当我们看了很多成长案例，再看看手头的工作和业绩目标，是不是还会觉得不知道怎么去实现？那是因为很多案例并没有介绍结论的分析过程，只是描述了问题的背景和目标以及优化后的效果。真正的分析过程，往往被“发现”二字刷到一边。
当然有人会说，数据分析过程是一个见仁见智的过程，不可能按照一个统一的流程完成所有的分析，尤其是在互联网领域的信息变化中。那么，数据分析的过程到底是一个只有零散技巧没有规律可循的过程，还是一个有明确步骤可以严格遵循的过程呢？我认为是后者。
下面介绍一个通用的数据分析方法论:数据分析五步法。
该框架具有以下特点:
不绑定具体业务，而是从决策所需信息的角度出发；开放，可以融合个人经验和前沿技术；可以结合大数据技术，消除人工环节，实现自动化；逻辑清晰，简单易学。
首先，分析五步法
这种简单的数据分析五步法，基本可以处理日常工作中至少80%的常见数据分析问题。剩下的20%场景可以在这个基本的分析方法上扩展，我们将在后面讨论。
1.1五个基本步骤
首先，让我们一次解释五个基本步骤，即:
总结评价归因决策1.1.1总结
在这一步，我们重点关注的指标，即常见的DNU、DAU、GMV、ROI等。只要涉及到数据分析的内容，一定会促使数据分析“明确目标”。因此，我们不需要重复这个重要性。
当然，目标是所有指标中最重要的。但是仅仅有目标是不够的。我们还需要其他辅助指标。比如ROI是由输入和输出计算出来的；GMV也可以通过将用户数量乘以每个用户的平均GMV来计算。这样，我们将一个目标的计算拆分成更多相关指标的组合。而且这些指标都是比较基础的，我们可以通过一些操作手段来影响这些指标的变化趋势。
这部分不难理解。但是我们要搞清楚指标之间的计算关系，逐步找到所有需要关心的指标。现在互联网产品的运营中，从来不缺需要看的指标，指标多到让人眼花缭乱。但只有那些与目标相关的指标需要我们关注。
1.1.2细分
这一步相当于给指标增加一个或几个维度。最简单的维度应该是时间，比如:我们看UV按日的变化趋势；或者我们可以看到不同页面带来多少gmv，不同用户群有多少gmv等等。如果我们理解前面的指标是一个数字，增加维度后，就变成了一列数据；增加两个维度后，就变成了表格，以此类推。
就像指标的现状，我们很容易找到很多可以用来拆分指标的维度。比如前面提到的日期和人群，以及拉辛的来源渠道，活跃流量来自转化路径等等。通过排列组合这些维度，可以产生大量复杂的拆分维度，多到根本看不出来。
所以区分维度的重要性很重要。
如何辨别？
我们应该根据可操作性或不可操作性来区分这些拆分维度的优先级。举个例子:我前面提到过，观看GMV是由应用程序中的不同页面带来的。但是，如果我们没有必要的技术手段或者运营工具，把更多的流量分配给那些GMV较高的页面，又不能减少那些GMV较低的页面的流量，那么这种分页的方法对我们来说就没有任何运营空的余地，更谈不上运营后的优化空的余地了。
如果是这样的话，我们应该认为源页面的维度只是一个“只是看”的维度，而不是关键维度。
再比如用户聚类，尤其是当我们想从外部投放和引流中获取更多的优质新用户来推动增长的时候。在这种时候，我们总是希望先对现有的优质用户进行用户画像，确定一些能够识别优质用户的特征，然后在投放的时候通过这些特征吸引更高质量的用户。
这是有道理的，但遗憾的是，外向投资频道无法提供非常精准的人群定位，只能提供人口统计、行业偏好等粗粒度的划分。这也包括，暂时我们认为投放渠道对于用户的标记是非常精准的。
所以可以看出，在拉新信息的情况下，我们对用户分组的操作是有限的，不是完全不能，而是非常有限。但是用户群更多的使用空是为了推广活动，也就是把用户划分到我们自己的用户群中。
例如，在版本之间的A/B测试中，在同一页面的同一位置放置不同的文案或图片材料是常见的。那么显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，就可以迅速采取行动。因此，呈现版本的维度非常适合对指标进行分段。
如果指标部分只是一个显示器，那么在【细分】这一步，分析的一些感受就已经体现出来了。这一步，我们需要找到那些真实的、可操作的分裂维度，让我们的分析结论尽快落地。但是这部分还是留下了一个问题，就是如果有多个可操作的拆分问题，它们之间还是有区别的。
比如我们可以简单的替换图和文案，但也可以煞费苦心的迭代一个大版本。如何在分析的过程中体现和衡量这个操作的复杂程度？这是关于评价的问题。
评估
在评价部分，我们需要用【总结】步骤中的目标指标作为评价的唯一标准。如果我们的目标是简单的GMV，甚至更简单的PV和UV，那么经过了[细分]这一步，基本上就可以开始下结论了。
但实战中并非如此。我们的目标可能是一个复合目标——在驱动GMV的同时控制成本；拉PV的同时，也要带GMV；；或者直接是诸如ROI的综合指数。
这个时候不能只盯着标的，要盯着综合指数。例如，我们的目标是在驾驶GMV时控制成本。为了进一步简化问题，我们将成本定义为推广老用户产生GMV的成本和获取新用户产生GMV的成本。通常在运营中，带来新事物和提升生活的手段是不一样的，对应的是【细分】原则，即运营的大小空。
之后，我们可以根据新的和积极推广的不同纬度分别细分产生的GMV和投入的成本。比如在拉新方面，我们有关键词，有广告联盟，有和其他app的合作。推广活跃度方面，我们在APP上ABCD的四个Banner上设置了A/B测试。
那么对于新用户部分，可以分别评估关键词、广告联盟、合作APP，每投入一块钱可以获得多少新gmv。因此，在不同的创新方式中，我们可以选择更好的方式，并在现有方式中调整更好的成本投入。至于老用户，我们也可以评估一下，在ABCD的四面旗帜的A/B测试中，投入一块钱换不同版本可以产生多少gmv。
简而言之，在[评估]步骤中，我们需要将[总结]部分的指标分为两类——最终目标和实现目标的手段。例如，在前面的例子中，投入成本是提高GMV的手段。因此，我们需要评估每一美元所产生的GMV的成本。这时候有很多替代手段可以达到GMV的目的，比如激活老用户:
保持成本投入不变，更换更容易带来转化的图片和文案，增加GMV；投入的每一块钱带来的；保持每一块钱带来的GMV不变，增加成本投入；这还是在暂时忽略GMV的可能价值的前提下。如果把这部分价值考虑进去，可以抵消一部分投入的成本，会有更多的替代品。
在前面的例子中，因为我们的拆分维度本身比较简单，只考虑了APP内的Banner和外部拉新的方式，所以通过数据中的一些标记更容易细分。但在实战中，还是有一些情况让我们无法分开。例如，在用户交互中，需要几个步骤来生成GMV路径，或者像前面例子中的ABCD four横幅一样，如果用户单击其中的两个甚至三个。
那么我们如何拆解它呢？这个问题是下一步【归属】。
1.1.4归属
这一步其实就是得出结论、做出决定的“最后一公里”，也就是我们常说的分析“为什么”的过程。
在前面的步骤中，我们可以从案例中清楚地看到，我们已经得到了一些可以直接比较的量化指标。在这种情况下，其实在【归因】这一步我们不需要做什么特别的事情，通过数值的对比就可以直接得出结论。但是遇到无法明确细分的多个环节或者方法怎么办？日常数据分析中有几种常见的归因思路。
例如，在我们之前的例子中，当用户依次在四个位置点击ABCD时，就会生成GMV-
首次交互归因模型:即用户第一次做某件事，通常会显示最早时间、最小序号等。在数据中，那么我们给A 100%和B，C，D 0%。最终交互归因模型:即用户最后一次做某件事，对应的数据显示最近的时间，最大的序号等等。然后我们给D 100%，A，B，C 0%线性归因模型:也就是平均分，然后我们分别给ABCD 25%。加权归因模型:即给多个贡献因素赋予一定的权重，比如A和B各占30%，C和d各占20%，因为权重多了一个维度，所以需要一定的设计，也可以作为一个分析过程。还有几种常见的设置权重的方法，比如最重要的前两项和后两项，其他的向中间递减，或者按时间递减等等。当然，在选择归因方式时，我们也会考虑行为的先后顺序、停留时间长短等因素的影响。在分析目标上结合具体业务的特点。
决策
最后，你可以做出决定，但在最初的几个步骤逐渐消除不确定性之后，决定是最简单的一步——那就是找出表现最好的版本、表现最好的位置和表现最好的新方法。
而且当我们有一些新的想法时，它们也可以作为A/B测试的一个版本，加入到这个评估系统中进行综合评估。
1.2应用案例
这种方法论不仅针对日常工作中的特殊分析，在一些已经固化的方法论中也能找到这种基本方法论的影子。
让我们来看看几个已经形成的方法论案例:
1.2.1 A/B测试实验
我们要看的第一个案例是A/B测试。在A/B测试的过程中，首先我们要确定实验的目的，也就是要通过实验来提高和优化哪个指标。之后我们以实验的不同版本为细分维度，以指标实现与否为评价标准进行评价。如果在实验过程中确实遇到了需要归因的问题，需要考虑如何归因。
当然，随着业务复杂度的不断发展，A/B测试的难点不在于比较和得出结论的过程，而在于如何设计实验，从而在更短的时间内进行更多的实验并得出有效的结论，使用更少的用户流量。这也是所有这些平台的出发点——著名论文《重叠实验基础设施》的核心内容——Google。
1.2.2用户分组
用户聚类是一种常见的操作方式，但如何确定聚类的准确度，以及后续如何持续保持准确度，确实是一个数据分析问题。在基于特征的用户聚类过程中，首先要确认我们想要得到什么特征。
当我们已经分组并想研究这个群体的特征时，我们可以以TGI为目标，以TGI的大小来衡量分组向各种特征的倾向。
另一方面，如果要找到喜欢搞笑短视频的用户，以喜欢的行为作为“喜欢”的定义，也可以用TGI来衡量分组的准确度。这样就可以通过各种方式对用户进行聚类，不同的聚类方式对应不同的TGI值。我们需要的是具有最大TGI值的聚类方法。
1.2.3经典管理模型:BCG矩阵
在经典的BCG矩阵中，一个隐含的目标是整体利益，手段是资源的优化配置——即企业中有限的资源应该投入到更有潜力的业务中，企业层面的整体利益得到了最大化。
为了深入研究这个目标，这个指标在BCG矩阵中按照两个维度进行拆分。在通常的绘图中，横轴代表相对市场份额，纵轴代表市场增长率。市场份额和市场增长率是创造效益的手段，效益自然是最终目的。所以，由于手段带来的收益不同，不同的商家在拆分的四个象限中有着各自的“命运”。
第二，方法论的优化
根据对方法论的总体描述，有三点可以优化方法论。
总结
总结的优化部分在于寻找更新更合适的辅助指标来计算最终的目标指标。比如在财务领域，杜邦分析法相对于按收入和支出计算的方法，给出了基于销售利率、资本运营、负债程度三个方面的拆解方法，更容易理解和采取行动。
细分
在之前的细分解释中，重点主要是一些客观维度，随着分析经验的积累和算法能力的提升，会逐渐加入一些部分主观的细分维度。比如根据喜好做的用户标签，这些维度提供了新的视角，但同时也有自己的“玩法”。
属性
部分归因是对于那些无法客观确定的分裂逻辑，给出了人为定义的分裂逻辑。因为人为操作，加上客观情况不断变化，优化空逐渐出现，需要不断优化拆分方式，以适应业务发展和环境的变化。
本文由@余浩同学原创发布。每个人都是产品经理。未经许可，禁止复制。
题目来自Unsplash，基于CC0协议。
