01表面原因的局限

表面原因不能解決所有問題

數據分析的工作大部分的分析其實都是在找表面原因。

用戶數下跌了：A渠道新用戶下跌

轉化率提升了：落地頁轉化率上升

留存率下降了：C地區用戶留存率下降

找表面原因其實就是通過指標體系的各種維度、子指標對問題進行拆解，得出一些初步的數據結論。

對于成熟的業務線來說，這種分析足夠了。業務方拿到分析結論，自己稍加分析就知道后續該做什么。比如渠道人數下降了，對應的動作要么就是增加投放資源，要么就是優化投放的內容，提高拉新效果。

但是這是一般情況，有的時候我們就算給出了上面這些結論，領導也不滿意。因為在具體執行的時候，還是不知道該做什么。

渠道人數下降了，但是我們沒資源做新的投放，只能優化現有的文案。數據分析師來分析一下，用什么文案比較好？

落地頁轉化率不高，但是業務同學已經修改了八個版本的落地頁，效果都不好，我也知道要優化落地頁，但是到底要怎么優化？

表面原因會讓業務進入誤區

而且始終用這些結論驅動業務發展，很容易進入一個隱藏的陷阱，那就是追求短期收益而喪失了長期收益。

比如APP的日活下降，通過表面原因的分析最后發現是由于用戶的留存率的下降導致的。這個結論不能說錯，但是很容易誤導人。

因為這個結論的潛臺詞是，整個業務是一臺運轉嚴密的機器，最終的產出下降了，是中間的一環出現了問題，現在既然留存率出了問題，那么我們把留存率搞上去的話，日活就能回歸正常。

所以提升留存率就成了之后的業務目標。

而一旦提升留存率這件事成為一個KPI之后，業務同學就會做一些能快速提升留存率的動作，比如簽到活動、標題黨PUSH之類的運營動作。

這些運營動作確實會給留存率帶來短期的提升效果，但是對于整體APP的產品力提升并沒有什么幫助，甚至這些動作還會讓用戶厭煩，長期來看反而會降低留存率。

02第一性原理

我們先介紹一個概念：“第一性原理”。

這個詞大概是2017年開始在互聯網知識圈中火起來的，帶火這個詞的是馬斯克。

在一次TED采訪中，他透露了自己非常推崇的思維模式，叫做 “First principle thinking”，翻譯成中文就是「第一性原理」思維。

因為馬斯克利用第一性原理在多個領域都取得了成功，于是“第一性原理”就被很多創業公司奉為圭臬。雖然如今馬斯克的特斯拉負面消息不斷，不過那就是另一個故事了。

第一性原理是指當你遇到一個問題，問題背后一定有其原因，這個原因的背后還有原因，就這樣一步一步向前推演，直至找到問題最本質的原因。然后，從這個本質原因開始，重新向后推演，直到找到解決問題的方法。

用戶需求是商業的第一性原理

我們回到剛才的案例來看一下。如果日活用戶下降了，原因是什么？

之前我們給出的答案是因為留存率下降了，于是針對這個原因，我們給出了類似簽到活動、push等業務動作。

如果根據第一性原理的思維模式，我們還要繼續思考，留存率下降的原因又是什么呢？以及這個原因背后的原因又是什么。

商業問題，追溯到最本質的根源，一定是用戶需求。

我們的業務動作只是剛好符合用戶的需求，于是這些業務動作讓用戶需求更好地驅動商業模式運轉起來。

所以用戶的需求才是整個商業運轉的第一性原理。

03心有猛虎，細嗅薔薇

用戶需求是不斷變化的

那知道了用戶需求是商業模式的第一性原理，so what？

第一性原理如果保持不變，那么基于推導出的結論和模式就是穩定的。就比如機器解決的是確定性的問題，所以機器的結構也是確定性的，如果一個齒輪松動了，加固下齒輪問題就解決了。

但第一性原理如果變了，后面所有基于這個原理的邏輯就全都不適應了。而商業解決的就是這樣的非確定性的持續變化的問題。

用戶需求是不斷變化的，隨著時間和外部環境的變化，用戶的需求也會隨之變化，而且商業模式本身也會影響需求的變化。就好像標題黨看多了，用戶對這種激發好奇心的手段也就麻木了，用戶就會想要看更多有價值的信息。

用戶需求一旦發生變化，那么會導致原有商業模式和需求之間不再匹配，于是運轉出現問題。這個時候，你再用機器的那套思路，哪個壞了修哪個，強行提高某個指標來解決問題的做法，是不解決根本問題的。只有調整業務的運轉模式，讓業務模式重新符合用戶需求，才是真正有效的策略。

用戶需求也有穩定的一面

既然如此，那么找表面原因的分析方法不是很不靠譜？

也并不完全是。雖然用戶需求是持續變化的，但是也有相對穩定的時期，所以商業模式在一段時間內還是可以很好地滿足用戶需求。

就好像小孩子的身高不停地在長，但是一件衣服還是可以穿很久。對單個用戶來說，需求變化相對較快，比如一個寶媽對尿布的需求集中在孩子兩歲以內，但是對于整個的用戶群體來說，總有一部分人。他的孩子在兩歲以內，所以這一個市場總體上可以保持穩定。

所以需求依然有相對穩定的時期，這個階段只做好原有商業模式的維護，是依然有效的。

用戶需求的細分

說起需求變化，我們不著急到底如何應對。我們先來聊一聊，到底什么是用戶需求。

中文對于名詞解釋非常不擅長，我們還是用英文解釋一下。用戶需求有兩個層次，一個是want，一個是need。

用戶說我需要某功能，這是want；用戶說我使用這個功能做什么，這是need。很簡單的一個例子：搜索網站是want，快速地找到信息是need。

want是need的解決方案。用戶想要快速找到信息這個需求是need，滿足這個need有很多種方案，不同的方案就是不同的want，其中搜索網站就是現有技術條件下最優秀的解決方案。

搞清了need和want，一個商業問題的基本上可以歸結為兩類：要么是沒有滿足用戶真實需求（need），要么是解決方案不夠好（want）。

04如何深挖原因，推動業務

落實到具體的業務分析上，用戶需求的問題影響了業務管理的三個層面：

我們一個個來看：

戰略層問題

要解決用戶需求是什么，是商業的戰略級問題。

只有明確要解決的用戶需求是什么，并且這個需求有商業價值，那么后續的所有業務動作、組織調整等才有意義。如果沒有找準用戶的需求，那么后續的所有業務動作都是沒有意義的。

一般正常的創業流程，是先預判一個用戶需求，然后通過MVP（最小可行化產品）的形式驗證PMF（產品與市場匹配），在PMF驗證完畢后，繼續擴大資源投入。

現在很多的創業想法，都是從一個公眾號或小程序開始，這種產品形式相比APP成本要低得多。一旦公眾號或小程序驗證成功，再進入APP開發和大規模的宣傳推廣，這種模式的創業風險就比較小。

所以如果你要解決的是戰略層的商業問題，那么數據分析能發揮的作用比較有限。因為用戶需求是很難通過理性分析找到，我們能做的，就是建立高效的數據反饋機制，讓公司的試錯迭代效率更高。相同時間內測試的產品版本越多，找到靠譜的用戶需求的幾率也就越大。

當然，有些產品的誕生完全是因為老板的拍腦袋決策，結果產品出來以后，用戶量和留存率慘不忍睹，但是前期投入又非常大，于是老板就讓員工想辦法提高各項指標。

但是對于這樣的產品，你去分析如何優化現有產品是沒有任何意義的，因為你根本不知道這個產品解決的是什么需求，或者你要解決的根本就是偽需求，所以方向選錯了，一切努力都是白費。如果在這類公司，并且你無法改變公司的決策流程的話，建議還是早點換公司。

回到案例中的問題：產品的留存率不高。如果留存率非常低，那么用戶可能根本就沒有這樣的需求。這種情況下，我們不需要分析如何提升留存率，而是應該是讓產品經理重新思考用戶需求是什么，重新設計產品。

戰術層問題

找到了一個有商業價值的用戶需求(need)，還需要對應的產品提供解決方案。戰術層問題就是解決方案還不夠好，距離用戶心目中期待的樣子（want）還有些差距。

比如案例中留存率的問題，如果留存率不高，那么一定是我們的產品和用戶心目中想要的東西還存在一定差距，或者和競品存在差距。為了彌補現狀和用戶的want之間的差距，我們可以從“提升用戶動機，降低用戶門檻和提醒”三種方式提升用戶留存率。

但是究竟采用哪一種方式呢？

如果你分析只深入到“留存率不高”這個結論的話，業務人員不知道更多信息，也只能選擇做一些簽到或者標題黨的PUSH，因為這類業務動作是肯定有效的，只是未必是最佳的策略。所以為了讓業務同學清楚提升留存率的關鍵點，我們就要針對這三種方式進行更細致的深挖，找出根本原因。

比如要找出如何提升用戶動機，我們可以通過競品分析、用戶行為分析等找出一些線索。比如通過第三方數據平臺，找出留存表現比較好的競品，然后拆解競品的功能模塊，看一下我們和競品的差距。或者通過行為分析，尤其是搜索關鍵詞分析找出用戶的未被解決的需求。現在每個APP內都會有搜索模塊，用戶的搜索關鍵字往往能反映出用戶的真實需求。這種方法有時要比你通過客戶調研獲得的結果更加真實有效。

如果要降低用戶的門檻，一般是降低使用門檻。因為有些用戶由于不會使用產品，導致流失。解決了這部分用戶的問題，自然就能提升留存率。那么針對這種情況，我們就需要做漏斗分析或者行為路徑分析。漏斗分析最常用，可以很清晰地找出出現問題的環節。配合用戶調研或者自身的使用體驗，也能找出一些用戶使用過程中可能存在門檻的地方。

提醒相對來說是最容易的，如果上述的動機和門檻都沒有找到，那么就只有提醒一種辦法了。針對提醒的分析已經非常具體，屬于戰斗層的問題。

通過上述分析，我們找出了一些提升用戶動機和減低使用門檻的問題改進點，這種結論就要比單純的“留存率不高”要更具體，業務同學也能清楚后續要做的工作。

戰斗層問題

確定了業務動作的大致方向，接下去就剩下最后的執行問題了，這個我稱作戰斗層。

這一層我們要解決的問題是，什么類型的文案更合適，哪類渠道更好，落地頁如何設計，push如果發送的話什么時候發？發什么？等等具體的問題。

這類問題的分析常見的是根據歷史數據得出結論。

比如要做PUSH提醒，那么可以通過歷史數據找出哪類標題的打開率更高。要做渠道投放，可以分析哪個渠道的ROI最高。等等。

不過歷史數據的分析有個問題，就是這個結論未必反應用戶需求。

比如push打開率高的一定是標題黨，但是這種標題黨未必是用戶想要的。所以除了數據分析，還需要結合業務判斷。國內以理性嚴謹著稱的字節跳動，所有功能都要經過AB測試，但是張一鳴依然表示“AB測試只是工具，同理心才是基礎。”

所以數據分析師還是需要學習一些基本的心理學。

比如有一個行為心理學的現象叫做“誘餌選項”，意思是說當人們對兩個不相上下的選項進行選擇時，因為第三個新選項（誘餌）的加入，會使某個舊選項顯得更有吸引力。

比如下圖，如果只有兩種爆米花，一種3美元，一種7美元，由于價格和數量成正比，會有很多人選擇價格更低的3美元。

而一旦加入了一個明顯不劃算的6.5美元選項后，就會有更多的人選擇7美元的爆米花。

6.5美元的爆米花幾乎沒有人選擇，但是它的作用就是為了提高7美元爆米花的銷量。

所以如果產品中某一個功能的點擊率非常低，能否說明這個功能就是不必要的？顯然不是。數據還是有很多盲區，需要我們通過用戶心理學更好地反應真實情況。

戰斗層的分析需要和業務非常緊密地配合，而且解決的問題非常具體，所以做這類分析的分析師一般不屬于獨立的數據分析部門，而是歸屬于業務團隊。甚至很多分析工作是由業務同學自己完成的。

這部分的工作，業務理解更加重要。其實哪怕沒有數據的支持，一個深入理解用戶心理和需求的業務同學也能設計出非常優秀的方案。

05總結

找原因是一件很難的事，如果所有原因都能按照模板和套路分析出來，那么大公司就永遠不會衰落了。好的數據分析師可以提升找到正確原因的幾率，依靠的就是從用戶需求出發的思考方式。

這還不夠，數據分析需要一點“精神分裂”，找完原因，還要向業務同學提建議。這個時候，又得掌握站在業務同學的角度思考如何提出建議。