数据分析的工具只是实现目标的手段，我们可以利用工具去解决实际问题，特别是解决那些对业务有关键影响的问题，用数据去让业务发展得更好。
不要只是把数据做成图表，就直接提交上去，要站在业务的角度去思考，如何才让业务发展得更好，用客观的、合乎逻辑的方式说明：
（1）客观情况是什么？What
（2）为什么会是这样？Why
（3）将来应该怎么做？How
日本的数据分析实战专家「柏木吉基」写过一本书：《如何用数据解决实际问题》，我觉得书中有些相关的知识值得学习。
首先，有了流程，才能避免见到数据就立即动手，却总是在原地打转的情况。
解决问题的流程，从「明确目标」开始，然后找到「原因」，知道下一步需要采取哪些行动。
比如说，为了提高发货效率，可以整理从「接到订单」、到「确认库存」、再到「联系顾客」和「提示发货」、最后到「发货」的流程图，分析每一个阶段的效率情况。
再比如说，为了防止利润继续减少，可以用「杜邦分析法」，针对关键指标进行假设分析。为了防止销售业绩继续下滑，可以用「4 P 营销理论」的框架，从产品、渠道、促销、价格的角度提出假设，找到问题的关键点。
对领导布置的任务，不要就事论事地只看任务本身，要留意「任务背后的诉求」，试着从高出自己一两个级别的水平进行思考，避免自己的视野过于狭窄，培养自己扩展思路的能力。
对于只看数据分析报告的老板来说，他们看重的不是数据分析的方法和工具，而是结论。老板不是要看数据分析师的「炫技」，而是要看数据分析师提出的建议能否解决实际的问题。
在明确目标并大致把握现状之后，开始进入提出假设、确定问题关键的阶段。
那么，具体应该如何找到「问题的关键」呢？
比如说，销售额可以分解为销售数量与平均单价的乘积，销售数量可以分解为新客户的购买数量和老客户的购买数量，对于老客户，再次选择「回头客」比例作为「客户忠诚度」，从产品、用户年龄、职业、性别、时间等维度进行对比分析，最终找到影响问题的关键。
这里再举一个例子，林骥以前用 Excel 做过一个动态杜邦分析模型，其中体现盈利能力的指标：销售净利率 = 净利润 销售收入，净利润 = 销售收入 - 全部成本 + 其他利润 - 所得税，这样把关键指标一层一层地进行分解，结合对比思维，如果某个数据的变化比较异常，那么就可以进一步深入地进行分析，从而找到关键的影响因素。
（说明：图中数据都是虚拟的）
在实际工作中，很多情况是，虽然通过细致入微地分析，我们知道了现状，但是，到了锁定原因的阶段，却又用主观的见解，来代替客观的事实。
能否用数据说话，会导致后面的工作方法截然不同。
在解决实际问题的过程中，知道「是什么」固然重要，但更重要的是，还要知道「为什么」和「怎么办」。很多数据分析工作，一直停留在「是什么」这个阶段，是因为思维被限制在单个维度的范围之内。
为了打开数据分析的思路，我们可以运用「相关思维」，找到对最终目标具有关键影响的原因。
比如说，针对「销售额」这个目标，找出「顾客满意度」、「降价」、「产品质量」等可能影响的因素，分析这些因素与目标的相关程度，从而得知对销售额产生剧烈影响的原因。需要主要的是，相关关系并不等于因果关系。
了解相关程度的大小，对锁定原因非常有效，但是只靠相关分析，却无法知道这个原因对目标产生的影响有多大。
领导可能会问：那么具体要采取哪些措施，要做到何种程度呢？
相关分析归根到底还只是知道「为什么」，而并不知道「怎么做」。
通过回归分析，可以将 2 个数据之间的相关关系，表现为具体的公式。
比如说，为了提高某设施的使用率，假设使用人数与使用满意度之间存在相关关系，下一年度使用人数的目标为 2000 人，根据历史数据进行回归分析，可以得出下面的回归方程式：
2000 = 23.68 * 使用满意度 + 174.7从而计算出，使用满意度 = (2000-174.7)/23.68 = 77 分，我们在散点图中也能看出这个结果。
如果只是提出「提高使用满意度」的口号，我们还是无法采取具体的行动。于是，接下来要关注与使用满意度高度相关的「使用方便程度」，它是提高使用满意度的更进一步原因。
类似地，对「使用满意度」与「使用方便程度」进行回归分析，再用回归方程式反向计算出，想要使用满意度达到 77 分，就要让使用方便程度的分数达到约 66 分，从而比较明确地回答了上面「要做到何种程度」的问题。
解决问题的故事，可以总结为：明确目的或问题 ➡️ 大致把握现状 ➡️ 锁定问题的关键 ➡️ 锁定原因 ➡️ 研究及实施对策，这就像医生为患者看病并开出处方的过程。
有些人做的数据分析报告，会密密麻麻地写满详细的文字或图表，让人抓不到重点，看不到关键的结论和建议，不知道到底想要说明什么。这种「面面俱到」的做法，还是放弃为好。
我们在用数据讲故事的时候，应该把主要的时间和精力，用来思考核心信息是什么？看报告的人想要知道什么？
面对数据，很多人不知道怎么分析，花费大量时间和精力，制作出漂亮的图表，却并不能解决任何实际问题，也经不起推敲和质疑。
《如何用数据解决实际问题》这本数据分析的基础入门书，主要是使用 Excel 作为数据分析的工具，去解决业务实际中可能遇到的问题，全书没有高深的理论和原理，也没有复杂的工具和算法，都是从实际工作中得来的经验、技巧和方法。
根据不同的阶段和水平，数据分析师所需的能力可以分为 4 种：
（1）解读数据：掌握观察数据的「视点」，这是驾驭数据的基础。
（2）基本的数据分析方法：掌握通用的整理和分析数据的基本方法。
（3）综合技能：将各种方法或思维方式有机结合起来，形成具有整体一贯性的解决问题的故事。
（4）高级分析技能和 IT 系统：掌握运用专业的高难度方法和高难度技术进行分析的能力。
对于大多数人来讲，具备（1）～（3）的技能就足够了，而这本书主要就是在介绍基本的数据分析方法。
最后，如果你想进一步提高技能，建议你在大量实践中积累经验，面对每个工作任务的时候，都认真地加以思考和总结。
微信：DaasCai
邮箱：ccjiu@163.com
QQ：2286075659
【数据治理实践】第十四期：数据中台与数据治理同生共长
【数据治理实践】第十三期：数据“智”理的工具——数据管理平台
【数据治理实践】第十二期：数据架构的设计与规划
【数据治理实践】第十一期：个人隐私数据保护
【数据治理实践】第十期：数据安全管理
【数据治理实践】第九期：数据时代的导航——数据目录
【数据治理实践】第八期：数据的免疫体系-数据质量管理
【数据治理实践】第七期：多层次多途径的数据标准落地方式
【数据治理实践】 第六期：指标数据标准——数据分析应用的基石
【数据治理实践】第五期：基础数据标准——从制定到落实
【数据治理实践】 第四期：奖惩有序的考核激励体系
【数据治理实践】 第三期：数据治理建章立制
【数据治理实践】第二期：顶层设计之数据战略、组织架构
【数据治理实践】第一期：银行业数据治理实践难点及应对系列文章开篇
我们的使命：普及数据管理知识、发展数据管理工程师行业、改变中国企业数据管理现状、提高企业数据资产管理能力、推动企业走进大数据时代。
我们的愿景：凝聚行业力量、打造数据工程师全链条平台，培养不同层级数据工程师人才、构建数据工程师生态圈。
我们的价值观：分享数据管理知识，持续提升数据管理和运营能力。
了解更多精彩内容
长按，识别二维码，关注我们吧！
数据工程师
微信号：sjgcs
构建数据工程师生态圈
京公网安备 11010802041100号