掌握了数据分析能力后，更要明白不能为了分析而分析，当遇到实际问题时，我们该如何利用分析能力输出接近于合理真相的结论呢？
本文试图用一份编制的数据案例去描述“如何在数据分析的思维里看待问题？”，进而如何利用数据分析能力去找出问题的原因，再通过数据之外的场景去佐证数据分析结论，最终是为后面的决策做参考。
接下来进入实际案例的参考分析：
双11刚刚过去，老板对今年和去年7月份以来的数据做了对比，发现整体销量下降的非常厉害，希望你能给他分析出明确的原因，7-11月销量总额为什么比去年同期下降了？
上图是销售运营部门给到老板的销量统计数据，数据都是编排的，如有雷同纯属意外，这里不考虑数据实际的符合度，上图为原始数据，通过数据分析思维给老板一个交待，销量为什么下降了？运营的策略该继续执行么？
所谓结构化思维就是有逻辑的思考，暂时放弃发散性的思考，用脑海储备的知识对目标进行全面的拆解分析。
当你得知淘宝店铺的销量下降的时候，你不应该发散性的根据以往经验列出一堆原因（比如竞品升级、活动力度降低等等）。首先应该静下来对“店铺销量构成”以及“能够对销量产生影响的因素”进行拆解，进一步明确问题根源。
比如上图是按季节及品类对销量进行了拆分，目的是想了解“哪一品类的销量下降了”，然后大胆猜测大幅下降的品类在某些方面出现了问题。
看着上图又想了想，服饰非常受季节性的影响，那是不是可以对7-11月份进行划分一下呢，于是把月份的销量加入销量结构中了。
把销量构成这样拆出来后，发现最开始的原始销量数据不足以看出销量趋势，于是对数据做了线性可视化。
从图中能看出，该淘宝店主卖产品是西装、高领毛衣、长袖衬衫、长裤、九分裤；毛呢大衣应该也是主卖产品，但是秋冬季销量明显不高，所以需要重点关注一下毛呢大衣这个品类的情况。
于是可以进一步针对毛呢大衣进行分析，为什么主卖产品“毛呢大衣”销量下降41%呢？分析到这里仅仅是把店铺销量构成、以及销量趋势看清晰了，接下来我们针对毛呢大衣这个品类去分析“影响销量的因素有哪些？”
上图对毛呢大衣销量下降原因的拆解也同样适用于其他品类，并且图中也仅仅是从店铺内外部去发现可能存在的原因，并没有穷尽所有的因素。
比如内部原因上，产品设计生产、产品展示设计排版、产品营销获客、产品销售运营等方面会对销量产生影响，其中每一类原因都可以继续细分出多个维度，每个维度如何去衡量好坏接下来指标化要思考的。
外部原因通常是难以验证的，因为你不可能获取到竞争对手的数据，所谓的第三方报告也并不准确，如果对方是上市类网红店，那可以查看披露的财报数据，但是一般淘宝店都不涉及到资本运作。
写到这里你应该发现了一些问题，所有的分析都只是各种维度的拆解，没有可以衡量的数据，如何衡量商品展示页设计的是否合理？如何判断客诉解决率高不高？一切都还没有指标可以衡量。
所以接下来你应该将思考出来的各个维度进行指标化，一切皆可以用指标去衡量，指标可以用数据去得出具体的数值，数值趋势可以帮助你衡量好坏。
所谓量化就是穷尽所有指标的最小单元，即最小不可分割原则。比如‘7-11月销量’本身只是一个指标对吧？但还能继续拆分成每个月的销量之和，也可以拆分成各个品类的销量之和，用公式表示就是：
{7-11月销量=7月销量+8月销量+9月销量+10月销量+11月销量}，所以联想一下，用公式去量化指标是不是很好的挖掘方法？
比如销量=下单数*（1-订单取消率-退货率），这个公式就可以把销量用“下单数、订单取消率、退货率”等三个维度去量化，但是还是不够穷尽，因为以上三个指标还是可以分割的。
下单数=咨询数*（1-咨询流失率）+浏览量*（1-浏览流失率）；订单取消率=支付取消数/下单数；退货率=订单退货数/已支付订单数；所以又会引出“咨询流失率、浏览流失率、支付取消数、订单退货数”等多个衡量指标。
经过这样一层一层公式化的量化，你就最可能找到那些“最小不可分割的指标”，进而最可能发现本质的问题所在了。
所以你尝试对毛呢大衣的销量进行了一定的指标化，在纯粹做指标化的过程中，你能体会到，最小可衡量指标大部分都是比率，因为指标增长或降低最直接就是用比率来描述。
比率的变化又与用结构化思维得出的维度相结合，外部市场竞争加剧的话，浏览流失率就会降低；商品质量落后的话，商品质量客诉率就会上升，所以仅仅统计销量的变化意义不大，要统计关键环节的各层面的转化率才能反应哪个维度出了问题。
最终通过一次复杂的体系化的分析后，你能得到产品的分析框架，以后再遇到什么问题，只需要在分析框架上看数据比率变化，找到对应影响的维度，再通过实际真实业务情况加以佐证，就能够尽可能的接近问题真相了。
由于外部原因难以量化，所以这里只是又进一步内部原因指标化了，下图是根据一个电商用户在淘宝站内看见店铺或者商品后的一系列行为分析得出的分析框架。
上图中分析出了近20个维度指标，并不是所有的指标都是核心指标，你需要结合业务去挖掘出核心业务指标，也能进一步完善指标分析框架。
虽然图中已经把核心指标用黄色填充标注了，你也可以借助业务去推敲一下，这些指标量化合理么？它们最能表现出业务的良好程度么？
比如图中是站在用户行为的角度去做的指标框架，发生问题的主体是淘宝店铺，对于淘宝店铺来说，用户怎么进店铺，如何看到商品，有没有对商品产生兴趣，咨询客服后是否得到满意答复，成交后的物流服务是否满意等是核心。
至于用户处于淘宝平台用户的什么阶层是不太需要关注的，不管用户是淘宝的新用户、老用户、活跃用户、还是流失又召回的用户，是怎样的都没有关系，只有商品或店铺曝光在了用户眼前，这个用户才和淘宝店铺产生了关系，所以平台型分析思维不适合。
利用用户在商品页和搜索页的行为轨迹，你对每一步的转化进行了比率型的指标量化，核心指标无非是“曝光转化率”、“笔单价”、“件单价”、“订单流失率”、“复购率和回购率”等，用于衡量商品页、商品价格、用户心理预期符合度等各维度的健康度。
本文编排的案例中是说“销量总数下降了”，进一步又发现主产品“毛呢大衣”销量下降明显，那就可以针对毛呢大衣的数据进行分析。
将毛呢大衣的价格与销量一起对比，能看到8-10月份价格上涨明显，而销量受价格影响，增长趋势放缓，没有去年同期增长快。
由于数据都是临时编制的，这里就不继续编制非常细致的浏览数、点击数、加购数、生成订单数、成功支付数了，感兴趣的可以自行思考。
通过结构化思维+公式化的指标量化，你能得到非常多的衡量指标，每一个指标背后对应多个维度，某一个维度虽然下降了，但很多时候并不影响最核心的指标，比如本文中的总销量下降不一定就会导致利润下降。
销售部门只看到了总体销量下降了，但销量下降就能代表利润降低了么？总利润才是淘宝店铺的核心指标，总利润=（利润率1*销量1）+（利润率2*销量2）+（利润率2*销量3）........
整体销量下降来，利润不一定下降，很有可能是低毛利的品类销量降低，而高毛利的品类销量大增，虽然总体销量降低了，但是利润有少量增幅，如果店铺评分没降低、客诉率没增多，那即使总销量下降了，店铺整体的健康度也是增长的，是不存在负面问题的。
所以，当看到某些指标下降的时候，先不要慌，去看一看最核心的指标有没有下降？会不会是因为策略的放弃性调整才导致某一指标降低，但整体利率仍然是增长的。
本文只是描述一些分析思考方法，遇到实际的问题不用无厘头的猜测，虽然假设法是积极有效的，但实际业务中，有准确直觉的人不多，既然直觉不够灵敏、经验不够丰富，那假设出来的结论贴合度也不会太高。
你可以尝试根据业务去利用结构化思维、公式化思维拆解问题背后的维度层次，找到可量化可衡量的指标，要注意的是最小可量化的指标一般是比率的形式。
分析思维大致有这样几个角度：
可以从用户生命周期的角度去考虑产品内用户整体的健康度，新用户的获取指标，用户活跃指标，用户留存指标，用户流失指标，用户挽回指标。即著名的AARRR模型就非常适合用于分析产品各个运作环节的情况。
AARRR模型把产品日常运营分为五大部分：
用户获取→用户活跃→用户留存→用户付出→用户为产品传播
每一部分都是同时发生的，都有其重要且可衡量的指标。用户获取的获客成本和渠道获客转化率、用户活跃的平结访问次数和时长、用户留存的次日、七日内留存、用户付出的付费用户占比和客单价，以及平均用户付费收入、传播阶段的用户分享率和用户平均传播影响力。
除了从平台内产品的用户生命周期去考虑，你还可以细化到用户行为轨迹的角度，从用户行为指标中发现产品功能或者内容的健康度。
比如用户访问产品时会留下“用户平均访问时长”、“页面平均访问次数”、“用户对某项功能的使用率”、“用户在产品内的关键常用路径”等，分析到复杂细致阶段时就能得到用户行为轨迹的桑基图。
来源：www.behance.net
上图的桑基图是百度随意搜索的一张表现法国公共管理部门的资金来源以及他们是如何分配这些资金的轨迹。每个支点都是资金来源点和资金去向点，曲线表示资金流，曲线越宽表示资金流越大。
对比到你的产品用户行为轨迹上来，支点就可以是产品功能、产品页面等，曲线就代表用户从A页面到B页面，或者从C功能到D功能，曲线越宽代表拥有相同行为的用户占比越多。
这样就能看出用户的关键路径了，做好关键路径的用户体验就能减少用户流失率，也能了解用户到底在产品里都做了些什么。
分析思维的角度最主要还是贴合当前业务，选用一套适合解决业务问题的指标体系，建立尽可能完整的可量化指标，在遇到问题时就能有逻辑的去发现一些背后的问题。
