數據分析不只是數據的羅列，而是數據和分析的結合。數據層面包括數據獲取、整合、可視化等操作；分析側面則是結合業務目的和數據表現給出相應的數據結論。只要掌握數據工具就能獲取、整合數據，而分析問題并給出有效結論和建議就有一定的難度。根據分析結果給出合理的意見和建議是數據思維培養過程中重要的環節之一。本節會立足于如何根據數據表現提出合理建議，通過幾個示例說明數據分析師在給出建議時常常出現的誤區。

1

數據分析師提出合理建議需要經歷的三個階段

并不是每個數據分析師從剛入行開始就能夠通過數據分析為業務方提出合理解決方案，從入門到進階，數據分析師一般會經歷從給數據到給結論再到給觀點的轉變。那么這三個階段各有什么異同呢？此處筆者通過一個示例進行說明。

最近某公司新上了一個項目，業務方找到數據分析師，說想要拉取一些數據看一下當前用戶黏性。對用戶黏性，數據分析師可以通過新老用戶的分布、用戶留存率等指標進行說明。如圖 3-7 所示，對于相同的數據，不同的數據分析師會給出不一樣的結果，由淺到深可以分為給數據、給結論、給觀點三個不同階段。

1．給數據

“給數據”是數據分析最初級的階段，是通過數據陳述客觀事實的過程。對于上述用戶黏性的例子來說，數據分析師小 A 給出“新業務近一周新用戶數累計 300 萬個，新用戶次日留存率為 65%，七日留存率為 17%”的結果。這樣的結果就是一個對客觀數據的陳述，是一個“給數據”的過程。理論上這樣的結果沒有任何錯誤，但對業務方沒有太多幫助。

2．給結論

“給結論”是對數據結果的加工和深入分析并給出結論性的表述。數據分析師小 C 給出的結果就是結論性的表述，“新業務近一周用戶總量達到 10000 萬個，新用戶數累計 300萬個，次日留存率為 65%，七日留存率為 17%，新業務的數據表現優于同類業務及行業標準。”數據分析師小 C 給出的結果不僅有對數據事實的陳述，還有結論性的表述，是一個較為典型的“給結論”的例子。

3．給觀點

“給觀點”是在“給結論”的基礎上對數據進行深挖，基于對業務的了解給出一些切實可行的建議。數據分析師小 D 給出的觀點是“新業務數據表現優于同類業務及行業標準，特別是渠道 F 用戶黏性高且付費率高，建議增加 F 渠道的廣告投入”。數據分析師小D 不僅給出了新業務的基礎數據，也給出了結論性表述。更重要的是，他通過對用戶來源渠道及付費情況進行拆解，發現渠道 F 的用戶不僅黏性高而且付費率也不錯，于是建議業務方增加渠道 F 的廣告投入。

當然，剛入行的數據分析師要做到“給觀點”是比較難的，這不僅需要熟練的分析技巧、縝密的數據思維，還需要對業務有極深的了解。但是這并不妨礙剛入行的數據分析師從“給結論”做起，隨著對業務的不斷熟悉逐漸從“給結論”到“給觀點”轉變。

2

數據分析師需要避免的幾種提建議的方式

如圖 3-8 所示，從數據到結論，數據分析師會經歷發現問題、分析問題、解決問題三個不同的階段，在每個階段提出切實可行的建議都起著關鍵作用，應避免提出以下幾種類型的建議。

1．不明確分析目的，只做簡單的數據堆砌

部分初級數據分析師掌握了數據分析工具和相關的基礎技能，但是缺乏實操經驗和相關業務知識。通常到了提建議環節，可能連業務方具體的問題還沒搞明白，就只能拿出統計學方法論做簡單的數據堆砌。

例如，數據分析師小 A 給出“新業務近一周新用戶數累計 300 萬個，新用戶次日留存率為 65%，七日留存率為 17%”的結果。

給出這樣的數據之后，就沒有后續的意見和建議了。這種情況大部分是沒有明確需求，即還沒有搞清楚業務方想要的到底是什么，業務方現在面臨的問題到底是什么，當然沒辦法繼續進行下一步的分析，更別說給業務方一定的建議了。因此，樹立目標意識是分析的第一步，要樹立目標意識、挖掘潛在的分析點。

需求不明確這種困境一般是由業務方和數據分析師共同造成的，可能業務方在提需求的時候也沒說清楚自己真正想要的數據，或者業務方是個“小白”，根本不知道需要看哪些數據或指標；對于數據分析師來說，面對這些不太清晰的需求，也沒有問清楚存在的痛點及分析的目標，其實對于這種情況，數據分析師可以基于自己的知識和業務理解提出可行的分析方案。

明確分析目的，進而分析業務問題，是建立在數據分析師對業務有一定了解的基礎上的。一般情況下，企業的指標體系就是業務的抽象形態，而大多數問題是可以通過拆解數據指標初步定位的。所以對于剛入行的數據分析師，即使對于業務不是很了解，仍然可以通過指標體系了解業務形態，并在實際工作中不斷積累經驗。

2．說的都對，卻沒什么用

說的都對，但確實沒什么用，是大部分初級數據分析師提建議時會犯的錯誤之一。以具體的例子來說，業務方看到最近用戶的次日流失率高達 70%，會很著急，過來找數據分析師尋求幫助。而數據分析師卻說：“流失率這么高，那你們降低用戶流失率啊。”這樣的建議是對的，但是對于業務方是沒有任何幫助的，業務方也知道需要降低用戶流失率，但到底怎么降低，數據分析師并沒有從數據層面給出一定的建議。

這類問題，大多數是問題分析不夠深入，拆解得不夠細致造成的。面對用戶流失嚴重這個問題，業務方找到數據分析師肯定是想要找到什么樣的用戶流失了，這些用戶為什么流失，在哪個環節流失以采取一些針對性的措施。

數據分析師經過較為細致的拆解，可以從渠道、流失步驟等提出以下較為具體的建議：

渠道 A 的用戶流失較為嚴重，而渠道 B 的用戶黏性較好，可以考慮減少渠道 A的資源投放，增加渠道 B 的資源投放。

流失用戶中的 80%在某節點流失，可以考慮排查是否該節點存在技術問題或者不符合用戶偏好和使用習慣。

這樣提建議，業務方才有著力點，才能從產品側對業務進行一定的改進，也才是有意義的建議。

3．提出的建議無法落地

除了上述兩種情況，提出的意見無法落地也是較為常見的問題。面對用戶流失這個問題，數據分析師經過市場分析和競品分析之后，發現由于相關競品以低價奪走了部分市場份額，用戶隨之流失，因此數據分析師建議降低商品售價并與競品保持一致。

這個建議的確可以減少用戶流失，挽回部分用戶，但是公司經營涉及成本問題，可能降低售價，利潤就微乎其微了。業務方以 KPI 為導向，所以并不會采納這類意見。

數據分析師這個崗位并不直接參與到業務決策中，就算數據分析師提出合理、切實可行的意見或建議，業務方也不一定采納。所以這類問題考驗的已經不是數據分析師基礎的數據分析能力，更多的是其軟技能、溝通能力及影響力。數據分析師在提出意見和建議時可以考慮用圖表代替文字說明問題，用業務方聽得懂的話代替專業術語陳述建議。另外，如果你的建議能夠幫助業務方提升 KPI，那么業務方多少會對你的建議感興趣。當然，從不同的業務出發，從不同的分析角度著手，都能提出各種不同的建議。所以本節只是拋磚引玉，至于如何在不同業務形態中提出合理、可行的建議，就需要數據分析師在實踐中積累了。

市面上大部分數據分析相關的書籍都是從工具的介紹開始的，但很多時候數據分析主要依靠數據思維。

特別是面對復雜業務場景時，對于業務的熟悉程度及數據思維顯得尤為重要。

因為數據思維決定了分析問題的角度及合理性，只要數據分析師能夠針對特定問題提出分析方案，無論用什么工具都可以得到結果，因此數據思維是數據分析師成長進階路上的必修課。

而市面上關于數據思維的書籍較少且部分書籍講授的知識點較淺，能夠將數據思維、編程語言、統計學思想及案例分析等融為一體的書籍少之又少，強烈給大家推薦這本以數據分析全流程為主線的數據思維的書——《數據分析之道——用數據思維指導業務實戰》。

附上全書的目錄，本書圍繞數據思維展開，一共11章內容。

目錄內容介紹如下：

第1章 什么是數據思維

1.1 從數據治理流程淺談數據思維

1.2 數據思維到底是什么

1.3 數據思維最直觀的解釋

第2章 為什么數據分析思維如此重要

2.1 數據思維是數據分析師必備的技能

2.2 數據思維是數據分析師成長晉升的必備技能

2.3 數據思維能讓數據分析師建立影響力

第3章 數據思維如何養成

3.1 熟悉常用的數據分析方法

3.2 樹立目標意識，尋找潛在分析點

3.3? 不預設立場，通過客觀的標準代替主觀的判斷

3.4 基于數據分析結果為業務方提出切實可行的解決方案

第4章 數據埋點

4.1 從隱私保護淺談數據生命周期，初識數據埋點

4.2 數據埋點的分類及主流上報技術

4.3 數據埋點方案設計

第5章數據標簽體系

5.1 數據標簽體系與用戶畫像

5.2 如何構建數據標簽體系

5.3 數據標簽體系的應用場景

第6章 數據指標體系

6.1 從中國人口數據談指標體系構建

6.2 四個模型教會你指標體系構建的方法

6.3 如何搭建一套通用的指標體系并快速實現落地

6.4 定位異動因素

第7章 對比思維

7.1 利用對比分析得出和結論

7.2? A/B 試驗設計及容易忽略的誤區

7.3 A/B試驗背后涉及的統計學原理

7.4 Python實戰：A/B試驗在智能廣告中的應用

第8章 分群思維

8.1 從用戶生命周期淺談分群思維

8.2 用數據分箱進行結構化分析

8.3 同期群分析解讀用戶生命周期，剖析真實用戶行為和價值

8.4 Python實戰：基于RFM模型以及K-Means實現用戶分群

第9章 相關性與因果性

9.1 相關性分析簡介

9.2 因果推斷方法論

9.3 Python實戰：利用Dowhy框架實現因果推斷

第10章 用戶流失分析

10.1 用戶流失分析方法論概括

10.2 案例分析：5W2H分析游戲用戶流失原因

10.3 5個理論模型構建外部因素分析框架

10.4 如何設計問卷驗證用戶流失原因

10.5 Python實戰：生存分析預測用戶流失周期

第11章 用戶轉化與付費分析

11.1 用戶轉化與付費分析概述

11.2 貝葉斯公式在用戶轉化中的應用

11.3 案例：漏斗模型分析某電商換貨業務，提升用戶轉化率

11.4 營銷增益模型實現用戶分群，輔助運營識別營銷敏感人群

11.5 Python實戰：利用營銷增益模型識別營銷敏感人群

送書規則：

老規矩，還是免費送大家幾本，給本文點贊、點在看以后，發送截圖到微信，我會隨機抽取4名每人免費送該書一本(截止時間到2022年3月15日21點)。

我的個人微信，給本文點贊、點在看以后，發送截圖到下方微信：

目前有大力度優惠，感興趣同學，點擊下方鏈接即可購買！?

總結

以上是生活随笔為你收集整理的数据分析师如何正确的提意见？(文末赠书)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。