外卖|我的业务数据分析方法( 二 )_it之家|额度|蚂蚁集团|账单

5. 什么是好的业务数据分析上面三个层面是指数据分析的理想状态，但是不代表三个层面你都有建设就可以做好业务数据分析，按照目前我的理解，好的业务数据分析一定能讲的清什么样的人，在什么样的场景，因为什么事件驱动，最后造成了业务数据怎样的变化。
好的数据分析=人+场景+事件驱动；推导逻辑大概是，数据变化不是原因本身，数据变化是业务变化的特征表现，人是业务的主体，场景是主体的范围或者是特定的主体集合，事件驱动是动因。
还是拿上面的外卖业务的例子讲，世界杯期间外卖业务DAU在上涨，是住宅小区和校园的用户因需要熬夜观看球赛，导致宵夜场景的DAU增幅较大，进而拉动了大盘DAU的增长；如果但看结论本身，不做定量分析我理解是个合格的业务数据的解读。
三、怎么做这个事通过自己长期以来数据分析的摸索，我逐渐形成了一套业务数据分析的框架思路。共分为四个步骤：
1. 明确问题这个环节你要明确数据问题到底是什么。一般情况下至少要从两个维度描述问题，什么时间，什么指标。时间好理解，指标这回事你要根据你的业务拆解到最小的单位，比如订单量异动了，至少要明白是DAU在异动，还是转化率在异动，还是都在异动；
2. 经验假设这个环节是经验输出，你要平常的时候足够了解业务，了解用户，并通过不断的数据分析或者各种信息对于数据异动做出合理假设。
比如你是外卖业务，你明确问题是7月份～8月份外卖业务DAU在增加，那这个时候我会想到可能是学生放假导致依赖外卖解决用餐需求的场景增多（因为学校有食堂）。无论如何这个环节你要根据信息或者经验对于数据异动做出合理解释，再进行下一步。
3. 证明假设这个环节你要证明你的假设，如果你的假设成立，那么到底该怎么证明，还拿外卖业务举例，我的假设是学生放假导致的外卖业务DAU增长，如果要验证这一点的话，我可以从DAU的年龄分层以及浏览地点两个维度进行验证，如果是年龄分层中20岁左右的住宅场景的DAU增长较大，那你的假设至少逻辑上是没问题的。
如果有问题，你就要再回到经验假设这一层，重复这个循环。
4. 信息补齐当你做了前三个环节之后，还没能把事情说明白时，你要尽可能补齐信息，当然也不是盲目补齐，而是从人、场景、事件任何一个因素往外了解。同样需要你足够了解业务。
比如点评app是个地方性比较强的应用，某个城市的占比会很重，如果以上三个环节仍无法定位数据问题时，那你可以了解某个城市发生了什么，有没有可能是这个城市的某个因素造成的，以及怎么验证。
四、最后业务数据分析这个事核心是你得了解业务，我更多说的是一些方法论的框架和思考，一定不能照搬，要结合业务本身的特性使用。
其实操作起来还是有很多难点的，例如你怎么理解业务？怎么定义人，场景，事件这三个数据维度？当业务数据的变化有多个归因的时候，怎么找到影响比重最大的那个归因？
本文由@产品汪汪汪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pexels，基于CC0协议