跳出数据看数据¶
在数据分析的世界里，终极武器不是AI，不是代码能力，也不是可视化能力，而是能够回归业务常识，跳出数据看数据。什么是跳出数据看数据？在正式解释之前，我们先来看数据分析的四个阶段。
1. 数据分析的四个阶段¶
新手：只会列数字，不会说人话。比如：7月销售额下降15%，8月下降18%，9月下降10%。
通常是数据新人，对数据指标体系没有概念和认知。看到数据之后，透视表拉了一堆，就是不知从何处入手分析。
1-3年经验：拆解小能手。比如，某咖啡厅销售额下滑，归结为美式下滑、拿铁下滑、馥芮白下滑、卡布奇诺下滑等。
通常是对数据指标体系有了一定的认知和了解，会对数据指标进行下钻和拆解。但往往是胡子眉毛一把抓，分不清哪些是关键影响因素，哪些是次要影响因素。
资深派：拆解+定位小能手。比如，某咖啡厅销售额下滑，原因可以精确到精确到白领人群（人群）、早晨时段（时间）、拿铁（品类）销售下滑引起的。
通常了是工作了几年，对数据指标体系非常熟悉了，不仅能对数据指标进行下钻和拆解，相比一般人能拆得更深更细；而且能熟练计算贡献度，能 定位出关键指标，而不是所有指标胡子眉毛一把抓。
高手：跳出数据看数据。
很多人在第三个层级，会遇到的普遍问题是：已经 把数据指标拆到最细颗粒度了，拆到实在没有办法拆了，仍然无法找到原因和做出解释。为什么？因为陷在数据里，无法跳出数据。
而高手在这个时候，就能 跳出数据看数据，回归业务和生活常识，不仅能看到数字在波动、在变化，还能知道为什么。
2. 什么是跳出数据看数据¶
举个例子，某打车平台最近一周订单量异常上涨，数据分析同学经过层层下钻和拆解，终于定位到是上海这个城市在周二这天订单异常上涨导致的。但是分析到这里，这位分析同学再也没办法拆解指标了。这时候就不能继续单纯依赖挖掘数据了，而是要换个视角，跳出数据看数据，从业务、外部、行业、环境等因素解释数据，寻找订单异常的原因。比如，分析师经过与上海运营同事的沟通，发现上海在那天举办了某个大型展会。
“跳出数据看数据”是指在不否认数据价值的前提下，超越单纯的数据分析，结合商业常识、行业经验、外部环境以及人类行为心理学等多维因素，挖掘数字背后的真实动因和底层逻辑，从而形成更具决策价值的洞察。用一句话来说，用业务和生活常识来解释数据的波动和变化，而不是过度依赖模型和数据。
再举个餐厅的例子，某写字楼周边的一家餐厅在某天中午销量下滑，经分析发现菜价没涨、服务质量没变、菜品质量没有下降。这时候数据指标已经没办法再拆解了，怎么折腾数据指标也找不到原因。而经验丰富的店长看到数据后，马上就想起来当天中午某公司的大部分熟客都没有来吃饭，后来一打听是因为当天这家大公司举办团建，写字楼里的员工都外出就餐了，所以销量下滑了。这就是 用最简单的业务常识解释数据，而不是无穷无尽地钻数据。
这时候，有人就问了：如何判断这个常识性解释是不是对的呢？其实，这个没有统一的标准。如果非要弄出个标准来，我认为可以参考以下三点：
- 这个业务常识能有效解释数据的波动与变化：比如为什么是今天、为什么是午餐销量下滑，与数据呈现明显的因果关系，符合逻辑。
- 这个业务常识符合普通人的日常认知：普通人一听到这个解释就能听懂，而且觉得非常有道理。
- 这个业务常识能受到专业人士认可：行业内的专业人士没有办法反驳，或者没有足够的证据反驳。
数据的背后是业务，业务的背后是方便人们的现实生活。所以，跳出数据看数据就是用业务和现实生活的视角分析数据，找到一个常识解释数据。
3. 单纯数据分析 VS. 跳出数据看数据¶
我们来看一下，单纯的数据分析和跳出数据看数据具体有什么区别:
| 维度 | 单纯数据分析 | 跳出数据看数据 |
|---|---|---|
| 关注点 | 数字变化趋势 | 数字变化的原因和商业影响 |
| 分析方法 | 下钻拆解、建模、可视化 | 假设驱动、交叉验证、业务访谈 |
| 数据来源 | 内部数据库 | 内部数据+外部环境+竞品追踪+用户行为观察 |
| 结论特点 | 餐厅午餐销量异常下滑 | 客户公司外出团建导致销量下滑，属于正常波动 |
4. 如何“跳出数据看数据”¶
当数据无法起作用时，我们如何跳出数据、找到数据背后的业务常识？有两点：
- 学会三看，看外部+看内部+看定性，全方位培养业务sense；
- 学会画关键影响因子图，系统梳理清楚数据背后的关键影响因子有哪些。
4.1 学会三看：全方位培养业务sense¶
不局限于定量分析，也要重视定性分析。不局限于数据，而要结合内部业务流程、外部环境和竞品。建立一套“三看系统”，全方位培养自己的业务sense，让业务 sense 更加敏感。
三看包括：
- 看定性：包括用户心理、用户真实反馈等。
- 看外部：包括市场环境、竞品动向、行业趋势等。
- 看内部：包括商业逻辑、战略、业务流程、组织架构等。
4.2 学会画关键影响因子图¶
我们知道，每个指标的背后都是业务的策略和动作，指标的变化意味着这些策略和动作可能出现问题。因此需要把影响指标的这些策略和动作挖掘出来，我们称之为提炼指标的关键影响因子。把这些关键影响因子找出来，并用一张图展现出来，这就是关键影响因子图。这张图的作用类似目录，当某个数据指标出现波动或变化时，按照关键影响因子图，就可以顺藤摸瓜、按图索骥找到关键影响因子和波动原因了。
比如，用户运营业务中，DAU的关键影响因子图，如下图所示。当DAU出现波动时，就可以按照这张图寻找数字背后的常识性解释了。关于DAU的影响因子这里不做详述，有兴趣可参考《商业分析方法论与实践指南》这本书。
如何提炼这张图呢？
不同的指标和不同的业务，其关键影响因子也是不同的，而且会随着时间和业务的变化而变化，并不是一成不变的。所以，对于关键指标一定要保持高度敏感，做有心人，对它的影响因子定期进行系统化总结和梳理，先画出图的一角，然后持续积累，迭代更新，这张图就会不断充实、完善和丰富起来，久而久之，就会成为一张连接数据指标和业务常识的大地图。
关键影响因子图有助于我们形成体系化的认知，能够帮助我们理清数据指标背后的业务影响因素，跳出数据找到符合业务和现实的常识性解释，快速定位出原因，对开展数据异常和归因分析也大有裨益，可以极大地提升分析效率。