做數據分析這么久，大家有沒有思考過一個問題：數據分析的最高境界是啥？這里我可以給一個非常明確的回答：

具體問題，具體分析

就這八個字。

看到這里，很多新人會表示：“這個我早知道了呀，那么我已經達到最高境界了？”答：讀出這個八個漢字，容易。能結合實際工作做到這八個字，非常難。

很多同學在提問的時候，喜歡用這種問法：

類型1：老師，有沒有互聯網行業的分析思路

類型2：老師，有沒有用戶畫像分析思路

類型3：老師，有沒有歸因分析的思路

那么，這三種算不算具體問題呢。

不算！

隨便問幾個問題：

誰要看這個分析？

他看了能干啥事？

到底是什么業務的分析？

這個業務到底有沒有數據？

現有的數據是否足夠用XX方法？

什么都不知道。當然不能算是具體問題了。所謂：量體裁衣、看菜下飯。如果從源頭上，分析的問題都不夠具體，那也就無法確認：到底分析結果能不能讓人滿意。最后輸出結果的時候就是拆盲盒，要么稀里糊涂過關，要么莫名其妙被批。

一個具體的問題，至少包括下述三個層面：

人：誰需要這個分析？

事：業務場景是什么？

數：數據有多少、質量如何？

相當多場景下， 數據分析是做給別人看的。領導/同事/客戶/公眾都有可能。想要做出來的分析符合需求，就得知道對方想要什么。

識別分析對象，要看五個方面：

身份：指的是聽分析的人是什么部門的。部門決定了需求人所關注的工作流程、工作KPI以及對應的工作情況。了解了部門基本能初步判斷需求人的關注點。

等級：部門領導、組長、小兵關注點肯定有區別。了解了等級差異，能更好地追蹤到真正的需求發起人，避免被一個聽風就是雨的下屬搞得團團轉！

技術能力：到底對數字化、數據采集、數據分析了解多少。實際上，在數據分析領域的頭號問題，就是：不懂數據的領導/同事對數據模型日益增長的幻想，與基礎數據采集、基本業務流程數字化建設落后之間的矛盾。如果發現對方懂得少，趁早停止吹牛逼，扔掉復雜的方法。否則吹得越大，摔得越慘。

分析動機：有相當多的人，做分析不是想了解真實情況，而是為了達成自己的目的。想借機邀功的，想甩鍋的，想爭取資源的。因此，弄清楚提需求的人到底屁股坐在哪里，非常重要。否則不管怎么做，他都不收貨。

基礎認知：到底他對業務現狀，在數據上的表現，了解多少。實際工作中，相當多的人沒有基礎認知，遇到事憑著心情、媒體報道、領導只言片語、顧客投訴等等碎片化、感性的信息下判斷。一開始判斷就是錯的，給出來的分析需求肯定是錯的。

在工作中，很多同學覺得很委屈：

“為什么總說我不深入”

“為什么波動這么點還要糾結”

“為什么總是分析結果總改來改去”

歸根到底，都是沒有整明白人的問題。面對客觀、理性、有邏輯的人，可以一板一眼地分析；面對主觀、感性、不講理的人，就得用非常手段。單靠書本上教的代碼或者共識，可應不了他們。

所謂業務場景，是達成一個業務目標的所有業務動作的合集。業務場景也分宏觀、中觀、微觀（如下圖）：

中觀的部門分工與跟人員角色是一致的。因此在實際溝通匯總，先定了需求人，再結合其部門、職責分析問題場景，就很容易。對于在甲方上班的同學尤其如此，知道對方的部門和職位，就大概能判斷對方的場景是啥。

對于乙方公司的，就得很細心地了解情況，從對方的行業、商業模式、部門分工、業務流程、系統流程，一點點去梳理，避免因為名字不同，導致的理解誤差。

在這里很多同學會偷懶，經常說：老師，我是互聯網/傳統行業，你告訴我互聯網/傳統行業的通用知識就好了。

這種大而全的通識，根本就不存在。就拿醫療行業舉例子，陳老師接觸的客戶里，以下風馬牛不相及的所有人，都管自己叫：健康產業。大家看完，覺得這幫人能不能共識一個健康行業的通用標準出來……（如下圖）

所以在梳理業務場景的時候，不要試圖用一個大而全的概念套各種模式，商業模式、產品類型、部門分工三個是必須了解的。如果討論具體一個產品功能/營銷活動這些細節，則要細化到三大流程里去討論。生搬硬套，只會落得一句：你這分析根本不符合我們實際。

當然，也沒必要神話細節，認為每個場景都獨一無二，叫囂：“你沒有在這一行干50年，賺1個億，你就沒資格做分析”。在業務場景的宏觀、中觀、微觀的每個層級上，同一層級，同一類型，是有很多相似之處的。

比如：

都是B2B+冷鏈供應的場景，醫藥和生鮮就很像

都是B2B+電話銷售的場景，賣廣告還是賣招聘差異不大

都是B2C+分銷銷售的場景，保險和微商又有多大區別

具體到某一個層級+某一類型場景后，相似點多，很多分析經驗就能套用。這種感受，在乙方的同學會比較深刻，特別是像陳老師這種老乙方，見多了各種場面，靈感自然源源不斷。

業務場景，和數據采集形式，數據豐富程度，數據質量直接相關。業務場景，也和分析思路直接相關，落實到業務場景里，才能抓住真正業務問題，提出有價值的建議。

數據分析最怕什么，答：沒數據。而數據的多少，是直接由業務場景的數字化程度決定的。數字化程度低，沒有數據，就是沒法分析。

這一點在B2B類業務中尤其明顯！以B2B+業務員跟單銷售為例，理論上，跟單流程可以形成一個完整的轉化漏斗（如下圖）

有系統支持和對應的管理流程，任何行業都能做到像互聯網行業一樣的分析！

但實際上，常常是這個鳥樣：

所以，B2B類業務的同學說：老師，為什么我分析不深入？答：因為你沒數據呀。甚至數字化程度低到，連客戶標簽庫都沒有。只有一個未經處理的，漢字組成的客戶企業名+簽約訂單。這要是能分析出個子丑寅卯來就見鬼了。

類似的情況在B2C業務里也很常見。比如用的是淘系、抖音的后臺，看不到明細數據；比如自建的商城埋點不夠（特別是倉促上的活動頁），總之沒有米，肯定煮不了飯。

基礎數據采集僅僅是第一步，數據質量還受到業務方動作的影響。原本沒有數據的流程，只要業務方肯做，就能一定程度采集上來數據。因此只要有機會，數據部門應該全力以赴推動業務流程數字化，把短板補上。

原本正常的指標，業務方做個動作就能把形態扭曲，因此不了解業務方做出的動作，不考慮業務影響，是無法做出準確分析的。經常是做完了以后落得一句：我早知道了。

綜上，這里要確認的數據質量，不僅僅指的是數據庫的臟數據，而是從源頭上有下面三者一起努力，才能做到：有數可用，有米下鍋。后邊的分析才能做得深入，精確。

1、業務流程中，有多少數據被采集

2、業務流程中，有多少數據被操控，怎么控制的

3、業務流程中，有多少潛在數據，能被撈回來

以上，我們只是簡單分享了一下：具體問題到底咋個具體法，就拖了這么長的篇幅。實際上，制約很多同學做出深入分析的原因，就是簡簡單單的：見識太少了。連別人在做什么都不知道，怎么分析呢？

而相當多分析類書籍或者文章，要么只是在理論層面坐而論道，要么試圖用一個大而全的概念去歸納宇宙萬物，整什么：核心邏輯、底層思維，最后試圖用幾個很簡單的詞（什么對比思維、分解思維）解釋萬事萬物。這種東西看多了，只會越來越虛化，更沒法具體問題、具體分析了。