为什么“数据分析报告太平淡，只是陈述事实，没有建设性意见”是很多企业的抱怨。“数据分析建议要可行，有建设性，能产生效果”也是很多企业的要求。
问题是：咋做到呀！
通常来讲，有四种方法，可以从数据中推导出高质量、可落地、可见效的分析结论。但是，并没有一种方法是包治百病的仙丹。每种方法都有特定的使用场景和难点，今天和同学们系统的分享一下，以供参考。
方法一：标杆分析法
标杆分析法的思路很直接：找一个做的好的标杆，直接复（chao）刻（xi）标杆的做法。既然别人这么做能成功，那理论上我们这么做也能成功。
标杆分析法的步骤：
-
明确要分析的业务线及分析目标（收益最大化？增长速度最快？用户体验最好？） -
在该业务线中，围绕目标，寻找可作为标杆的对象（目标不同，标杆自然不同） -
剔除异常情况，归纳。比如运气/行业红利/特殊资源（确保标杆可复制性） -
总结标杆特征，导出分析建议（学习1、2、3、4做法，即可成功） -
进行测试，检验标杆效果（最后行不行，还得试一试）
比如，做销售分析，在推导分析结论的时候，就不是简单地说：“销售业绩低了，建议搞高”。而从销售队伍中树立标杆，总结特征，复制行为（如下图）。
标杆分析法适用性很广，但是有三个明显缺点
-
缺点1：异常难剔除。所谓“失败的大致相同，成功的各有特色”，一般标杆都或多或少有不可复制因素，很难让人100%信服。 -
缺点2：特征总结难。相当多特征是难以量化的，特别是人主观努力与个人素质。 -
缺点3：时代局限性。有些方法在过去管用，现在不见得管用。
特别是在复制外部标杆的时候，常常因为数据采集不全，导致找一个“外表内美，内部拉胯”的同行案例做标杆，此时就更容易翻车。
方法二：业务诊断法
业务诊断法的思路也很直接：找到目前业务哪里做得不好，哪里不好就改哪里，改完就好了。注意：所以叫业务诊断，是因为最后输出的结论，应该是指向一个具体的业务行动，而不是简单的扔一个“XX指标低了，要搞高”出来（如下图）。
做业务诊断法的步骤：
-
第一步：建立监控指标（一般做漏斗分析，或拆解分析） -
第二步：树立判断标准（现有判断好坏的标准，才能下结论） -
第三步：发现当前短板（转化漏斗最弱一项，拆解中最弱一项） -
第四步：追溯业务问题（这里的弱，是因为运营/产品/价格/……导致的） -
第五步：给出诊断建议（基于业务条件，评估改善可行性，给出建议）
这里最难的就是第四步。想做好第四步分析，需要对业务流程做详细拆解，并对具体做法打标签，才能做深入分析（如下图）。
注意：第五步给建议的时候，也可能不是哪里弱补哪里，而是“以强补弱”（如下图）。
这样基于业务现状+历史数据，对建议进行简单的可行性评估后再给出，会让建议更有说服力。
业务诊断法的缺点是很明显的：第四步容易被卡住，成为业务方互怼的导火索。特别是问题发生在转化漏斗的末端，大家都有责任的时候，更容易引发争吵（如下图）。
此时，需要花特别多的精力，把这帮人的各种说法论证清楚，不然分分钟会被人当成对战的棋子，怼得死去活来。
方法三：机会识别法
机会识别法和标杆分析类似，但是不是拿整体作为参照对象，而是从细节里找思路。最典型的，比如发展了一群客户，质量有高有低，这时候有两个典型的做法：
1、从现有用户里，挑出高质量群体，单独看该群体画像，思考如何做大该群体。
2、从用户画像角度，挑出理论上高质量群体，再看目前获取数量，思考如何做大。
（如下图）
这样就是所谓的：机会点识别。所以叫机会点，是因为：到底是否能做大，做大了到底好不好？在眼下是不清楚的。
很有可能顾此失彼，为了服务一个群体，得罪其他用户
很有可能因小失大，多赚了一个群体钱，流失其他用户
很有可能镜花水月，单一群体数量太少，无法撑起大盘
总之，得实验，实际测试几次，才只能看出数据变化。这也是机会识别和标杆分析最大区别，标杆分析看得是实际上已经成功的样本，机会识别的，真的就只是一个机会。
机会识别法的弱点也是很明显的：严重依赖业务配合。如果业务方懒得给出配套方案，那就永远无法测试这个机会点到底能不能成。
更糟糕的是，在没测试前，到底是不是机会，是无从定论的。于是，业务方会简单按照：是否这个机会与老板观点一致，进行判断。总之，老板说这个好，这个就好。老板没说过，那就不好……这更让客观的机会识别无法进行了。
方法四：概念测试法
以上三种方法，都是基于已发生的数据做推导的。也可以完全没有数据，凭着业务方灵光一闪：“我有一个好点子！”然后直接拿来测试。这是完全OK的。常用的ABtest方法也是满足这一需求。
但注意，很多业务上测试，实验的是一整个流程的SOP，并非一个孤立的页面。因此在设计实验的时候，一定要对测试的流程做好拆解，在可能影响实验的节点上，打好业务标签，这样才能在事后分析的时候有据可循，做迭代的时候也有方向。不然只看最终的结果，还是看不出所以然来（具体拆解方法，参考业务诊断法的做法）。
概念测试法的缺点也是很明显的：概念是人提的，数据不会撒谎，人会！
比如：为了维护自己面子，即使新版本改善不明显，也非得说丫明显。
比如：为了让自己见效，搞“瘸子里边挑将军”，把B方案做的明显烂，或者换汤不换药，搞个和A方案差不多的B来比，反正最后都是自己的主意胜出。
至于上线后对业绩改善不明显？好办，直接把锅甩给数据分析，说ABtest说的不准即可。
深层思考：让数据见效真难
这个问题的本质，不是“数据有没有用”而是“真的每个公司都能成为天下第一吗？”显然，很多公司在业务上是先天有短板的，老板缺乏远见，业务缺少能力，运作不够规范……反应在数据上，是：
缺少内部标杆，躺在黄历上吃老本
缺少业务标签，干业务全靠拍脑袋
缺少测试动作，只在纸面坐而论道
缺少合理的AB方案，拼命证明自己是对的
缺少科学态度，在缺少以上四样的东西的基础上，指望数据分析师，凭借着现有数据库里残缺不全的交易记录，分析出惊为天人的救命仙丹。
数据救不了这种公司，换谁来都不好使……
