谁都知道数据分析师要懂业务，可业务究竟是个啥？从来都是只闻其名，不得其精髓，以至于很多人就迷失在了第一步。业务虽然很复杂，但从数据分析的角度上来讲，只需要关注以下几个方面。
所谓的商业模式，无非就提供什么样的产品服务，然后以何种方式赚钱。
互联网行业区别于其他传统企业，传统行业靠的是销售产品获利，互联网企业的特点往往是：羊毛出在狗身上，猪来买单。通过什么样的服务进行引流？又通过什么样的服务黏住用户？然后提供什么样的服务进行转化付费以及复购？
我们提供什么类型的产品？面向的是什么样的用户？解决用户什么样的痛点需求？产品的主要流程是什么样的？产品处于何种生命周期？是在验证功能？还是在快速拓展市场？抑或是已经进入成熟期，要拓展新的领域或者做好用户迁移了？
对于产品的运营策略是什么？有哪些运营的策略和方法？线上线下如何推广转化？如何做好用户的精细化运营，把钱用到刀刃上？
通过哪些渠道触达到产品的目标人群，各渠道的用户质量如何？投入产出ROI如何？
销售方式往往取决于商业模式，如果是2B/2G，一般来说需要做好关键决策人的运营，同时做好商务关系或者代理商建设，如果是2C，线上线下如何配合？
关注自身产品的同时，更要了解细分领域竞品的情况。同一赛道的竞品有哪些？共性的产品功能和服务是什么？我们的优势和劣势各是什么？未来有没有机会可以突围？
已经把这么复杂的业务理了一遍，接到一个数据分析的需求，又该如何下手呢？比如，通过数据发现今日头条APP的“低龄用户”的留存率很低，让你分析一下原因，怎么做？
第一步，是不是应该把今日头条APP的用户使用流程梳理一遍，看看用户究竟留存率低是在哪个环节流失了，梳理后主要应该有以下几个关键流程：
然后，我们就要对＂低龄人群＂的留存率低的原因进行假设，进行了如下3种假设，这3种假设就来源于对业务的理解。如果理解得更加深入，可能会找到更直接的第4个假设。
接下来就是对3个假设收集数据，逐个验证，过程并不复杂，就是简单的演绎推理过程。
然而实际业务中，最复杂耗时的是基于业务的理解提出合理的假设，业务理解得越深入，假设就越接近问题本质，验证就越简单直接。
90%的人做的都是“假”的数据分析。数据分析是源自于业务需求，最终回归到业务中。所以整个闭环至少包括：明确业务问题/需求、明确分析目的、梳理分析思路和框架、梳理业务流程、数据采集与处理、数据分析过程、结论及意见反馈落地。
每一步都至关重要，而在每一步都会有很多容易陷入的误区。
有些人在进行数据分析时持有一种固执的观念，追求所谓的尖端的、高级的、显示自己技术水准的分析技术，认为分析技术越高级越好，越尖端越厉害。明明有现成的、简单的、又非常适用的方案不采用，而把时间用在对数据算法追求上。
追求技术的进步和发展本身没有错，但不能一味强调高级方法。节约时间、节省资源，拿出高性价比的解决方案才是企业需要的工作态度，所以不论是高级的方法还是低级方法，只要能解决问题，就是好方法。
前面已经说过，数据分析需要全面了解业务。
这个全面体现在数据分析不仅要关注技术层面，还要对市场、营销和管理领域的知识十分了解，只有这样储备下做出的数据分析才不会和业务环节出现脱节。有的分析报告内容看上去非常漂亮、专业、复杂，但是让老板看起来非常吃力，缺少的是业务逻辑，很难指导业务实践。
面对茫茫数据，我们常常会觉得好像身处大海之中，盲无方向，不知所措，用什么分析方法，做什么图表，需要哪些数据，写什么形式的报告往往使我们百般纠结。
对于一个项目而言，首先要根据业务方的需求，明确为什么要做数据分析，要解决什么问题，也就是分析的目的。然后针对分析目的，搭建分析框架，选择分析方法和具体分析指标，以及明确抽取哪些数据，用到哪些图表等分析思路，只有对分析目的有清晰的认识，才会避开为分析而分析的误区，分析的结果和过程就越有价值。
明确了数据分析的目的，就要紧紧围绕这个目的展开。
这个展开就是数据分析的思路和框架。如何把分析目的逐层拆解为子问题，如何把拆解后的子问题转化为数据指标，数据指标又会受到哪些维度的影响，如何表征影响的程度和趋势，如何找到问题的关键因素。
这个过程就是业务到数据的过程，尽量大胆地列举出所有可能的假设，然后把假设转化为数据指标和维度进行小心求证。
切忌拿到需求就立马着手分析，所谓数据未动，思路先行。在没有理清思路之前千万不要分析数据，否则百分百是要重新分来过的。把思路梳理清楚了，数据分析已经完成了一大半，而且整个问题的逻辑也会清晰很多。
这个就是具体的实现层面了，思维纵然清晰了，但是在具体分析的过程中，分析方法不当也难以得出准确的结论。
1）只关注单一环节，没有全流程意识
比如发现这期活动用户报名明显降低了，不仅要关注用户在报名各环节的流失情况，还要关注更前置的环节，包括各渠道推广投入，各文案资源的点击转化等都需要考虑。
2）只关注单一指标，不去做关联分析
只看单一指标，只做简单归因，找到了一个指标就认为是影响问题的所有因素，由此推论问题原因。
这里往往忽略了很多问题并非只有单个因素，且多个因素和问题之间并非是因果关系，只是一种相关关系，我们要做的就是找到更多更相关的因素进行近似的“归因”。
3）只关注分析本身，没有结合业务动作
举个常见的例子，需要用RFM模型对用户进行高/中/低价值分层，那消费金额M的阈值如何取？自己拍脑袋？为何不结合业务动作进行设定呢？分层的目的不就是为了针对性的制定动作么？如果业务准备对高/中/低价值用户分别发放5000/3000/1000的优惠券，那阈值是不是就出来了？
4）只去做表面分析，不解决具体问题
报表做了一堆，没有抓住应该重点关注的业务指标；发现异常指标，没有结合数据分析去采取有效措施；复盘罗列数据，没有总结出有助于业务发展的结论。这些都是＂形式主义＂式的数据分析，看似没有问题，实际没有任何指导意义。
数据分析高手和新手最大的区别在于：高手能通过数据分析，找到工作的关键节点，思考怎样达成每个节点，并用数据证明能不能走得通。新手容易陷入＂毛线团式＂的工作状态，绕了一圈又一圈才完成任务。
想成为这样的高手，拿到比数据小白高几倍的工资，至少需要经历以下3个能力阶段。
很多运营在遇到业务困难时，要么早早放弃，要么主观臆测，找不到问题的要害。这时候如果你能学会用数据严谨地分析和解决问题，相信老板一定会对你刮目相看。
你需要将数据分析思维贯穿整个项目，让你更好地掌控项目，最终帮助你达成目标。其中有一项非常关键的能力，即数据拆解能力。
然而，很多同学在做指标拆解时，都只会简单粗暴地“做加法”。销售量＝渠道A＋渠道B＋渠道C。渠道运营小伙伴很容易找一堆互推渠道，但最后这些渠道能成交多少，是不可控制的。
真正的数据分析高手应该懂得在高度的不确定性当中，去寻找确定性。我建议采用的是“乘法逻辑”：销售量＝曝光量 x 转化率。
到了这个阶段，数据分析就不仅仅是用来发现问题，或者仅仅只能用于某个活动或项目，而是可以持续指导业务增长。希望我们都能够不断打怪升级，道路虽长，但我们一直都在进步。
