经常有同学抱怨：感觉平时做的都是描述性统计，同比、环比，深入的数据分析到底怎么做？今天系统地讲解一下。
常见的描述性统计
举个简单的例子，让分析：为啥业绩下降了。很多同学的做法，就是拿本月和上月做对比，然后分产品、地区、分公司等维度做交叉。最后发现：A产品业绩下降10%，B产品下降6%……再多做一步，可能算个整体下降5%，然后把各个产品下降超过5%的标红。这就算做完分析了。
这么做当然不深入！这样做有三宗罪：
一来，没有发现问题重点。经常几个维度都在下降，哪个是重点？？？
二来，没有解答业务的问题。下降5%只是个数字，业务的问题是：到底是我的产品不行、还是渠道不行、还是大环境不行？？？
三来，没有指向改进建议。我知道了A产品下降5%，所以呢？所以要把A换掉吗？要再追加营销费吗？要做培训吗？统统不知道？
想破局，当然不能这么无脑就数论数，而是要从：数据背后的业务含义开始做起。
改进第一步：建立分析假设
真正的业务问题是：
- 营销力度不足
- 新产品表现不好
- 分公司管理不善
这些才是真正的问题
并且这些问题是指向改进建议的
- 营销力度不足 → 追加活动投入
- 新产品表现不好 → 寻找替代产品
- 分公司管理不善 → 撤换分公司经理
但是，这些业务问题，是不能用一个指标简单描述，而是需要指标+标签，进行综合性描述。
比如营销力度不足，至少可以拆成三个分析假设：
- 活动形式改变（用标签：形式A、形式B）
- 优惠幅度下降（原先打八折、现在打九折）
- 覆盖产品减少（原先60%产品参加活动，现在40%）
经过梳理，把业务问题，拆解成可以用数据指标量化的分析假设，就能做进一步分析了。
而进一步分析的重点，就是：找到足够多的数据证据。比如这里有一条假设：营销覆盖产品减少，导致业绩下降。那么就得看数据上，是否非活动产品下降很厉害，活动产品下降很少。类似的，每一条假设都有证据，则可以汇总一个结论：就是营销力度不足，导致了业绩下滑问题。
改进第二步：聚焦重点问题
注意，假设方向不止一个。比如我们给出“营销力度不足”的结论以后，大家会自然反问：难道只有营销的问题吗？难道分公司管理没有问题吗？难道产品没有问题吗？
这一步，需要帮助大家清理其他假设，聚焦到核心问题上。这里有个简单的判断方法：哪个问题影响更大。
比如我想证明：营销力度影响，比产品的影响更大。那么我要列举的假设是：
- 一直无活动的产品，前后变化不大
- 原本有活动，现在没活动的产品，变化巨大
- 原本有活动，现在力度下降很大的产品，变化巨大
- 原本有活动，现在力度下降很小的产品，变化很小
这样有了充足的正反例子，能做实：营销力度就是影响很大，就可以剔除产品的影响了。
这一步的分析，需要大量的的正反例子证据，是非常消耗精力的。要求分析人员有严密的逻辑梳理与大量细节数据论证。而且在这个过程中，很有可能发现大量的特例，让结论很难下。比如感觉上营销力度下降影响最大，可是有些产品就是很坚挺，有些分公司就是一直烂。
如果真出现很多特例，其实是个好事，说明：业绩不是单一因素影响的。这时候需要用MECE法，把特例的逻辑关系一一梳理出来。（这里不再赘述MECE的构建方式，有兴趣的同学看以前的分享哈）。最后效果如下图：
这个时候，作为一个分析原因的报告，已经可以交差的七七八八了。但是还可以再多做几步。
结论：就是营销力度不足，导致了业绩下滑问题。
改进第三步：评估未来走势
注意：降低营销力度，会影响业绩，这个是不用分析也知道的。即使做实了这一点，很有可能还是落一句：我早知道了。反问一句：为什么明知道会有问题，还是会降低力度？很有可能是大家担心：费用会爆表。
所以可以多做一步评估：
- 按目前的投产比+投入力度，下个月还会不会降，能否守住全年目标
- 如果想让业绩不降，保持之前投入力度，费用会不会爆、啥时候爆
提及预测，很多同学闻风色变，觉得很难。实际上，只要不是输出名单的预测，都没那么可怕。在分析问题的时候做预测，给出预计走势，支持决策判断即可。比如这里预计营销费用与业绩关系，完全可以用简单的时间序列/线性回归，给出走势即可。可以做滚动预测/业务假设预测，用公式推导（如下图）。
预测完了给预判，优先给问题严重级别，再给细节。对问题级别的判断会比细节数字更重要，比如营销费用失控问题，可以分作：
- 严重：必须马上调整，不然超支严重
- 一般：有几个月过渡期，还能做尝试
- 轻松：不调整也能扛过去
严重性的判断是能直接指向决策的
- 严重：立即找对策，马上调整
- 一般：再尝试几次，总结经验
- 轻松：既然调了会影响，就改回去吧
有了方向性判断，再看下一步执行细节分析
改进第四步：给出建议细节
有了第三步的支撑，第四步给的建议才会显得有理有据。不至于犯“我们都决定弃船了，你还在讨论怎么堵窟窿”的问题。比如第三步判断还可以再试几次，那就可以进一步看：
- 挑选出对促销不敏感的商品，砍掉补贴
- 挑选出低毛利的商品，直接砍掉补贴
- 挑选出撤出促销后波动少的商品，逐步消减补贴
- 找到对价格不敏感的客群，逐步增加他们喜欢的商品，扩大其基数
这里，这里会延伸出好几个话题，需要每一个话题单独做分析。比如用户分群，可以做矩阵分析，先锁定人群，再看其商品爱好（如下图）
比如商品分析，可以先核算成本，再看促销敏感性（如下图）：
这样可以给出消减成本的方向，人、货、场因素都有了，可执行程度也很好。
小结
综上过程我们发现：想让分析有深入，关键在于组织分析逻辑。
- 分析逻辑要直面业务问题
- 把业务问题转化成数据描述
- 排除小因素干扰，逐步聚焦核心问题
- 行动建议，建立在整体走势预判之上
- 行动建议，有细节数据支持
这样才可以把分析越做越深，而且能积累对业务有用的结论。
在这个过程中，分析方法是相互穿插的。有常见的描述性统计、对比分析，也可以结合预测模型，也可以结合数据测试，判断方法可行性。但是整体的分析逻辑，是不受具体方法制约的，一定是现有大的逻辑框架，再选择工具，才能得出有价值的结论。而实际工作中，很多同学是卡在第一步的：不了解业务，没有业务问题，只有简单几个维度交叉，同比环比，自然不够深入了。
