大拇指知识数据分析并不是数据统计，如果想把数据做的有深度，一定需要做数据现象背后的原因解读。
数据分析的核心点是准确（不能错）、整洁（在数据报告的呈现上宁少不要多，要清晰且简洁的描述问题）。
可视化（文不如表，表不如图）、对比性（数据没有对比是没有意义的）。
数据分析的基本流程有6个主要步骤，我们先来看第一步：找到数。
1、找到数
整个指标搭建的过程中/数据分析的过程中，第一是结构化思维，第二是逐级拆分，第三是指标拆解。
比如人在什么情况下会哭？有一个概念叫“穷举”，遇到伤心的事会哭，但是难过和伤心都是重复的。
当解决一个问题，用穷举并且重复的方式，是没有办法把这个问题拆分清楚的，所以解决问题的前提是按结构化进行分类。
另一种拆分方法，比如人为什么会哭？因为物理刺激（主动和被动 ）/精神刺激（正向刺激和非正向刺激）。
先把大的方向和框架变清晰，才能知道该怎么解决，在工作中遇到任何问题也是一样，都需要有结构化的分类。
整体结构化最重要的关键点，是彼此独立且不重复，搭建指标体系分为两类。
第一“核心指标”，指最终未完成的，当一个问题有且只有一个核心指标，那就是优先级的；第二“过程指标”，是影响核心指标的所有关键指标。
2、定指标
找到数之后要定指标，当面对一个问题时，首先理清楚核心指标，然后把所有影响核心指标的过程都找出来。
指标拆解有树形和漏斗两种方法，我们先来看树形拆解。
1）树形拆解法
常用于多因素组合形式，数据可公式化，第一要求是最细颗粒度、第二是同一纬度、第三不要重复。
比如在美团上花200块钱下单，美团能提多少钱呢？首先毛利率是3%，200×3% ＝6。
因此美团为商家和信息内容服务、做信息展示，收6块钱的服务费，这是交易收入。
毛利率一般是受交易额的影响，交易额越大（毛利率不变的情况下）收入就会越多。
B端GMV＋C端GMV＝总GMV，总交易额和B端、C端的交易额，这三者相等，因为只是供给端和需求端的关系。
比如小卖部，每天结算当天的营业额（交易额），第一从货的角度看，一共有50件货，卖出去法40件，商品动销率是90%。
每件货卖完平均单商品的GMV是50块，用50×90%×50算出当天整体的交易额。
第二是从人的角度看，不考虑有多少货，只看来了多少人，比如来1000人，其中有500人购买商品，每个人花20块，这样就能计算出来当天卖多少钱。
分B端和C端是因为货的角度和进货与选货的人有关，需要看货选的好不好、动销高不高、单产怎么样等。
人的角度，包括人来不来买、地理位置、货品陈列、营销包装、是否有红包活动有关。
人和货是两条思路，如果要优化/提高整体GMV，要把货和相对应的包装做好，所以从供给端和需求端来看，要把所有的问题更明显的发现出来。
2）漏斗拆解法
一般用于流程分析、根据用户的操作进行拆解，比如以下图中的京东某个频道。
看产品路线就可以得知，每一部分的流失是多少，再跟均值比较看低的一部分的原因，发现问题进行整改。
拆解要点是先定流程→理清每个环节之间的先后关系→观察转化率，看数据情况→和相类似的进行比较，找到可优化的点。
第一要知道核心指标是什么，第二完成对核心指标的拆解，相对的拆解方法是漏斗或树形，要么两个一起使用，进行逐级拆分，最后把整个的指标体系搭建完整。
3、提数据
比如当看周报/月报数据的时候，第一眼就能提到这个数据为什么是这样？
背后的核心原因，第一在于懂业务，第二是对数据的敏感度很高，那数据的敏感度如何养成？基础的训练是加深认知条件。
作为运营，数据表就算提出来，其实也不一定能用，因为有些数一看就是错的，这就叫基本的数据敏感度，验证方法就是看对业务的理解、常识性的判断。
4、验真伪
整体的表现为什么会发生异常？原因只有两个，系统故障或人为失误。
一般来说，验一张数据表的真伪，是先把数据扫一遍 ，根据常识做判断。
去掉一些错误的，抓住突变点/矛盾点，进行谨慎分析，去掉影响结论的数据，发现问题再及时修复。
如果发现是系统的问题，要设置必要的告警和监控机制，及时解决。
5、做分析
数据分析常用的方法有两种，包括对比和关联，对比分析里有4个是常见的维度。
1）对比分析
第一，时间维度
包括环比和同比，环比是指日、周、月、季度；同比是指月、季度、年。
比如2022年是同比，2022年5月和2022年6月是环比。
第二，用户维度
社会属性包括性别、年龄、地域、职业收入；用户属性包括新用户&老用户、免费&付费、高等级&低等级。
第三，操作维度
包括操作前&操作后、操作A&操作B，主要是操作的流程、推广、功能、场景。
第四，竞品维度
包括数据情况、功能使用、体验和流程、营销和推广。
2）关联分析
是指整个数据之间的关系，不是一个问题由单一程度影响的。
比如对于一个产品，发现用户变少了，不能立刻判断是因为没做活动的原因。
首先分析的时候要知道，需要整个所有的路径，串联起来去看数据，有可能是补贴变少了、渠道投少了、质量变低了，总之不要直接判断在一个因素上，收入也是一样的。
先把所有的核心指标和过程指标都找出来，之后再整合所有路径，以串联的方式看数据，去发现他们彼此之间的关系是怎样的。
当一个核心指标产生变化，不是单一因素影响的，需要去看所有的过程指标，再去定位问题，数据表达的信息与多种因素相关。
6、写结论
数据分析报告的写作，所描述的现象是在某个时间段的数据呈现是什么样的。
可以记住两个问题，比如造成数据变化的原因究竟是什么？有什么办法可以改善/促进数据的变化？
总结经验，防止类似情况再次发生时可以提前设置预案。
日报和周报简短为上，只需要说出明显的数据波动，注明数据变化的原因。
月报要详细为上，关键是总结运营策略的成败，给出后续运营策略意见。
注意第一结论基于数据，避免武断猜测；第二相互矛盾的结论和话术；第三少描述、多数据；第四记得文不如图，图不如表。
小结
以上就是数据分析的流程啦，首先做数据的收集，其次分析问题的原因，只有加以思考、说明趋势才有意义。
第一步把数据陈列出来（准确统计），第二归因，第三迭代（落地动作），第四看迭代效果，第五进行下一步的解读。
数据不是统计，而是分析，做数据分析的前提是对业务逻辑的深刻理解。
做运营一定要将数据培养成为潜意识行为，运营过程中的一切手段都能数据化，用数据化思维来提升/驱动运营。