數據分析到底對企業(yè)有什么用？數據分析到底能解決什么問題？今天我們一次講清楚。所謂不識廬山真面目，只緣身在此山中。如果只站在數據分析本位角度看，很容易陷入各種花里胡哨的名詞討論中。我們換種方法，設想一下自己是業(yè)務部門的人，看看數據分析到底有什么用。

從一個最簡單的例子開始。設想下，你剛剛就任一個零售公司大區(qū)總監(jiān)，你管著五個省300家門店。一個風和日麗的早上，你正悠閑的坐在玻璃房里搓手機，忽然財務一個急促的電話把你從游戲里震出來，說這個月業(yè)績KPI沒有達標。那么你的第一反應是：

A． 大罵“你是神經病嗎！”

B． 讓助理定機票，把300家店逛一圈

C． 立即給下屬各片區(qū)經理打電話，輪著日一遍娘

D． 拿起一包紙巾直沖老板辦公室大哭：“經濟形勢不好，業(yè)績做不起來不管我事啊！”

你不會這么選，對不對，隨便哪個都顯得自己太***了。So，第一件事，當然是看！數！據！到底業(yè)績KPI沒達標是個什么情況：

差多少達標？

什么時候開始不達標的？

差距越來越大還是越來越??？

所有區(qū)域還是單個區(qū)域的問題？

沒有問題的是不是在變得有問題？

所有一切，都得數字說話。是滴，這就是數據分析的第一個用途了：定量描述問題現狀?；蛘呶腋矚g把它叫：是多少。

看到數據，有的時間段高于目標，有的低于目標，所以下一步怎么辦？你可能本能的想：高了表揚低了罵唄！是滴，確實有些沒水平的領導是這么做的。問題是，作為玉樹臨風的你怎么可能這么沒水平呢。想著自己剛剛到任，罵人太多要官逼民反的。因此你很冷靜沉著的要給問題定個性：到底沒達標是不是個事，是個多大的事。

類似的場景多的很，比如：

2億的總目標，差100萬和差1個億是不是一樣的問題？

本月過去7天沒達標，和過去27天沒達標，是不是一樣的問題？

本月12日有大促銷，所以累積到本月5號沒有達標，是不是個問題？

本月是2月，2月5日過年，所以累積到2月10日沒達標是不是個問題？

所以你看，沒達標只是個數據結果，不一定是個問題。要通過分析才知道，這個沒達標到底是不是個事。是個多大的事。有了輕重緩急的判斷，才知道調動什么力量，用什么辦法解決。這就是數據分析的第二個用處：樹立標準，給現狀下判斷。俗話說：是什么。

這里是個大坑，很多從業(yè)很久的數據分析師都會踩進去！“是多少”+ 標準判斷才等于是什么。很多只會無腦跑數的數據分析師，往往本能的看到漲就認為是好，看到跌就是認為是差。既不懂業(yè)務，也不會和業(yè)務溝通，結果不了解業(yè)務的判斷標準，很難get到真正的問題，做出的分析自然不知所云了。

做完前兩步，如果是一個從業(yè)10年的大區(qū)總監(jiān)，估計不需要分析也能憑經驗做判斷了。如果是一個靠資歷混上來的大區(qū)總監(jiān)，估計不想分析直接上三板斧了。如果是一個靠關系混上來的大區(qū)總監(jiān)，估計已經在去找老板哭可憐的路上了。然而作為正義感與顏值的你，肯定不會這么lowB，你才上任沒經驗，還想多分析分析，于是有了以下三項分析工作：

通過數據分析找一下，為什么會不達標（原因分析，或者簡稱為為什么）。

預測一下銷售走勢，看看預計業(yè)績缺口多大（預測分析，或者簡稱為會怎樣）。

評估一下過往的措施哪個好用，然后上政策（評估分析，或者簡稱為又如何）。

這三項工作是很多人津津樂道的“高級分析”。甚至還有人就直接把數據分析分成了三類：

描述性分析

原因性分析

預測性分析

認為描述性的就是低級的，原因就是高級的，預測自然被認為是最高貴的。“預測是數據分析的精華”這種奇葩口號都敢喊出來。

可為啥之前描述性分析那里說了這么多，原因和預測講的那么少呢？因為這些玩意看似高深的玩意，現實中卻很少做！大家掐指頭算算，是不是自己的時間80%被耗在清理數據、更新報表、做描述性統計上去了。剩下時間，可能大部分還耗在寫評估報告上。偶爾找找原因，還是拍腦袋找居多。建模預測？不存在的。

其實原因之前已經解釋過：一來，找原因、做預測、評績效都是基于描述性分析的。二來，這些分析可能根本輪不到數據分析師來做，業(yè)務部門不是自己搞掂，就是壓根懶得去計較。結果，自然是數據分析大把時間都消耗在跑數上。只有數據，沒有分析

總結一下，數據分析能解決/部分解決五大類問題

是多少（數據描述現狀）

是什么（到底現狀好不好）

為什么（出現這個事的原因是……）

會怎樣（預測一下，這樣的后果是）

又如何（總結一下，這個事的結論是）

這五個問題是環(huán)環(huán)相扣的。有了清晰的描述才能尋找標準，有了標準才有好壞判斷，有好壞判斷才能思考為什么好/為什么不好。有了對原因的了解，才知道如何構建預測模型，才知道如何全面評估。

誒，這就完了？是滴，就完了！數據分析不是萬能的，有相當多的問題不能解決。最常見的，就是這三大類問題：

想不想（我想不想做這個事呢？）

能不能（我能不能干這個事呢？）

會不會（我不會干！怎么干！）

因為這三大問題，和意愿、能動性、創(chuàng)造力有關。數據分析方法需要數據才能分析，這就決定了它是一種后置的方法，很難預知創(chuàng)新；數據分析方法是理性、邏輯的代表，也就意味著在解決感性、創(chuàng)造問題上存在劣勢。認知了這一點，就能更合理的規(guī)劃方法，解決工作難題了。在企業(yè)工作中，一般要么是交給數據分析的兄弟：市場與用戶研究來解決的。要么是現有方案，然后數據做ABtest和效果評估。

然而在工作中，才沒有人會這么細致的梳理呢。大家都是習慣性的丟一句：“你來分析下這個XXX嗎！”這時候，做分析的同學們就得有轉化能力，把這些似是而非的問題轉化成一個具體的分析問題。

比如“我想不想做這個事”，當然可直接回一句“你愛做做，不做拉倒！”可是稍作轉化，把它變成：“如果我做了XXX事會產生什么影響？”這樣就把一個“想不想”轉化成了“會怎樣”，有了具體的行動就可以分析。當問問題的人看了干會怎樣，不干又怎樣的結果后，自然心里有個判斷。

比如“我能不能干這個事”，當然我們回一句：“有能力的人就能干！”這種毫無意義的屁話。但是如果把它轉化為“過往做成這個事需要什么條件，你又具備了多少？”這個問題就變成了“是什么”的問題，問問題的人看了自己與條件之間的差距，自然心里也有了答案。

比如“分析下這個事怎么干”，如果轉化成：“過往的舉措有什么效果”就從“怎么干”變成了“又如何”，當問問題的人看了原來ABCD方法各自是什么效果，心里也有答案了。

所以，數據分析方法在企業(yè)經營，個人生活中都有很多用處，關鍵在于我們如何使用它。數據分析不僅僅是某一條公式或者一串代碼。數據分析的真正魅力在于系統的、客觀的、有邏輯的思考。用這種思考去代替零散、臆斷、盲目。這才是它的做大價值。有些同學會問：既然數據分析有這么大價值，為啥我做分析就是天天在跑數……哈，這就涉及到工作方法問題了。俗話說：“你若安好，跑數到老”數據分析師如果太安于現狀，不懂梳理需求，不會管理需求，不會邀功請賞，結果就是天天等著業(yè)務部門丟需求，那就真的跑數到老了……這個問題下一篇分享。

這是數據分析成長手冊的一部分，在整本成長手冊里位置如下：