本篇文章是第三章也是最终章，就讲点实操的，说实操也不算，更多是一些可明确指导的方向跟案例。有兴趣可以看回之前的文章。

听说，你想学数据分析？

听说，你想学数据分析2

一，明确数据分析目标

无论是出了问题、还是业务上需要做数据挖掘，数据分析，都需要先明确自己分析的目标。目标应该尽可能满足SMART法则，其中smar四项是必须的。

如果目标无法明确（specific）

那么与上级，与同辈们多讨论下，是否有其他方式可以更明确我们的目标。

例如：利用广告达成强大的品牌效应。

强大的指标是如何？购买力？社媒影响力？访问量？自然搜索量？强大是多大？这是不明确的目标。

如果目标无法测量（measureable）

在保证目标是正确的前提下，把无法量化的指标，通过合理的方式去指标化。通常会采用分析法，标签法等统计学方式，去做维度拆分。

例如：培养潜力人才。

如何为潜力？潜力可分为学习能力，模仿能力，总结归纳，逻辑表达能力等等，针对每个能力维度，可做明细的测试题以及能力考察评分。

如果目标无法实现（achieveable）

要变换思路；可通过向外去拓展资源，或者向内去梳理清楚哪些是可以做的。

例如：IOS 14断了设备追踪ID。

我们是否能向外部appsflyer找解决方法，或者调整我们内部归因问题。当然可以选择跟苹果投诉，但这是实现概率是很低的。

如果目标无相关性（relevant）

分析中可能会有一些结论或者内容不了解，盲目确定目标，就会与实际情况背离，那么一定要与目标相关性强的部门，人员，业务做好协调配合多，有利于更好理解目标。

例如：广告在巴西突然跑疯了。

是否与巴西业务有关，则需要去做协同了解，可能他们刚做了某个活动，刚上线了某个支付功能等。

总得来说，数据分析的目标，是要找到通过数据逻辑，去找到一个明确的，可以测量，同时可以被我们力所能及能改变的事实。而且我们后续为之的努力，是能够影响该事实进程的。

二，梳理清楚业务流程

流程思路1：从大到小

从市场-全盘-渠道-项目-个人，业务流程的梳理。

流程思路2：满足MECE，金字塔原则

从横纵两个维度出发，做到不重不漏，保证每个节点都能被串联起来。

流程思路3：抓住关键点，明确数据影响范畴

做到不重不漏意味着有大量的节点需要被关注，但并不是每个节点都需要花费精力，因为每个数据所代表影响的环节是有限的，明确每个环节中的关键节点是非常重要的，同时还得清楚他们影响的范围和边界。

分析沙盘推演

背景：个人巴西谷歌广告ROI出现异常升高，约上升180%

分析思路流程

合理推断：市场，大盘，运营，广告，都无异常，那可能AF数据归因到内部数据异常，需要技术排查。

三，数据分析三板斧

这三板斧是行业内认可度较高的分析流程

1，对比

对比变化的数据，在同维度（时间，国家，投放方式，同周期）下，具体的差异点是什么，变化幅度多大，是否超出经验范围。

2，细分

1. 在明确数据异常的情况下，按业务构成，逐一排查。

   例如ROI持续下降，查看广告是否正常运作，查看国家ROI下降趋势，查看实际ROAS值的差距。在毫无异常的情况下，再查看着陆页，关键词。

2. 针对异常数据的结构组成，逐一拆分同一指标下不同数据结构的差别。

   还是上面的例子，检查发现ROI持续下降与花费持续异常增长有关。组成这个花费的结构有时效、素材、广告受众、关键词等，通过对异常花费时间的花费结构拆解，明确在这些细分结构上哪些出现异常，即可检查出哪些问题是对异常数据产生主要影响的根本原因。

3，溯源

当明确细分业务、数据结构上的问题，就可以根据异常去做溯源分析。这个分析主要是找到影响细分数据异常的因素做拆分。

还是上面的案例

背景：谷歌渠道混投全球国家的几个SDS广告花费异常。

对比细分：经过拆分发现英国的关键词费用在午夜1点的时候突然暴涨导致。

溯源：对关键词进行分析，发现关键词80%的花费集中在iphone12，iPhone等与广告极度不相干的关键词上。

操作：全球范围内排掉相关暴涨关键词。上报异常给谷歌渠道，检查异常关键词触发广告的原因。

四，数据验证

当数据分析已然得出结论后，常见会存在两种情况；

1，数据误判

数据分析得出的结论所产生的操作可能并没有达到我们的预期。

广告中常见的，例如：从数据分析的角度发现，谷歌出价的ROAS与广告ROI有明显正相关关系；但实际操作中，通过提高广告的ROAS出价，并不一定会出现广告ROI增长的情况，相反可能会下降。

这实际上也是数据分析里面 相关性 与 因果性 的区分问题。我们可以直观得到两组数据的相关性，但他们是否因果关系，就需要更多维度、数据去做验证判断。这也是数据分析上的一个行业难题。

2，归因复杂

正如上面提到我们很难验证数据的之间的因果性，是因为导致一项结果的原因存在多个，甚至他们的影响的范围都各不相同。因此，我们常常在分析中会找到好几个对目标影响较大的因素结论。

基于以上两点，得出数据分析结论之后，不能够贸然给事情盖棺定论，需要在后续的操作中快速对数据分析的结果做出多次数据验证，一来要检测数据分析是否误判；二来要检测数据各个细分归因的影响范围及其重要程度。

五，文档记录

所有的数据情况，数据分析，数据验证过程，最好保持记录文档、excel数据的习惯，针对每个环节的影响程度做出记录文档。有利于在出了问题之后，快速定位位置；有利于项目对接；有利于更专业把控每个业务环节。

最后，吐槽一下。

第二篇文章写得心惊肉跳，把谷歌的一个大玩法写出来，结果创下了阅读量最低，还被吐槽没干货，哈哈哈MD。郁闷了好一阵。

数据分析所需要学习的统计学、概率论、线性代数、数据关系、逻辑谬误、偏差参考等等，这些知识，是很干的，但它们高耸入云。如果我写那些常用的知识，那就很无聊了，跳出率直接爆炸，大学上课都没人听的课程，看我文章不得直接进收藏夹吃灰？

数据分析还需要用到的工具和技术，例如excel的数据清洗和函数使用，SQL编写和提数，power bi的可视化等等，这些常用的，不是不能写，但我都是秉持着一贯的态度：百度（谷歌）能检索到答案的，就不需要去记忆，只需要知道在哪里能找到。在遇到这类问题的时候，一定不是跑来看我的文章的，搜索引擎它不香吗？知乎不香吗？

除了知识和工具，剩下的就是业务熟悉程度。论业务，你肯定比我熟。这就不用聊了。

数据分析它更像是一种思考方式，而不是一项可明确出来的标准。因而数据分析的三篇，我只提炼一些可以复用的思路和方向，算是运营、推广分析的一些总结。至于你觉得干货不？那看你了你看到什么，那就是什么。