当我们看了不少增长案例之后，再看看手头的工作和业绩目标，是不是还觉得不知道怎么实现？那是因为许多案例并没有介绍得出结论的分析过程，而只是描述了问题的背景和目标，以及优化之后的效果。真正的分析过程，往往被“发现”两个字一笔带过。

　　当然有人会说，数据分析过程是一个见仁见智的过程，根本不可能按照一个统一的流程完成全部分析，特别是在互联网领域的告诉变化当中。那么数据分析的过程，究竟是一个只有零散技巧而无章法可循的过程，还是一个有明确的步骤并可以严格依照执行的过程？我认为是后者。

　　我们这就来介绍一个通用的数据分析方法论：数据分析五步法。

　　这个框架具有一下几方面特点：

　　不与具体业务绑定（个别步骤中的细节需要与业务结合），是从决策需要的信息角度出发的；具有开放性，可融入个人经验和前沿技术；可结合大数据技术，排除人工环节，实现自动化；逻辑清晰，容易学习。

　　这个简单的数据分析五步法，基本能够应对日常工作中至少80%的常见数据分析问题。而剩下的20%的场景，可以在这个基本的分析方法论上扩展出来，我们会在后面的内容中探讨。

　　首先，我们来一次讲解着5个基本步骤，分别是：

　　汇总细分评价归因决策1.1.1 汇总

　　这一步我们关注的是指标，也就是大家常见的那些DNU、DAU、GMV、ROI等等。只要是说到数据分析的内容，一定会提示数据分析“要明确目标”。因此，这个重要性我们倒是不需要赘述。

　　目标当然是所有指标中最重要的。但只有目标还不够，我们还需要其它的辅助指标。就比如ROI，是投入和产出两项算出了ROI；而GMV，也可以用用户数乘以平均每用户的GMV计算出来。这样，我们就把一个目标的计算，拆分成了更多相关指标的组合。并且，这些指标更基础，我们可以通过一些运营手段影响这些指标的变化趋势。

　　这部分没有什么理解的难度。只不过，我们要找出指标之间的计算关系，由此逐渐找到所有我们需要关心的指标。在现在的互联网产品运营当中，从来不会缺少需要看的指标，已经多到了眼花缭乱的地步。但只有那些跟目标相关的指标，我们才需要关心。

　　1.1.2 细分

　　这一步相当于给指标增加了一个或者若干个维度。最简单的维度应当算是时间了，比如：我们按天看UV的变化趋势；或者我们看不同页面带来的GMV是多少、看不同用户分群中的GMV分别是多少等等。如果我们理解前面的指标这是个数字的话，增加了维度之后，它就变成了一列数据；增加了两个维度之后，它就变成了一张表格，以此类推。

　　就像指标的现状一项，我们也可以轻松找到许许多多可以用来拆分指标的维度。比如前面提到的日期和人群，还有拉新上的来源渠道，活跃上的流量来源于转化路径等等。再将这些维度进行排列组合，就能产生出一大批庞杂的拆分维度，多到根本看不过来。

　　因此，重要的就在于区分维度的重要程度。

　　如何区分呢？

　　我们要按照是否可操作，来区分这些拆分维度的轻重缓急。比如：前面提到了看APP中的不同页面带来的GMV。但是，如果我们没有必要的技术手段或者运营工具，来为那些GMV更高的页面分配更多流量，也不能降低那些GMV较低的页面的流量，那么按照页面拆分的这种方法对于我们没有任何操作空间，更不要说操作之后的优化空间了。

　　如果是这种情况，我们就应当认为来源页面这个维度，只是个“看看就好”的维度，而非关键维度。

　　另一个例子是用户分群，特别是当我们希望从外部的投放引流获得更多高质量的新增用户，以此来拉动增长的时候。在这种时候，我们总是希望首先对现有的高质量用户进行用户画像，并确定一些能够标识高质量用户的特征，再通过这些特征在投放的时候吸引更高质量的用户。

　　这个道理是讲得通的，但遗憾的是，外投渠道不能提供十分精准的人群定位，只能提供人口统计学和行业偏好等粗粒度的划分。这其中还包括，我们暂时认为投放渠道对于用户的标记是十分精准的。

　　因此可以看出，在拉新这件事上，我们对用户分群的操作是受限的，并不是完全不能，但十分受限。而用户分群更大的利用空间在于促进活跃，也就是在我们自己的用户群体中进行切分。

　　比如：在增长案例中常见的，在相同页面的相同位置放置不同的文案或者图片素材进行版本间的A/B Test，那么展示的版本就是一个可以自由操作的维度，因为一旦发现哪个版本更好，我们可以很快采取行动。因此展示版本这个维度很适合用来切分指标。

　　如果说指标的部分只是个监控的话，在【细分】的步骤中，就已经体现出一些分析的感觉了。在这个步骤中，我们需要找到那些真实可操作的拆分维度，以便我们的分析结论能尽快落地。但这部分还留下一个问题，就是如果存在多个可操作的拆分问题，那么它们之间还是有区别的。

　　比如：我们可以简单的替换图表和文案，但我们也可以煞费苦心地迭代一个大版本。如何在分析的过程中体现并衡量这种操作的复杂度呢？这个就要说到评价的问题。

　　1.1.3 评价

　　在评价的部分，我们要用到【汇总】步骤中的那个作为目标的指标，以它作为评价的唯一标准。如果我们的目标就是简单的GMV，甚至更简单的PV和UV，那么到了【细分】的步骤之后，我们就基本可以开始下结论了。

　　但是在实战中并非如此，我们的目标可能是一个复合的目标——在拉动GMV的同时，还要控制成本；在拉动PV的同时，还需要带来GMV；或者直接是一个ROI这样的复合指标。

　　在这个时候，我们就不能只关注目标这一个指标了，而要关注复合指标。例如：我们的目标是在拉动GMV的同时，控制成本。为了进一步简化问题，我们把成本具体为促进老用户产生GMV的成本，和获得新用户产生GMV的成本。因为通常在运营中，拉新与促活的手段是不同的，这与【细分】部分的原则对应，即操作空间的大小。

　　之后，我们就可以分别按照拉新和促活的不同纬度，对产生的GMV和投入的成本这两个指标进行细分了。例如：在拉新方面，我们有投百度关键字、有投广告联盟、还有与其他APP的合作换量；而在促活方面，我们在APP上的ABCD四个Banner上设置的A/B Test。

　　那么对于新用户部分，我们就可以分别评价百度关键词、广告联盟和合作APP这三种方式，每投入一块钱的成本分别可以得到多少新增的GMV。从而在不同的拉新方式中，选择更优的方式，并在已有的方式中调整更优的成本投入。而对于老用户的部分，我们同样可以评价ABCD四个Banner各自的A/B Test中，针对不同的版本每投入一块钱可以产生多少GMV。

　　简而言之，在【评价】这个步骤中，我们需要把【汇总】部分的指标分成两类——即最终的目标，与实现目标的手段。比如在前面的例子中，投入的成本就是实现GMV提高的手段。因此，每一块钱的成本投入，我们都需要以产生的GMV来评价它。这时，要实现GMV的目标可选择的手段就比较多了，比如针对老用户促活：

　　保持成本投入不变，更换更容易带来转化的图片和文案，来提高投入的每一块钱带来的GMV；保持每一块钱带来的GMV不变，（在限制范围内）追加成本投入；这还是在暂时忽略GMV可能带来的价值的前提下，如果我们将这部分价值考虑进来，它就能抵消掉一部分投入的成本，那么备选方案还会更多。

　　在前面这个例子中，由于我们的拆分维度本身比较简单，只考虑了APP中的Banner和外部拉新的方式，因此比较容易通过数据中的一些标记进行细分。但是在实战中，还有些情况使我们无法拆分的。比如在用户交互中，产生一个GMV的路径需要经过几个环节，或者就像前面那个例子中的ABCD四个Banner，如果用户点击了其中的两个甚至三个Banner。

　　那么我们如何拆解呢？这个问题就是下一个步骤【归因】了。

　　1.1.4 归因

　　这个步骤其实就是得出结论并进行决策的”最后一公里“了，也就是我们常说的剖析“为什么”的过程。

　　在前面的步骤中，通过案例能清楚地看到我们已经得到了一些可以直接对比的量化指标了。在这种情况下，其实我们不需要在【归因】的步骤中做什么特殊的操作，可以通过数值的比较直接下结论。但是如果我们遇到了多个环节或者方法之间，无法进行明确地细分时，应当怎么办呢？在日常的数据分析中有几种常用的归因思路。

　　比如，我们以前一个例子中，用户依次点击了ABCD四个位置才产生了GMV为例——

　　首次互动归因模型：也就是用户第一次做某件事，在数据中通常表现为时间最早、顺序号最小等等，那么在我们给A记100%，B、C和D记0%。最终互动归因模型：也就是用户最后一次做某件事，对应的在数据中就表现为时间最近、顺序号最大等等。那么我们给D记100%，A、B和C记0%线性归因模型：也就是平均分，那么我们给ABCD分别记25%。加权归因模型：也就是给多个促成因素分配一定的权重，例如A和B各记30%，C和D各记20%。正因为多出来一个权重的维度，需要一定的设计，并且也可以作为一种分析的过程。关于权重也有几种常见的设置办法，比如首末两项最重要其它向中间递减，或者按照时间递减等等。当然，在选择归因方式的时候，也会结合具体业务的特征，来考虑行为的先后顺序、停留时间长短等情况对于分析目标的影响。

　　1.1.5 决策

　　最后就可以决策了，但经过前面几个步骤逐渐消除不确定性，决策反而是最简单的一步了——就是找出那个表现最好的版本、表现最好的位置、表现最好的拉新手段而已。

　　而当我们有一些新的idea时，同样可以作为A/B Test中的一个版本，加入到这套评价体系中，进行综合评价。

　　这套方法论不仅针对日常工作中的专项分析，在一些已经固化成型的方法论中，也可以找到这套基础方法论的影子。

　　我们来看几个已经成型方法论案例：

　　1.2.1 A/B Test实验

　　首先我们要看的案例就是A/B Test。在A/B Test的过程中，首先我们要确定实验的目的，也就是我们要通过实验提高和优化的是哪个指标。之后，我们以实验中的不同版本作为细分维度，以指标是否实现来作为评价标准进行评价。如果在实验的过程中确实遇到了需要归因的问题，则还需要考虑如何进行归因。

　　当然，随着业务的复杂度不断发展，A/B Test的难点已经不在比较和得出结论的过程，而在于如何设计实验才能在更短的时间内、耗费更少的用户流量、进行更多的实验并得到有效的结论。这也是所有这方面的平台的起点——Google的著名论文《Overlapping Experiment Infrastructure》论述的核心内容。

　　1.2.2 用户分群

　　用户分群是一个常见的运营手段，但如何确定分群的准确度以及如何在后续持续的维持准确度，确是一个数据分析问题。在基于特征的用户分群过程中，我们首先要确认我们希望获得具备怎样特征的用户群体。

　　当我们已经进行了分群，并想要研究这个群体具备怎样的特征时，就可以以TGI（Target Group Index，目标群体指数）作为目标，以TGI的大小来衡量分群对各种特征的倾向性。

　　反过来说，如果我们想找到喜欢搞笑短视频的用户，并且以点赞行为作为“喜欢”的定义，同样可以使用TGI来衡量分群的准确程度。这样我们就可以通过各种手段来对用户进行分群了，不同的分群方式就对应了不同的TGI值，我们需要的就是那个TGI值最大的分群方式。

　　1.2.3 经典管理模型：BCG矩阵

　　在经典的BCG矩阵中，隐含的一个关注目标是整体利益，而手段是资源的优化配置——也就是要将企业中有限的资源，投给更具潜力的业务，已获得企业层面的整体利益最大化。

　　为了对这个目标进行深入研究，在BCG矩阵中，按照两个维度对这个指标进行了拆分。在通常的画法中，横轴代表相对市场占有率，纵轴代表市场增长率。市场占有率和市场增长率，就是创造利益的手段了，而利益自然是最终目标。因此，由于手段带来的利益是不同的，在拆分出的四个象限中，不同的业务就有了自己的“宿命”。

　　根据全面对于方法论的整体描述，有三个点是可以对方法论进行优化的。

　　（1）汇总

　　汇总部分的优化，在于发现更新、更合适的辅助指标，来计算出最终的目标指标。就比如在财务领域，相比于按照收入和支出的计算方式，杜邦分析法（DuPont Analysis）给出了基于销售利率、资金运作和负债程度三个方面的拆解方式，更容易理解并采取行动。

　　（2）细分

　　在前面讲解细分的时候，侧重的主要是一些客观维度，而随着分析经验的积累和算法能力的提升，逐渐会加入一些偏主观的细分维度。比如根据偏好制作的用户标签，这些维度提供了新的视角，但同时也有自己的“玩法”。

　　（3）归因

　　归因部分是对于那些不能客观确定的拆分逻辑，给出了人为定义的拆分逻辑。因为有了人为操作的加入，并且客观情况在不断的变化中，这其中就逐渐产生了优化空间，需要对拆分的方式不断调优，以便适应业务的发展和环境的变化。

　　本文由 @御豪同学 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Unsplash，基于CC0协议。