大厂都要求的“数据分析闭环”，该如何实现？

关注并将「人人都是产品经理」设为 ★ 星标

每天早上更新，与你一起成长

经常有同学问：“总听说要实现数据分析闭环，看到数据分析结果”，可到底该咋实现？为什么自己平时工作中，经常是发了数据给业务就石沉大海，这样咋胜任大厂的要求？今天系统讲解一下。

什么是数据闭环

完整的数据闭环，应该是：用数据监控业务 → 发现业务中的问题 → 分析问题原因 → 选择解决方案 → 继续监控业务走势，这样一条完整的链路。如果能实现闭环，肯定是做到了真正的数据驱动，既能体现数据分析的价值，又能促成业务科学办事，避免拍脑袋决策，是最好的状态了。

可现实工作中，很多企业不存在这样的链路。常见的问题有以下四种（如下图）：

那该怎么优化，实现数据闭环呢？如果企业数字化程度极低，缺少数据采集，连数据都没有，那真的就没办法了。因此，除了问题1受数据采集制约外，其他问题2、3、4都有对应的解决方案，我们一个个详细介绍。

要点一：提出业务假设

首先要清楚一点：指标跌了，不见得是问题。指标没有按照预期地下跌，才是真正的问题。因此不要念经一样的叨叨：同比环比涨了跌了。

而是先做好基础数据分析：

这样才能剔除正常波动，真正发现问题。其实很多时候，送出去的报告被业务部门批：“我早知道了”，就是因为缺少做上述工作，天天念经“同比环比”导致的，这种报告你看你也烦。

指标下跌只是问题的表象，人们真正想听的是：

这些统称为“业务假设”。

只有当数据结合了业务假设，才能真正驱动业务去行动，去解决问题。要不然光说：客户少了，客单价降了，转化率跌了，到底业务假设是啥？太多原因可能影响到这个结果，业务是没法做判断和行动的。

因此，在发现问题这一步，一定要把业务假设提出来，常见的提法有2种

两种方法如下图所示，不管哪种，都能推动下一步工作。

要点二：建立分析逻辑

有可能同一个问题，有一堆业务假设待验证，这时候建立分析逻辑，确定先回答哪个，后回答哪个很重要。不然各种因素交织在一起，即没法确定主要原因，也没法推动落地。

现实工作中，经常因为数据采集有限，无法穷尽各种可能。因此排除法是个好办法，通过排除干扰项，能更快聚焦核心问题。这里推荐经典的排除法三原则：

原则一：外部原因优先排除

因为太多人喜欢拿“大环境不好”当甩锅理由了，不先堵死这个口子，就总有借口摆烂。其实如果真遇到大环境问题，一定是所有业务线均有影响。只要能找到足够多的标杆（如下图），既能堵住借口，又能为业务找到出路。

原则二：执行问题优先排除

执行不到位，即使策略很好也不能见效，因此但凡怀疑执行有问题，就得先检查过程。

该发的宣传发了没？该做培训做了没？该备的货到位没有？该上线功能稳定在跑不？该拜访的客户去了没？

执行到位了，不见效，这时候可以检讨：策略上有没有优化空间，还有哪些地方可以改改。

原则三：有后备方案的优先考虑

注意！企业不是科研院校，搞清原因远没有能挽回KPI指标重要。因此如果业务上还有后备方案，能用的就用。

比如看到业绩不行，还有后备费用，那就优先测算投资是否能拉起来。比如看到传播不行，还有后备素材，那就优先分析哪些素材投出去可能见效。

总之以解决问题为导向，而不是老学究般皓首穷经的问“分析清楚没有”。

这样经过筛选排序，针对具体业务问题，可以形成一套清晰的解决思路，甚至有可能针对不同城市，不同团队，不同用户，形成细化分析与解决方案，从而推动问题解决（如下图）：

要点三：评估可行方案

很多同学一听到“可行的建议”就会发憷，不知道咋提，不知道要细到啥程度。其实，在短期内，业务能做的优化动作是非常少的，哪有那么多天花乱坠的想法。而且没有经过数据的想法，有很大概率是馊主意，改造越糟糕。

所以，想提出高质量、可落地的建议，最好的办法就是围绕业务问题，把过往评估的结果整理起来。比如要建议上一个促销活动，那么过去各类型促销效果，投产比数据就可以拿出来用，先看相同投入下哪个好，挑个大类。比如要建议优化宣传素材，那么过去宣传素材带货效果怎么样，先列清单，提供给业务选。

这样做，业务用起来也很爽。业务一有想法，立马能看到历史上类似动作的结果，自然自己心里也有判断。

唯一不能应对的场面，就是业务有个全新的想法。这时候没有历史数据做参考，可以做测试。数据分析师帮业务列清楚：本次测试目标、测试关键影响因素，本次测试要剔除的干扰因素（非常重要！不然结果不好解释），预估测试多久见效。这样也能提供有效落地的建议。

现实中的补救措施

当然，现实工作中，总会遇到公司领导不重视，业务不积极，数据太少等等问题。该怎么补救呢？你不能太指望遇到100%完美型的公司才干活，因此建议大家抱着：行有不得，反求诸己的精神，先把我们自己能干的工作干好。

包括但不限于：