上一期我们讲到了第一个特质  ，即优秀的数据分析师对业务具有深刻的洞察。进而从更高更广阔的视角定义要解决的问题！既然定义了问题 ，那就要定位产生问题的原因。本篇文章我们就着重分享原因定位的方法论 ！

我们先来回顾下解决问题的流程图（左图  ，改编自书籍《如何用数据解决实际问题》）。以及数据分析师的能力框架（右图！百度DA的晋升能力体系） ，

我们可以看到 ，如果要解决一个问题 。首先我们要准确地定义这个问题（按照上期所讲  ！这个需要有深刻的业务洞察能力），然后通过一系列的数据分析  。定位原因最后讨论并实施对策（即实现项目影响）！左右两个图对比  ，我们可以看到。数据分析的能力框架并不是天马行空想出来的！它是从解决问题的流程中提炼出来的，

你们觉得这四大核心能力中，哪个能力最能体现数据分析师的价值呢？。

在我看来无疑是原因定位（这也是我把原因定位放在最中间的原因），为什么呢？我先给大家讲个故事。

据说有一次美国一个大公司 ，电机发生了故障。把公司所有内行人请来也找不出症结所在！没有办法只好派人乘专机将一个德国专家请来  ，德国专家问了业务人员电机以往的使用情况。看了下相关的数据！然后围着像一间房大的电机转了起来 ，他一会儿敲敲这。一会儿听听那……大约一个小时后！专家拿起粉笔在电机上最不起眼的部位划了一道线，对在场的工人说。把这里打开…… ！

电机被打开了  ，故障原来真在这里 。

德国工程师索要1万美元费用  ，周围的人不理解。问道用粉笔划了这么一道线！就一万美元我们辛辛苦苦干一个月才几千元？工程师见他们不理解 ，就笑着对他们说。我拿粉笔划这一道线！只有一元钱可是我知道在哪里去划，要9999美元  。

看完这个故事，大家再想想就应该明白了。无论是业务洞察还是数据分析 ！都是服务于原因定位，而当原因定位好之后 。如果和你配合的业务人员足够优秀 ！实现项目影响自然也是顺理成章的事情（就像故事里的工人，在看到故障后不需要专家指导自然就知道如何维修）。

接下来我们就详细讨论下原因定位的方法论，当我们接到一个问题的时候。最忌讳的就是不经思考直接去看各种数据！迷失在数据的海洋里  ，纠结于不重要的数据细节中。我们要做的是先对问题进行拆解 ！把分析思路梳理清楚了，才能有的放矢。

拆解问题有两种方法：一种叫假设拆解（咨询公司叫做假设树），另一种称为逻辑拆解（咨询公司叫做议题树）。

假设拆解顾名思义就是对问题的原因列出一个个的假设，这种拆解问题的方法门槛比较低。无论是业务小白 ！还是资深大咖 ，当面临一个业务问题时  。大家自然而然都能提出一系列的原因假设！进而通过数据分析验证真伪，

举个例子（案例和数据都是示例，非真实情况）。微信的数据分析师小明发现 ！从9月11日左右开始，每日成功发送红包的总金额（即红包被抢了且成功转账的金额）逐步下跌  。在此之前这个指标一直都比较平稳！

看到这个现象 ，大家可能有很多假设：。

微信内部上线了某些新功能（比如发红包的上限从200元降低到100元 ，用户更多的使用转账）。对红包功能有负面影响 ！暑假结束开学了  ，学生党花销变少了。所以家长给孩子！以及学生党之间发的红包变少了，竞对（比如支付宝）的红包功能开发了新玩法。对微信红包有负面影响  ！假设拆解方法的优点是，如果对业务了解深刻且幸运的话。可能提出的第一个假设就是问题的核心！又快又准地定位原因；风险是人们建立假设时，很容易依赖工作中的常识、自身的经验或直觉 。可能会无意识地排除一些重要的假设！

优秀的数据分析师有哪些特质(二)?_注册公司费用_随缘企登

如果这些遗漏的假设恰好是问题的根源，就会陷入假设-》证伪-》再假设-》再证伪….的死循环中。这样只是花费了大量的精力排除掉错误的假设 ！真正的原因却迟迟找不到，

逻辑拆解方法能很好地降低遗漏，互联网产品中常用的逻辑拆解方法。包括漏斗拆解和指标拆解！如下图就是按照用户发送以及对方接收红包的操作路径来拆解，

下图是指标拆解 ，即运用“四则运算”将指标拆分成具有业务代表意义的n个具体指标  。再结合重要的维度进行拆解分析 ！

我们可以看到，定位原因最好的方法论是逻辑拆解和假设拆解配合使用 。逻辑拆解的最大好处是不重不漏！能帮助我们快速地定位问题的核心要素，这个时候运用假设拆解法  。提出可能影响这个要素的假设 ！我们找到核心原因的成功率就会大大提升  ，

好啦方法论讲完了，有些读者可能会说。其实这些没那么难 ！我早就知道了，可是世界上最难做的事情就是知行合一。从知到行还远着呢！我们每个人都知道饭前洗手，你想想你每次都能做到吗？嘿嘿。

除了原因定位的方法论  ，我还有两个重要建议提给大家 。

（1）越重大的问题  ，越要使用逻辑拆解

注册公司费用

。

正如上述提到，假设拆解是门槛很低的方法。所有人都能对问题提出几个假设！我在面试应届生架空分析题目的时候，80%的候选人都是用假设拆解法。很少有人有逻辑拆解的意识 ！

同样的在我们遇到一个重大的问题时候（比如电商GMV下降） ，关心这个问题的人也会很多 。通常大家就会七嘴八舌提出自己的想法！而这些想法会局限在他们自己所负责的范畴，比如技术同学担忧是不是推荐算法不好  。推荐的商品用户不喜欢！供应链同学担心是不是货品不够全面，运营同学担心是不是优惠力度不如竞对。甚至有时候大佬们也会抛出一两个假设  ！

每个业务方都紧张兮兮 ，都想请你用相关数据证明问题的核心不在他们。如果你被他们的假设牵着鼻子走！最终可能就是帮他们排除掉了一个个与他们相关的假设  ，但真正核心的原因还是没有找到。老板肯定不会满意 ！

你总不能和老板说：“老板，我们花了3天时间。做了大量的数据分析  ！最后我们排除掉了以下10种可能性  ，”

老板一句“那原因是什么呢？”就能把你怼的体无完肤  ，

记住原因定位永远是以找到正确的原因为最终成果  ，排除一系列潜在原因不是交差的正确姿态 。所以越是重大的问题！越要采用逻辑拆解 ，这样你才能快速地定位关键因素。为找到最终原因奠定好的基础  ！

（2）除了海量的数据分析，别忘了用户调研 。

优秀的数据分析师有哪些特质(二)?_注册公司费用_随缘企登

为什么在这里着重提到用户调研，主要是由于数据分析师的两个认知误区 。

误区一：进入大数据时代后，有时候我们会过度依赖用户的行为数据。例如点击、观看、使用时长等 ！却忽略了这些行为背后的用户需求，好的产品都是以满足用户的核心需求为目的  。异常的产品使用行为数据背后  ！都应该有一个合理的用户需求解释，否则知其然而不知其所以然 。怎么能有好的业务对策呢？！

误区二：在实际工作中，很少会遇到所需数据全都摆在眼前的情况。用户调研能从另一种角度提供所需的信息！

举个例子在工作中最让我头疼的就是留存下降的分析，留存下降说白了就是用户不像以前一样喜欢你的产品了  。这就像你的男/女朋友说不爱你了一样！潜在的可能原因或者干扰因素太多了 ，

当我做切片分析的时候  ，我希望能从年龄、注册时间、职业、地域、教育水平、收入水平、工作繁忙程度等各个因素进行分析 。甚至希望对比他们的竞对使用数据 ！但是很可惜我想要的数据大部分都是没法获得的，

即便这样也不应该根据“现有数据”来开始所有的工作，只在“现有数据”的范围内进行分析 。最有可能的结果就是找不到原因！陷入分析困境  ，这个时候通过线上的调查问卷。或者与用户一对一访谈 ！能给我们提供想要的信息，甚至是行为数据里挖掘不出来的insight 。

看多了百万、千万数据的分析师可能会质疑，几百个用户的问卷能具有代表性吗？。

在大数据流行之前甚至现在  ，知名的咨询公司仍旧采用问卷或者访谈的形式。辅助解决了很多复杂问题 ！很多时候以点撬面以深度换广度，也是解决问题的一个思路 。

本文由 @阿娇 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。