本文尝试用一个整理的数据案例来描述“如何站在数据分析的角度来看问题？”，然后如何利用数据分析能力找出问题的原因，进而使用场景之外的场景。数据支持数据分析结论。最终为后续决策提供参考。

掌握数据分析能力后，我们必须明白，不能为了分析而分析。当遇到实际问题时，我们如何利用自己的分析能力输出接近合理真理的结论呢？

接下来进入实际案例参考分析：

1.发现问题

双11刚刚过去。老板对比了今年7月份的数据和去年的数据，发现整体销量下降非常厉害。希望你能给他分析清楚为什么7-11月的总销量比去年同期下降了。 ？

上图是销售运营部门给老板的销售统计数据。数据全部整理好了。任何相似之处纯属偶然。这里不考虑数据的实际符合性。上图是原始数据。通过数据分析思维给老板一个解释。 ，为什么销量下降？运营策略是否应该继续执行？

2. 分析问题1. 使用结构化思维来拆分销售

所谓结构化思维，就是逻辑思维，暂时放弃发散思维，利用头脑中储存的知识，对目标进行全面的拆解和分析。

当你得知淘宝店销量下降时，不要根据以往的经验，发散地列出一堆原因（比如竞品升级、活动强度降低等）。首先，我们应该静下心来，拆解“门店销售构成”和“影响销售的因素”，进一步明确问题的根源。

例如，上图按季节和类别划分销售额。目的是了解“哪个品类销量出现了下降”，然后大胆猜测下降幅度较大的品类在某些方面存在问题。

看到上面的图，我又想了想。服装受季节影响很大。我们可以把七月到十一月分开吗？因此我们将月销售额添加到销售结构中。

这样分解销售结构后，我发现一开始的原始销售数据不足以看出销售趋势，所以我对数据做了线性可视化。

从图中可以看出，这家淘宝店销售的产品有西装、高领毛衣、长袖衬衫、西裤、九分裤；毛呢大衣也应该是主打产品，但秋冬销量显然不高，所以需要重点关注毛呢大衣品类。

因此，我们可以进一步分析毛呢大衣。主打产品“羊毛大衣”销量为何下降41%？

此时的分析只是为了清楚地看到门店销售结构和销售趋势。接下来我们就来分析一下毛呢大衣的品类，“影响销量的因素有哪些？”

上图拆解了毛衣销量下降的原因，同样适用于其他品类，且图中仅从店内和店外列举了可能的原因，并未穷举所有因素。

例如，从内部原因来看，产品设计与生产、产品陈列设计与布局、产品营销获客、产品销售运营等都会对销售产生影响。每一种原因又可以进一步细分为多个维度。各个维度如何处理？衡量好坏接下来要考虑的是索引。

外部原因通常很难核实，因为无法获得竞争对手的数据，而且所谓的第三方报告也不准确。如果对方是上市网红店，可以查看披露的财报数据，但一般淘宝店都不涉及资本运作。

写完这篇文章你应该发现一些问题了。所有的分析都只是各个维度的拆解。没有可测量的数据。如何衡量产品展示页面的设计是否合理？如何判断客诉解决率是否高？目前还没有什么可以测量的。

所以接下来你应该为你考虑的每个维度建立索引。一切都可以用指标来衡量。指标可以使用数据来获取特定值。数字趋势可以帮助您衡量好坏。

2、量化与销售相关的指标

所谓量化，就是穷举所有指标的最小单位，即最小不可分原则。例如，“7-11月销量”本身只是一个指标，对吗？

但又可以进一步分为每个月的销售额总和，或者每个品类的销售额总和，用公式表示：

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

那么想一想，用公式来量化指标是不是一个好的挖掘方法呢？

（点击查看大图）

例如，销量=订单数*（1-订单取消率-退货率）。这个公式可以用三个维度来量化销量：“订单数、订单取消率、退货率”，但仍然不够详尽，因为以上三个维度的各个指标仍然可以划分。

订单数=咨询数*（1-咨询流失率）+浏览数*（1-浏览流失率）；订单取消率=支付取消数量/订单数量；退货率=订单退货数/已付款订单数；所以就会产生“咨询流失率、浏览流失率、取消支付次数、订单退货次数”等多个衡量指标。

经过这样层层公式化的量化，你最有可能找到那些“最小不可分割的指标”，进而最有可能发现本质问题。

所以你尝试在一定程度上对毛呢大衣的销售进行指数化。在纯粹指标化的过程中，你可以意识到，大多数最小的可衡量指标都是比率，因为增加或减少指标最直接的方法就是使用比率。来描述。

比例的变化与结构化思维衍生的维度相结合。如果外部市场竞争加剧，浏览流失率就会降低；如果产品质量落后，产品质量顾客投诉率就会增加，所以仅仅统计销量变化的意义并不大。需要统计关键链接各个层级的转化率，以反映哪个维度出现了问题。

最后经过复杂的系统分析，就可以得到产品的分析框架。如果以后遇到什么问题，只需要在分析框架中查看数据比例变化，找​​到对应的影响维度，然后根据业务实际情况进行分析即可。有了证据，您就可以尽可能接近问题的真相。

由于外部原因难以量化，这里我们仅进一步索引内部原因。下图是基于电商用户在淘宝上看到店铺或产品后的一系列行为分析的分析框架。

上图中分析了近20个维度指标。并非所有指标都是核心指标。需要结合业务挖掘核心业务指标，进一步完善指标分析框架。

3、根据业务寻找核心指标

虽然图中核心指标已经用黄色标注了，但是大家也可以结合自己的业务来考察。这些指标量化是否合理？它们最能代表企业的健康状况吗？

例如下图是从用户行为角度出发的一个指标框架。问题的主体是一家淘宝店。对于淘宝店铺来说，用户如何进入店铺、如何看到商品、是否对商品感兴趣？咨询客服后，是否得到满意的答复以及交易后的物流服务是否满意是核心。

淘宝用户属于什么级别的用户并不重要。无论用户是淘宝新用户、老用户、活跃用户还是流失召回的用户，都没有关系。只有产品或者店铺的曝光度是在用户面前才能够和淘宝店铺产生关系，所以基于平台的分析思维是不适合的。

利用用户在产品页面和搜索页面上的行为，您已经量化了每个步骤的转化率。核心指标无非就是“曝光转化率”、“单价”、“客单价”、“订单流失率”、“复购率和复购率”等，用来衡量产品的健康度页面、产品价格、是否符合用户心理预期等维度。

在本文整理的案例中，据说“总销量下降了”。进一步发现主打产品“毛呢大衣”的销量大幅下降，因此我们可以对毛呢大衣的数据进行分析。

对比毛呢大衣的价格和销量可以看出，8-10月价格上涨明显，而销量则受价格影响，增长趋势放缓，增速不及去年同期。

由于数据都是临时汇总的，所以我们不会继续汇总非常详细的浏览量、点击量、追加购买量、生成订单数、成功支付数。有兴趣的可以自己思考一下。

4、随着销售额下降，核心业务指标是否也下降？

通过结构化思维+公式化指标量化，可以得到很多衡量指标。每个指标对应多个维度。虽然某个维度下降了，但往往不会影响核心指标，比如本文。总销售额的下降并不一定会导致利润的下降。

销售部门看到的只是整体销售额的下降，但是销售额的下降是否就意味着利润的下降呢？

利润总额是淘宝店铺的核心指标：

利润总额=（利润率1*销量1）+（利润率2*销量2）+（利润率2*销量3）

当整体销量减少时，利润并不一定减少。低利润品类的销量很可能会减少，而高利润品类的销量会大幅增加。虽然整体销量有所下降，但利润却有小幅增长。如果店铺评分不下降，顾客投诉率不上升，那么即使总销量下降，店铺的整体健康度也会提高，不会出现负面问题。

因此，当看到一些指标下降时，先不要惊慌。看看核心指标有没有下降？难道是策略的放弃调整导致某个指标下降，但总体利率还在上升？

三、分析思维总结

本文仅介绍一些分析思维方法。遇到实际问题时没必要做出无理猜测。虽然假设方法是积极有效的，但在实际业务中，拥有准确直觉的人并不多。由于直觉不够灵敏，经验也不够丰富，那么假设得出的结论就不会太一致。

可以尝试用结构化思维、公式化思维，根据业务拆解问题背后的维度层次，找到可量化、可衡量的指标。需要注意的是，最小的量化指标一般采用比率的形式。

分析性思维一般有以下几个视角：

从用户生命周期的角度，我们可以考虑产品内用户的整体健康状况、新用户获取指标、用户活跃度指标、用户留存指标、用户流失指标、用户恢复指标。也就是说，著名的模型非常适合分析产品的各个运行方面。

该模型将产品的日常运行分为五个部分：

用户获取→用户活跃→用户留存→用户付费→用户传播产品

每个部分同时发生，并有其自己的重要且可衡量的指标。用户获客成本和渠道获客转化率、用户主动关闭访问次数和时长、用户次日和七天内的留存时长、用户付费付费用户比例以及客单价，以及传播阶段的用户平均付费收入、用户分享率和用户平均传播影响力。

除了考虑平台内产品的用户生命周期外，还可以从用户行为轨迹的角度进行细化，从用户行为指标中发现产品功能或内容的健康度。

例如，用户在访问某个产品时，会留下“用户平均访问时长”、“平均页面访问次数”、“用户对某项功能的使用率”、“用户在产品内的关键常用路径”等信息。产品”等，可以分析到复杂而详细的阶段。此时即可得到用户行为轨迹桑基图。