你不是不懂数分，你只是不知道该分析什么

很多时候，所谓做数据分析，根本不是需要你把SQL写得滚瓜烂熟，把模型用得炉火纯青，而是拿到业务问题后，知道自己到底从哪些角度切入分析。 所以我经常觉得，很多人不是没有分析技能，更多时候，是真的不知道该分析什么 举个例子，你是负责某个电商业务的分析师，用户的复购表现一直比对家差，那么业务问题自然就来了，“怎么把用户的复购率再提一提”。这不是个简单问题。拿到手，第一反应都是，“那就直接分析下用户复购率呗？”可是用户复购率要怎么分析？画一条复购率变化曲线吗？这能得出什么有价值的结论，只不过再次印证了你们业务的表现就是很差。。。很丢人的，业务方不用你再反复告诉他们这事儿了 “用户复购率如何提升”，正着不好想，试着反着琢磨一下，“用户为什么不愿意在我们这里复购”，货品不够好吗，价格不够实惠吗，物流不够快吗，app不够好用吗。猛地一下，很多要素都出来了，乍一看，要分析的东西突然就多了起来。很多同学经常问我，就这些因素，那么多，怎么想得完整。没有什么特殊的方法，回归到用户购物的全链路，用户看到了什么、做了什么、我们给用户提供了什么、怎么提供的、提供了多少、需要人家付出什么代价。有时候，回归用户场景特别像破案，有事儿没事儿，都得去现场走一圈，每走一圈，对用户和环境的交互多了一层认识，每多一层认识，就多了一些要验证的假设。 要素梳理完了，还没结束。如果是货品不够好，那怎么个不好，要怎么改。很自然的，你会想到，我得有一套货品的评估指标和评估标准，用这套指标和标准来看看货品究竟表现如何。但是有了这套评估体系，也不够，因为有个问题绕不过去，用户真的是因为货品问题所以不复购吗？于是，对比分析的作用就出来了，高频复购vs低频复购vs无复购用户，拿着刚刚设计的货品评估体系，放在三类用户身上，一对比，大概率就能发现，货品好不好和用户复购不复购是不是有关系。 回到最开始的问题，用户复购分析，到底要分析什么，无非是三层，影响用户复购的要素有哪些？这些要素该如何衡量？这些要素是否或者究竟怎么影响用户复购的。一个很宽泛且有点儿抽象的问题，被这样拆解后，成了一个个独立、确定和足够清晰的要用数据论证的具体问题。 所以我说，其实人人都会点儿数分，但不是每个人都知道，要分析什么