我们先通过例子来简单看一下，在日常的数据分析工作中，所需要步骤和过程的分析结果的基本情况。
这个分析结果有用吗？
层次一
先来看第一个，是比较初级的数据分析师经常会输出的结果。
跟2020年相比，非媒体新用户的占比稍有提升，但留存率有下降。
这个结论其实是基于数据得到的。非媒体指的是非通过费用的方式投放得到的，也就是一些正常的合作渠道。通过比较可以发现，2021年的值有所提升。留存率方面，指的是21年的9.3%比20年的13.5%有所下降。
这个结论相当于在现有图表的基础上，用文字把结论念了一遍。这是初级分析师比较容易输出的结果。但是可以发现，他只是把数据结果用文字的形式重复了一遍而已，其实是没有结论的。
层次二
下面看第二个层次的。在上面结论基础上，有的分析师会有一些带有结论的定义输出。
基于上面留存率和新用户占比的变化，可能给出结论，“这是正常现象”。“正常现象”本身就是对于前面所有数据描述的概括，这是一个结论。
后面又分析了从用户成分上，2021年的渠道为什么会导致新用户占比的提升。可能投放就以拉新为主，因此新用户占比提升是正常现象。同样的，新用户的比例提升就会导致留存率的下降，拉低了整个网站的留存率情况。
这里把在刚才第一句的基础上增加结论句——这是正常现象。然后下面增加了分析过程。分析过程里涵盖了：新用户的占比为什么提升，老用户的整体留存率为什么下降，并有分析的过程。这比刚才整个的结论显然要好很多了。但是仍然不够。
层次三
下面再看第三个。在刚才的基础上，又有了进一步的结论。
结论是，但是新用户的比例提升26%，留存率下降31%。按照过去6年的新用户成分与留存率的关系计算，留存率下降的比例过高。
新用户的比例提升26%，这里是基于28.9%，减去23.4%的值，再比上23.4%得到的。同样的也可以计算出新用户留存率下降31%的结果。
通过这个结论，基本上已经发现了一个问题。刚才得出“这是正常现象”的结论，只是对于新用户的提升跟整个留存率下降的解释。
但是一增一减的过程中，按照过去整个长期数据规律的测算，这其实是不符合规律的。这是在之前的分析里没有提到的点。这个是一个问题，新用户的比例上升，对于整个的留存率下降来讲是不成比例。在这里发现了问题，但是仅有这个结果仍然是不够的。
层次四
再往下看。下面又增加了一个分析的部分，发现其中B渠道的新用户的数量比较大的，同时其新用户的占比可能比较高。但是留存率比较差，可能会严重的低于整个2011年新用户的留存率。
整个新用户的比例跟整个留存率下降是不成比例的。这是什么导致的？在这里面发现了问题的根源性渠道，就是B渠道导致的。B渠道新用户的量比较大，同时占比较高，留存效果较差。这里同时考虑了量的因素和各个比例的因素，两个因素同时作用下导致了问题出现。
这里已经发现B渠道是有问题的，但只有这样仍然不够。我们继续往下看。
层次五
再经过分析发现，B渠道的投放策略有问题。这是由渠道营销和运营的这些人决定的战略行为。
通过站内行为分析一下B渠道投放的用户，当中用户的转化预期和转化路径等方面是否符合期望，这是一个特别重要的分析部分。
在留存过程中是不是存在某些漏斗环节比较严重，也就是说假如留存的周期较长，当中需要分几个步骤共同去实现，是否有某个步骤问题较大，就会导致整个留存过程中出现短板。
最后我们就会得到落脚点，建议针对上面这些问题我们该怎么做。最后这一步才是真正的分析问题，解决问题，提出建议的过程。
综合一下看看刚才五个层次的过程。依次经过了先描述了数据事实，去年跟今天的对比，之后形成结论，这是个正常现象，然后做了基本的分析。
同时在结论基础上发现了问题，通过问题继续往下去探究其成因。以及最重要的就是有落地，发现问题之后，建议通过几个方面去做改善和提高。这个过程才是有用的分析结果输出。
大部分的分析师其实是比较初级的，只是把数据摆出来。稍微进一步的分析师会把数据结论进行简单总结，做简单分析，这是大部分的初中级分析师现在做的基本程度。再往下的中高级分析师，会发现一些潜在的问题，找到成因，最重要的就是最后会输出一些落地的建议，而这个落地的建议才是评估它是否有用的标准。
因此数据分析师的输出，无论是PPT、Excel、邮件等形式的数据分析报告。这是不够的，只是存在于业务员脑子里。要能真正有能够落地的建议才是有用的。
下面来讲一讲，会导致数据分析结果没有用的一些主要影响因素。
如果方向错了，执行再对也是错的。因此方向是最重要的开始。
如果天很热，会导致冰棒和汽水的销量比较高，这是一个常识。同时天很热的话也会带动比基尼销量的增加，因为夏天很多人会去游泳，去海边去度假，因此比基尼的销量也会提升。
天很热会导致冰棒和汽水销量增加，这是由客观的外部环境决定的。天很热也会导致比基尼销量增加。这个过程中单纯分开看这两个因果关系都没有问题，但如果基于这三个一起去做分析的话，就会这样的结论。
通常企业在做完营销活动后，会进行复盘。如果这次活动比较好的话，到底是为什么会导致这次运营结果比较好呢？
很多分析师如果没有经验的话可能会这么分析。比如把所有能拿到的维度都统一的细分对比分析一遍。
因此会输出图中左侧的结论。
这里以用户运营为例，CRM推送里老用户的销售额贡献占了79%。接着重点去分析用户运营里做了什么或者做对了什么。
通过预测模型得出，人群比较精准，因此选对人是一个重要的因素。
通过推送时，商品跟用户购买商品的匹配度会比较高，因此商品选的对，也是一个特别重要的因素。
从而通过这样的分析，告诉用户运营部门，当中做了什么样的事情，做对了什么，哪些地方可能没做对，因此之后需要把对的继续保持，错的要做修改和优化去提升。这是能够直接从因果关系的层面去分析到底这个活动结果为什么好。
没有画龙点睛之笔，没有业务的落脚点。
这里面没有业务落脚点就包含两个场景，第一个就是没有落地建议，你只给了他的这种结论分析过程，甚至好多这种模型算法解释，但是分析完之后就没有结果落地建议。第二类就是没法落地的建议，给出一些比较难落地的建议。
因此，我们建议分析师一定要去了解业务，业务方的整个运营流程是怎么样的，以及评估之后，业务方到底有哪些事情可以做，以及它的范围内可以做。这些都是你在落地里面需要去考虑的因素，而并不是说基于数据去单纯的做分析和建议，你需要把业务的背景知识和业务的权力范围，以及业务的需求点放到你的建议里面去。
单因素的因果逻辑，因为差所以要改善
大多数业务场景下，我们不能只居于一个因素去做考量，因为那是太幼稚的一个想法了。
讲自己不懂的故事，我们不会比运营方“更懂”业务
分析师的重点或者核心竞争力，不是在于多么懂业务，而是懂得如何通过数据去驱动业务，实现更好的数据化运营，这个是数据分析师的价值所在。
在输出结果的时，避免给班门弄斧，除非有数据的支撑。数据分析师不应该讲如何运营，而是讲如何通过数据更好的实现运营。
超出报告服务对象的执行范畴：无意义的越俎代庖
为谁写报告，就应该以报告对象的服务为核心。
举个例子，以社交媒体部门为例，要给他写一个报告，这个时候给的建议点比较合理的会包括哪些？
合理的建议点：
这些都是合理的建议。
下面再看一些哪些是超出范畴的建议，比如：
所以事实上是你给谁服务就要给他去做专门的数据的报告。所以这里面其实我建议大家就是要把权、责、利统一起来，这是有效落地的基础出发点。
数据分析咨询请扫描二维码
《Python数据分析极简入门》第2节6Pandas合并连接在pandas中，有多种方法可以合并和拼接数据。常见的方法包括append()、conc...
《Python数据分析极简入门》第2节5Pandas数学计算importpandasaspdd=np.array([[81,&n...
数据分析涉及多个方面的学习，包括理论知识和实践技能。以下是数据分析需要学习的主要方面：基础知识：数据分析的基本概念...
数据分析适合在多个单位工作，包括但不限于以下领域：金融行业：金融行业对数据分析人才的需求非常大，数据分析师可以从事经...
数据分析是一种涉及从大量数据中提取有用信息和洞察力的过程。其工作内容主要包括以下几个方面：数据收集与整理：数据分析师...
数据分析师需要掌握多种技能，以确保能够有效地处理和分析数据，并为业务决策提供支持。以下是数据分析师需要掌握的主要技能：...
数据架构师是负责设计和管理企业数据架构的关键角色，其职责涵盖了多个方面，包括数据治理、数据模型设计、数据仓库构建、数据安...
数据分析师需要具备一系列技能，以确保能够有效地处理、分析和解释数据，从而支持决策制定。以下是数据分析师所需的关键技能：...
数据分析师需要具备一系列的技能和能力，以确保能够有效地处理、分析和解释数据，从而支持业务决策。以下是数据分析师所需的主要...
需求持续增长-未来数据分析师需求将持续上升，企业对数据驱动决策的依赖加深。-预测到2025年，中国将需要高达220万的数据人...
《Python数据分析极简入门》第2节4Pandas条件查询在pandas中，可以使用条件筛选来选择满足特定条件的数据importpanda...
数据分析师的工作内容涉及多个方面，主要包括数据的收集、整理、分析和可视化，以支持商业决策和问题解决。以下是数据分析师的一...
数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能：统计学基础：数据分析师需要...
数据分析入门的难易程度因人而异，总体来看，入门并不算特别困难，但需要一定的学习和实践积累。入门难度：数据分析入门相对...
数据分析是一项通过收集、整理和解释数据来发现有用信息的过程，它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更...
数据分析行业正在迅速发展，随着技术的不断进步和数据量的爆炸式增长，企业对数据分析人才的需求也与日俱增。本文将探讨数据分析...
数据分析的常用方法包括多种技术，每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法：对比分析法：通过比...
企业数字化转型是指企业利用数字技术对其业务进行改造和升级，以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不...