在當今數(shù)據泛濫的時代，數(shù)據分析已再也不僅僅停留于表面，而是深入到洞察與結論的層面。正如古人所言，“工欲善其事，必先利其器”，數(shù)據分析師們想要在數(shù)據的海洋中撈出真正的珍珠，就必須把握一套有效的分析框架。本文將從數(shù)據評估、反常歸因到行動意見，全方位解析怎樣提煉數(shù)據中的“Insight”，為企業(yè)決策供給有力支持。

加入咨詢機構（MBB之一）這兩年，感受最深的便是不管是給老板報告還是給客戶報告，最核心的一點便是你的Insight（洞察或結論是什么）。在做數(shù)據數(shù)據分析或業(yè)務科研時，你不僅要給出數(shù)據結果的事實，還需要給出你自己基于數(shù)據得到的結論和意見，這才是你的價值，亦便是需要具備描述數(shù)據是什么，數(shù)據怎么樣，為何會這般，咱們該怎樣做的一整套分析框架。那樣，在平常數(shù)據分析工作中，你的“Insight”來自于哪里呢？

1、數(shù)據怎么樣是數(shù)據分析的基本

當下大眾都比較注重健康，畢竟需要為祖國健康工作50年，拿到體檢報告后，倘若只是給了你一堆血糖、血脂、尿酸、BMI等指標的數(shù)值，你啥亦看不懂。而倘若標注了某一指標高了或低了的箭頭，你就曉得這一項有問題了，需要找大夫詮釋下這個白細胞數(shù)指標超標表率啥意思。

一樣，針對數(shù)據指標體系想要能夠給到業(yè)務用戶供給指點意見，必不可少的便是指標好壞的評估標準。只告訴老板昨天DAU 100W無任何道理，還需要他自己判斷100W業(yè)務到底正常還是出了問題。因此呢，數(shù)據指標體系必須包括區(qū)別指標的好壞的評估標準，通常來講常用的有：

和歷史比

同比：（本期-去年同期）/去年同期，適用于發(fā)展穩(wěn)定的業(yè)務形態(tài)，今年和去年對比看下是不是連續(xù)增長環(huán)比：（本期-上期）/上期，適合分析近期的變化，能夠從日

環(huán)比，衍生出對比本周一對比上周一，本月1號對比上月1號的月環(huán)比，能夠反應短周期內業(yè)務動作是不是起到了正向功效，適合監(jiān)控快速變化的業(yè)務場景

和歷史峰值比，是不是完成自我超越，取得新的里程碑，用于做有些團隊激勵，如營銷管理場景

和歷史均值對比（近7天、近30天等），思慮有些特殊日期、或活動的影響，以均值做為參考線，拉齊反常點的影響

和目的比

目的完成度：指標實質值/目的值，通常來講企業(yè)經營管理都需要設置自上而下量化管理的KPI指標，年度、季度、月度等，1個億的小目的不是人人都可實現(xiàn)，然則腳踏實地影響獎金的的KPI還是要時刻緊盯的。

和同行比

不患寡而患不均，打績效分獎金的時候怎么樣服眾，常用的便是你張三做的無李四好，因此李四是A，你是B。因此能夠和平級對比，例如分部平均、中位數(shù)等，衍生出能夠在更大范圍內的對比，例如行業(yè)內。

和預警值比

過去指標閾值設置敗興業(yè)務經營為主，例如業(yè)務確定GMV同比波動超過50%算反常，隨著大模型應用的成熟，能夠依賴算法模型，充分思慮季節(jié)周期、營銷活動、天災人禍等各樣原因，設定更加智能化的參考標準。

2、為何會這般是洞察結論的前提要求

有了指標的好壞評估標準后，當分析監(jiān)控發(fā)掘昨天GMV下降50%，遠高于近期常規(guī)表現(xiàn)以及去年同期（排除業(yè)務季節(jié)性和周期性規(guī)律），這個時候就需要結合指標體系的分析辦法進一步歸因是哪里出了問題，這兒面就觸及到維度拆解，和相關指標分析。

維度拆解

多維分析是反常歸因分析最常用的分析辦法之一，是一種從整體到局部的思想，根據業(yè)務流程或組織拆分數(shù)據指標支持的分析維度，如制品類型、區(qū)域、省份、途徑等，逐個拆分看是不是某一維度才，存在顯著的維度值貢獻的反常數(shù)值比例很強，日前非常多BI工具的智能歸因分析基于基尼系數(shù)進行維度的拆解，便是這個思想。

指標拆解

在指標體系構建時，咱們會把有關聯(lián)關系的指標進行歸類組合，例如電商黃金公式GMV=UV*轉化率*客單價，當GMV下降反常時，根據指標拆解的思路，能夠是不是是某一細分指標存在顯著變化。指標拆解的思路初期在財務行業(yè)又叫杜邦分析辦法。

3、咱們該怎樣做是重點的洞察結論

業(yè)務對數(shù)據分析的期望是能夠經過數(shù)據分析幫忙她們發(fā)掘商場機會或行動改善意見，亦便是“So What”，倘若只是描述了一堆數(shù)據事實，給不出結論性的意見，那你的分析便是沒有“Insight”的。因此，需要基于數(shù)據拆解和分析的過程，結合對業(yè)務的認識，給出能夠落地執(zhí)行的決策結論。例如，GMV環(huán)比下降50%，相關指標拆分各項指標波動并無顯著差異，維度拆分時，發(fā)掘是某一Top10城市下降嚴重，此時就需要認識競對（行業(yè)）、以及業(yè)務上，在這個城市做了那些動作，最后認識發(fā)掘，是競對新上了某一活動，將海量用戶切走了，這個時候，咱們的意見是，防守端，怎樣避免用戶被切客，進攻端，怎么樣進行競對用戶的拉取等。

同理，在做數(shù)據制品設計時，只是供給數(shù)據是什么，怎么樣，為何只是滿足業(yè)務基本的“生理需要”，結合AI大模型和分析經驗能夠給出“怎樣做So What”,才可持續(xù)產生更加多創(chuàng)新價值。

本文由人人都是制品經理作者【數(shù)據干飯人】，微X公眾號：【數(shù)據干飯人】，原創(chuàng)/授權 發(fā)布于人人都是制品經理，未經許可，禁止轉載。

題圖來自Unsplash，基于 CC0 協(xié)議。