回归

如果回归模型的因变量是自变量的一次以上函数形式，回归规律在图形上表现为形态各异的各种曲线，称为非线性回归。常见的非线性回归模型包括：双曲线模型、幂函数模型、指数函数模型、对数函数模型、多项式模型等。

四、预测性分析：后续可能会发生什么？

预测性分析就是提前评估后续可能会发生什么？在工作中的场景，经常就是利用现有数据进行测算，评估业务接下来的发展。

比如提前需要测算业务年度成本、年度目标、未来收益的大小等等。

五、处方性分析：该怎么做？

这步的分析通常是接着诊断性分析的，在我们找到了业务变化背后的原因后，我们就需要去想一些策略去改善它。

首先是要定位出业务原因。在诊断性分析这一步，我们在数据上找到了影响结果的因素，这时候就需要去在业务层面上思考原因。

比如说，为了促进用户转化，我们发放了优惠券，但是后续发现券的使用很少，单量也没有上升，这是数据维度的原因。

那业务层面的呢？为什么用户都不用优惠券呢：

这时候有些猜测的原因可以通过数据来论证，而有些原因就需要去调研用户；如果是优惠券的位置不明显，我们就需要在产品上调整；如果是优惠券的额度太小，我们就需要去适当调整优惠力度。只有准确找到了业务原因，我们才能用策略根本性地解决它。

我发现很多时候，业务原因的定位是缺失的，往往我们在发现数据原因后，我们就开始思考运营策略了，指向性也非常强，激励（抓手） 数据维度的改变，这种做法是比较粗糙的。可能短期内有效果，但是一旦你激励停止，业务还是会回到原来的状态。

核心还是要找到业务改变的关键动作以及可以运营的业务场景，不能盲目的抓结果！

#专栏作家#

大鹏，公众号：一个数据人的自留地。人人都是产品经理专栏作家，《数据产品经理修炼手册》作者。

本文原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议

,