很多同學總覺數據分析做得不深入，到底該怎么做？今天結合一個具體的例子，分享下如何做一個深入的數據分析項目。

 深入級別：0級

某天，你收到一個需求：“看下我司APP新增的A功能，過去5天內累計使用1+次的人有多少（去重）”。這問題太簡單了，直接跑個數丟過去即可，“過去5天累計使用人數10000人”搞掂。

但是這種分析完全不深入，甚至壓根不能叫“分析”，這就是提個數而已。確實，當需求是很具體的取數指標+統計時間的時候，這就是取個數，第0級深入就是如此。

 深入級別：1級

某天，你又收到一個需求：“看下我司APP新增的A功能，過去5天有多少人在用”。

聽起來和之前的問題差不多，但注意，“多少人”并不是一個明確的指標，只是個籠統的說法，細分起來，有：

• 1.5天內累計使用1+次的人（去重）
• 2.5天內累計有多少人次使用（不去重）
• 3.5天內，每天有多少人在使用
• 4.5天內，累計使用5、4、3、2、1天的人有多少
• 5.5天內，各使用頻次人數（1、2、3……10、10+次）
• ……

好幾個指標拼起來，才能把這個多少人說明白。有些同學會覺得，這么搞是不是太麻煩了。我就默認他是看不去重的人次唄。實際上，工作中相當多的重復取數，加班加點，被業務追著屁股催數，就是從“沒確認清楚需求，自己默認一個業務不想要的指標”開始的。特別是你問業務：想看哪個口徑。業務會說：都看。這時候最好自己先提前想多幾個，避免重復返工。

這種主動思考，才是深入分析的起點。因為這幾個指標對業務都有用：

1.   看去重的人數，可以評估總用戶滲透了多少

2.   看每天人次，可以看出發展趨勢

3.   看各類型累計使用天數，可以判斷有多少重度用戶

4.   看各類型累計使用天數，可以判斷有多少重度用戶

而且，我們發現，第0級的成果，成為第1級產出的一部分。后續也是一樣，越深入，設計的指標、維度越多，問題會越復雜。

 深入級別：2級

某天，你又收到一個需求：“看下我司APP新增的A功能，過去5天使用的人，付費行為是不是比其他人更好”。

注意，這里也沒有明確的數據指標，因此得先拆解問題：

1、主語是：過去5天使用過A功能的用戶。那得先知道有多少人在用？第1級深入的數據，這里都需要加上。

2、付費行為：付費行為是個籠統說法。是付費金額，還是頻次？沒說清就先都拎出來看。

3、比其他人更好：什么是其他人？是全體用戶，還是未使用該功能用戶。從問題場景上看，應該區分出過去5天內未使用過該功能，并且至少活躍1次的用戶，這樣才有可比性。

有了這三步拆解。可以把這句不清晰的需求，落地成一個取數需求：

1.   過去5天內使用過A功能用戶基本情況（人數，使用天數分布，使用頻次分布）

2.   過去5天內使用過A功能用戶付費行為（多大比例，付費人群的5天內累計付費金額，5天內付費頻次，人均付費金額，人均付費次數）

3.   過去5天內未未使用過A功能，且活躍的用戶的活躍天數、付費比例，付費金額，付費頻次，人均付費金額，人均付費次數）

這樣，兩個群體一對比，就能出結論了。然而這么做，很快會引發下一個問題：“為什么使用A的人群比其他群體高/低？”

 深入級別：3級

某天，你又收到一個需求：“分析下為啥使用A功能的人付費更好？”注意，先問是不是，再問為什么，是回答問題的基本要求。因此在拆解問題的時候，得先把深入2級功課都做完。做實了“A的付費更好”以后再分析原因。

分析原因的時候，假設很重要。需求既然關注A功能，那A功能到底有沒有用就是關鍵。在分析原因的時候，證偽比證真更容易，所以我們可以先剔除一些明顯的錯誤答案，比如“A功能用戶本身都是高付費群體”，這一下就能把“A功能對付費轉化有用”直接干掉。

但這樣，邏輯上還是站不住，因為：

1.   本身消費高，但是用了A功能以后消費更高了

2.   本身消費高，但是比不用A的人更高

3.   消費低的人，用了A也有提高

4.   消費低的人，不用A只會更低

……

即使看到數據：A群體消費天然比不用的高，還是有至少這4種可能性要排除。所以得列清楚假設邏輯樹，逐一排查可能性。這也是我們說的：驗證觀點，需要同時找正反兩面的例子。

注意，即使這樣，還是有反駁觀點。因為我們都是基于過去數據分析，很有可能一個反駁觀點是：“A功能只能吸引到這一小簇用戶，不能做大”或者“A用戶只是嘗新，過了這段時間就沒有效果了”這兩個觀點，都涉及未來數據情況，因此需要觀察一段時間才能有結論。

如果我們等不了那么久，還可以做測試，比如測試：“做不大”這個點，可以主動向其他群體推廣A功能，觀察A功能增量以及留存效果，如果增量少，或者有增量但是留存差，那就可以推論：確實做不大。想要做深入分析，測試與長期觀察是不可少的，好結論需要時間沉淀。

 深入級別：4級

某天，你又收到一個需求：“分析下A功能對用戶有啥影響？”看起來問題表達更簡單了，可要解這個問題卻更復雜了。因為從0級到3級，我們只討論了“付費”這一個影響，實際上還有可能有更多影響，比如活躍、留存、轉介紹等等。每個方向都得經歷這么漫長的拆分、分析，才能得出綜合結果。

到這里，我們的分析已經非常有深度了。有趣的是，我們的問題，反而非常簡單。實際上，如果一個問題：

1.   有清晰的衡量指標

2.   有明確的判斷指標好壞的標準

3.   有明顯的指標間影響邏輯

4.   基于封閉的業務場景，容易測試

那這個問題就是很容易解決的。

可現實中的問題，常常是：

1.     口語化表達的

2.     包含了多個方面的

3.     沒有清晰判斷標準的

4.     雜糅了很多影響因素

5.     沒有時間、場地給我們慢悠悠測試

這時候就能從頭開始，一點點梳理。把本篇文章的順序倒出來，就是從0開始梳理業務問題的場景。

當然，并不是所有的分析都需要這樣從頭到尾過一遍。

• 有可能提問人自己完全沒概念，此時可以先給到1級深度數據，讓他建立認知，再給2級深度的數據，引導他關注差異。
• 有可能提問人嘴上說得含糊，但心里有明確的目標，這時候可以進行深入溝通，清晰需求。
• 有可能提問的人不需要嚴密的論證，有部分證據即打算直接下結論，這時論證其最疑惑的點即可

這時候唯一不要干的，就是不溝通，自己拍腦袋隨便仍幾個數，或者到網上找所謂“模型”生搬硬套。這樣閉門造車，返工、加班、被diss都是經常的事。

如果在某個業務場景下，我們已經做了很多次驗證，論證了業務問題的關鍵指標+判斷標準+因果關系，這時候就可以直接套用，這就是我們說的：業務分析模型。不過在沉淀出來之前，還是得多做論證的，特別是因果關系論證，做的不夠細致，分分鐘被打臉。

有同學還會問：老師，我的領導經常不提問題，讓我自己從數據里發現點啥，該咋辦？這是數據分析中典型的：無提問場景。