上一期我們講到了第一個特質，即優秀的數據分析師對業務具有深刻的洞察，進而從更高更廣闊的視角定義要解決的問題。既然定義了問題，那就要定位產生問題的原因，本篇文章我們就著重分享原因定位的方法論！
我們先來回顧下解決問題的流程圖（左圖，改編自書籍《如何用數據解決實際問題》），以及數據分析師的能力框架（右圖，百度DA的晉升能力體系）。
我們可以看到，如果要解決一個問題，首先我們要準確地定義這個問題（按照上期所講，這個需要有深刻的業務洞察能力），然後通過一系列的數據分析，定位原因，最後討論並實施對策（即實現項目影響）。左右兩個圖對比，我們可以看到，數據分析的能力框架並不是天馬行空想出來的，它是從解決問題的流程中提煉出來的。
你們覺得這四大核心能力中，哪個能力最能體現數據分析師的價值呢？
在我看來，無疑是原因定位（這也是我把原因定位放在最中間的原因）。為什麼呢？我先給大家講個故事。
據說，有一次，美國一個大公司，電機發生了故障，把公司所有內行人請來也找不出癥結所在。沒有辦法，只好派人乘專機將一個德國專家請來，德國專家問了業務人員電機以往的使用情況，看了下相關的數據，然後圍著像一間房大的電機轉了起來，他一會兒敲敲這，一會兒聽聽那……大約一個小時後，專家拿起粉筆在電機上最不起眼的部位劃了一道線，對在場的工人說，把這裡打開……
電機被打開了，故障，原來真在這裡！
德國工程師索要1萬美元費用。周圍的人不理解，問道，用粉筆劃了這麼一道線，就一萬美元，我們辛辛苦苦幹一個月才幾千元？工程師見他們不理解，就笑著對他們說，我拿粉筆劃這一道線，只有一元錢，可是我知道在哪裡去劃，要9999美元。
看完這個故事，大家再想想就應該明白了。無論是業務洞察還是數據分析，都是服務於原因定位。而當原因定位好之後，如果和你配合的業務人員足夠優秀，實現項目影響自然也是順理成章的事情（就像故事裡的工人，在看到故障後不需要專家指導自然就知道如何維修）。
01
接下來我們就詳細討論下原因定位的方法論。 當我們接到一個問題的時候，最忌諱的就是不經思考直接去看各種數據，迷失在數據的海洋裡，糾結於不重要的數據細節中。我們要做的是先對問題進行拆解，把分析思路梳理清楚了，才能有的放矢。
拆解問題有兩種方法：一種叫假設拆解（諮詢公司叫做假設樹），另一種稱為邏輯拆解（諮詢公司叫做議題樹）。
假設拆解，顧名思義，就是對問題的原因列出一個個的假設。這種拆解問題的方法門檻比較低，無論是業務小白，還是資深大咖，當面臨一個業務問題時，大家自然而然都能提出一系列的原因假設，進而通過數據分析驗證真偽。
舉個例子（案例和數據都是示例，非真實情況），微信的數據分析師小明發現，從9月11日左右開始，每日成功發送紅包的總金額（即紅包被搶了且成功轉賬的金額）逐步下跌，在此之前，這個指標一直都比較平穩。
看到這個現象，大家可能有很多假設：
- 微信內部上線了某些新功能（比如發紅包的上限從200元降低到100元，用戶更多的使用轉賬），對紅包功能有負面影響。
- 暑假結束開學了，學生黨花銷變少了，所以家長給孩子，以及學生黨之間發的紅包變少了。
- 競對（比如支付寶）的紅包功能開發了新玩法，對微信紅包有負面影響。
假設拆解方法的優點是，如果對業務瞭解深刻且幸運的話，可能提出的第一個假設就是問題的核心，又快又準地定位原因；風險是人們建立假設時，很容易依賴工作中的常識、自身的經驗或直覺，可能會無意識地排除一些重要的假設。
如果這些遺漏的假設恰好是問題的根源，就會陷入假設-》證偽-》再假設-》再證偽….的死循環中，這樣只是花費了大量的精力排除掉錯誤的假設，真正的原因卻遲遲找不到。
邏輯拆解方法能很好地降低遺漏。互聯網產品中常用的邏輯拆解方法，包括漏斗拆解和指標拆解。如下圖，就是按照用戶發送以及對方接收紅包的操作路徑來拆解。
下圖是指標拆解，即運用“四則運算”將指標拆分成具有業務代表意義的n個具體指標，再結合重要的維度進行拆解分析。
我們可以看到，定位原因最好的方法論是邏輯拆解和假設拆解配合使用。邏輯拆解的最大好處是不重不漏，能幫助我們快速地定位問題的核心要素。這個時候運用假設拆解法，提出可能影響這個要素的假設，我們找到核心原因的成功率就會大大提升。
好啦！方法論講完了。有些讀者可能會說，其實這些沒那麼難，我早就知道了。可是，世界上最難做的事情就是知行合一，從知到行還遠著呢。我們每個人都知道飯前洗手，你想想你每次都能做到嗎？嘿嘿！
02
除了原因定位的方法論，我還有兩個重要建議提給大家。
（1）越重大的問題，越要使用邏輯拆解
正如上述提到，假設拆解是門檻很低的方法，所有人都能對問題提出幾個假設。我在面試應屆生架空分析題目的時候，80%的候選人都是用假設拆解法，很少有人有邏輯拆解的意識。
同樣的，在我們遇到一個重大的問題時候（比如電商GMV下降），關心這個問題的人也會很多，通常大家就會七嘴八舌提出自己的想法，而這些想法會侷限在他們自己所負責的範疇。比如技術同學擔憂是不是推薦算法不好，推薦的商品用戶不喜歡， 供應鏈同學擔心是不是貨品不夠全面，運營同學擔心是不是優惠力度不如競對，甚至有時候大佬們也會拋出一兩個假設。
每個業務方都緊張兮兮，都想請你用相關數據證明問題的核心不在他們。如果你被他們的假設牽著鼻子走，最終可能就是幫他們排除掉了一個個與他們相關的假設，但真正核心的原因還是沒有找到， 老闆肯定不會滿意。
你總不能和老闆說：“老闆，我們花了3天時間，做了大量的數據分析，最後我們排除掉了以下10種可能性。”
老闆一句“那原因是什麼呢？”就能把你懟的體無完膚。
記住，原因定位永遠是以找到正確的原因為最終成果，排除一系列潛在原因不是交差的正確姿態。所以，越是重大的問題，越要採用邏輯拆解，這樣你才能快速地定位關鍵因素，為找到最終原因奠定好的基礎。
（2）除了海量的數據分析，別忘了用戶調研！
為什麼在這裡著重提到用戶調研，主要是由於數據分析師的兩個認知誤區。
誤區一：進入大數據時代後，有時候我們會過度依賴用戶的行為數據，例如點擊、觀看、使用時長等，卻忽略了這些行為背後的用戶需求。好的產品，都是以滿足用戶的核心需求為目的。異常的產品使用行為數據背後，都應該有一個合理的用戶需求解釋。 否則知其然而不知其所以然，怎麼能有好的業務對策呢？
誤區二：在實際工作中，很少會遇到所需數據全都擺在眼前的情況，用戶調研能從另一種角度提供所需的信息。
舉個例子，在工作中，最讓我頭疼的就是留存下降的分析。留存下降，說白了就是用戶不像以前一樣喜歡你的產品了。這就像你的男/女朋友說不愛你了一樣，潛在的可能原因或者干擾因素太多了。
當我做切片分析的時候，我希望能從年齡、註冊時間、職業、地域、教育水平、收入水平、工作繁忙程度等各個因素進行分析，甚至希望對比他們的競對使用數據。但是很可惜，我想要的數據大部分都是沒法獲得的。
即便這樣，也不應該根據“現有數據”來開始所有的工作。只在“現有數據”的範圍內進行分析，最有可能的結果就是找不到原因，陷入分析困境。這個時候，通過線上的調查問卷，或者與用戶一對一訪談，能給我們提供想要的信息，甚至是行為數據裡挖掘不出來的insight。
看多了百萬、千萬數據的分析師可能會質疑，幾百個用戶的問卷能具有代表性嗎？
在大數據流行之前甚至現在，知名的諮詢公司仍舊採用問卷或者訪談的形式，輔助解決了很多複雜問題。
很多時候，以點撬面，以深度換廣度，也是解決問題的一個思路。本篇文章到此結束啦！下一期，我們將一起討論數據分析的本質和常見誤區！點擊關注，不迷路奧！
題圖來自Unsplash，基於CC0協議
閱讀更多 人人都是產品經理 的文章
關鍵字: 原汁原味的德系SUV 美好，一直在身邊 特質
