一、引言
我通常把数据理解为业务的另一个他，单纯的数字是没有灵魂的，而背后的业务却是鲜活的。商业数据分析的核心是洞察数据背后业务的规律，本质是数据赋能。
著名的咨询公司Gartner在2013年总结、提炼出了一套数据分析的框架，他们把数据分析分成了四个层次，除了刚才说到的三个之外，还有一个处方性分析。
本篇文章先跟大家介绍一下数据分析的四个层次：描述性分析、诊断性分析、预测性分析、处方性分析。
二、描述性分析：发生了什么？
通过一些核心指标的数据和前后对比，告诉业务方（或者老板）目前业务的现状是怎样的。比如常见的流量、转化率、收入、成本等等这些指标。往往这些指标是比较宏观和概括性的，对比完就能对整体的情况有个认知。在公司里，大家经常会用Tableau做日报/周报，其实主要承担的就是描述性的汇报。
关于描述性分析，需要思考几个问题，才能让整个日/周报概括而又具体：
1. 关注哪些业务
首先要思考在日/周报中展示哪些业务，可以提供几个维度去参考：
老板关心哪些业务？想了解什么信息？
部门负责哪些业务，重点是在推哪些？
可以沿着这个方向去确定要展示的业务。
2. 用哪些指标，如何衡量变好/变坏
善用对比（环比/同比）、趋势等比较方式，不能只展示指标的数据，还要能直观的反映出目前状态是好还是坏。
3. 沉淀分析框架
当然，描述性汇报也需要沉淀诊断性分析的框架。比如说，在周报中展示转化率指标，不论涨跌，大家肯定会在意是怎么回事。而要分析这事儿，就可以按渠道进行拆解，分成APP端、PC端、小程序端的转化率等等，分别关注一下。
所以对于该指标的框架性拆解分析，就可以沉淀在描述性汇报中，这样指标的涨跌就立马能定位到哪个环节的问题。定位出问题环节后，再细一步的原因就需要去找对应的业务方咨询了。
三、诊断性分析：为什么会发生？
业务变好/变坏了，除了知道这个结果外，我们还需要通过数据进一步了解为什么会这样。
在诊断性分析中，就需要去分析业务结果和很多因素的相关性。当然，怎么能较快速地定位到分析哪些因素和结果的关系，要基于对业务的理解。可以大家一起头脑风暴分析业务数据，也可以去调研，或者深度访谈一些业务关键角色，让他们给一些输入，我们才可能知道从哪些维度去分析数据更合理。
1. 定性分析
若分析的仅是一个特征与结果的相关性，则可以通过画二者的二维散点图进行分析，通过图形描述，可以初步且直观判断二者的存在何种相关关系：正相关、负相关、无关；如果相关的话，是线性相关还是非线性相关(抛物线、指数等)。
2. 定量分析
我们通过散点图可以定性的判断两者是否具有相关性。定量上，我们可以通过回归对他们对关系做出精确的描述。
若结果为连续值，则应用的模型为回归模型，包括：
1）一元线性回归
若仅有一个特征与结果相关，并且其是呈线性关系的，则可以进行一元线性回归，即建立回归模型y=a+bx计算出截距a和斜率b，x为特征（自变量），y为结果（因变量）。
2）多元线性回归
在实际业务中，仅单个特征与结果相关的情况是不多见的，大多数都是多特征共同作用导致的结果。若多个特征无多重共线性，且与结果呈线性关系，则可以进行多元线性回归分析，建立回归模型y=a+b1x1+b2x2+…+bnxn。
3）非线性回归
如果回归模型的因变量是自变量的一次以上函数形式，回归规律在图形上表现为形态各异的各种曲线，称为非线性回归。常见的非线性回归模型包括：双曲线模型、幂函数模型、指数函数模型、对数函数模型、多项式模型等。
四、预测性分析：后续可能会发生什么？
预测性分析就是提前评估后续可能会发生什么？在工作中的场景，经常就是利用现有数据进行测算，评估业务接下来的发展。
比如提前需要测算业务年度成本、年度目标、未来收益的大小等等。
五、处方性分析：该怎么做？
这步的分析通常是接着诊断性分析的，在我们找到了业务变化背后的原因后，我们就需要去想一些策略去改善它。
首先是要定位出业务原因。在诊断性分析这一步，我们在数据上找到了影响结果的因素，这时候就需要去在业务层面上思考原因。
比如说，为了促进用户转化，我们发放了优惠券，但是后续发现券的使用很少，单量也没有上升，这是数据维度的原因。
那业务层面的呢？为什么用户都不用优惠券呢：
这时候有些猜测的原因可以通过数据来论证，而有些原因就需要去调研用户；如果是优惠券的位置不明显，我们就需要在产品上调整；如果是优惠券的额度太小，我们就需要去适当调整优惠力度。只有准确找到了业务原因，我们才能用策略根本性地解决它。
我发现很多时候，业务原因的定位是缺失的，往往我们在发现数据原因后，我们就开始思考运营策略了，指向性也非常强，激励（抓手）+数据维度的改变，这种做法是比较粗糙的。可能短期内有效果，但是一旦你激励停止，业务还是会回到原来的状态。
核心还是要找到业务改变的关键动作以及可以运营的业务场景，不能盲目的抓结果！