需求分析 应该先写业务还是功能_一个套路，拆解常见数据分析需求
現實與Kaggle的區別
現實環境的數據分析工作和Kaggle題目之間，最大的區別在于kaggle上的問題往往非常清晰。預測類問題，你只需要把預測做的足夠準確就能拿高分。
但在實際的業務環境中，你做了一個很牛逼的預測模型，換回來的只是業務方一句“這個有什么用？”
有時候業務方提出的問題也很不靠譜。提需求的時候說是要分析一個問題的原因，結果實際上問題根本就不存在，只是對方的感覺。
所以如果你在Kaggle上可以混的風生水起，那么只能說你對于確定性問題的解題方法掌握比較好。
但到了實際業務環境下，識別問題成了一個更重要的能力。
業務人員提的數據分析需求往往很雜，各種千奇百怪的“是不是、有多少、為什么、能不能、會不會，怎么辦”等問題層出不窮。到底哪些問題可以歸為一類，這類問題又該如何分析，這是每個數據分析師都想知道的。
我根據自己的經驗和理解，整理了一套定義問題的方法，分享給大家。
一個業務分析需求的必備要素有哪些？
一個業務分析需求，必備的要素有哪些？
上一篇提到了一個思考框架，業務流、管理流與數據流。
這里簡單復習一下，一般常見的分析流程：
是什么：
用數據流反應管理流，解決“是什么”的問題。留存率是多少，算高算低？如果留存率低的話是哪類用戶低？
我一般把常見的細分分析得出的結論，都歸納成“是什么”。
“為什么購買轉化率低？”，“因為落地頁的轉化率低”。
類似這樣的回答，其實只是對轉化率做了細分，本質上還是“是什么”。真正的“為什么”是“為什么落地頁的轉化率低，用戶到底在想什么，需求是什么？”
為什么：
用數據流反應業務流，解決“為什么”的問題。
什么原因造成一部分用戶的留存率低？是因為需求無法滿足？還是非目標用戶群體？
如果是落地頁轉化問題，那么現在落地頁上的問題是什么？哪些元素降低了轉化率？
這類問題的答案要落實到具體的用戶需求上。
有時候數據可以反應用戶的實際使用情況，比如用戶在落地頁上停留較長，也愿意查看活動規則，但是轉化率很低。那么這種情況大概率是用戶被賣點吸引，但是看不懂規則，或者實際活動與他的理解不一致。
很多情況下，數據沒法直接反應用戶遇到的問題，必須通過用戶調研實現。
怎么辦：
在管理流中找對策解決業務流的問題，解決“怎么辦”的問題。如果是需求無法滿足這部分用戶，那么我們可以怎么解決這個問題？增加功能還是優化現有功能的體驗？
有時候，這一步并不一定是數據分析師來做的，甚至不是從數據上推導的。上一步的“為什么”如果已經找到非常具體的原因，比如“A類用戶流失主要是由于會員到期”，那業務方圍繞著如何促進續費就能改善這一狀況。
目的：
除了分析的常見流程，還有一個分析的前提——這次分析的目的是什么。
這個目的往往是改善某一個具體的指標。
我雖然經常吐槽業務人員沒有數據驅動業務的思維，但是在KPI問題上，業務人員對數據思維往往非常好。如果做的事情沒辦法用數據衡量，對業務人員來說價值不大。
所以：一般來說，一個數據分析需求一共要經過四個階段：
目的：確定分析的目的，優化什么指標。
是什么：確認現在的指標情況“是什么”，問題集中在哪個部分？
為什么：現狀為什么是這樣，用戶的需求是什么？
怎么辦：制定什么樣的對策來優化指標。
常規的數據分析問題類型
最常規的問題類型，是業務方知道前面N個環節，需要分析后面的環節。
比如最常規的，只知道目的，后續都需要分析。
用戶運營找到數據分析師，想要做一個專題分析，主題是如何提升用戶的活躍率。
這個問題的目的很明確——“提升用戶活躍率”。但是后面的部分就沒那么清楚了，數據分析師可以按照之前提到的四個步驟一步一步地向后推進。
首先要做的是“是什么”，把現有的用戶活躍率的數據提取出來，看一下目前的數據表現如何。如果數據表現確實不太理想，那么再看看到底是整體都低，還是有部分群體特別低。
之后是“為什么”的階段。如果有部分群體活躍率特別低，那么這部分用戶為什么活躍率低？他們的需求是什么？
最后，針對新用戶的問題，制定對應的業務動作。如果發現這部分群體只使用一些基礎功能，那么如何引導他們使用高級的功能？
這樣一個完整的分析基本就完成了。
其中的具體分析細節本篇暫時不討論，放到下一篇再講，這篇主要講一下整個分析思路的框架。
這類問題是知道前面N個環節，分析過程都是類似的，向后分析即可。
驗證猜想型需求
其他的數據分析問題，可以用一個表來歸納。
大體分為兩類，一類是有目標的，一類是沒目標的。
有目標的，一般是驗證猜想
比如，知道“目的”和“為什么”。
業務方想提升新功能的使用率，提出一個猜想。
新上的功能對于新用戶來說理解成本比較高，想做一些優化。
但這只是一個猜想，甚至連問題本身是否存在都不確定。
這類問題需要把缺失的“是什么”補上，
1.是什么：用數據證明新用戶現有的使用率怎么樣，如果新用戶使用率已經較高，那么這個猜想的基礎就不存在了。
如果新用戶使用率確實比較低，那么再驗證新功能是不是理解成本太高。
2.怎么辦：驗證了猜想，再思考怎么辦。
還有知道“目的”和“怎么辦”的。
業務方想要提升用戶數量，然后看到拼多多的微信裂變拉新搞的很成功，我們拉新是不是也可以微信裂變提升新用戶數呢？
需要做的步驟：
1.“是什么”：看一下目前的新用戶數。也許現在的新用戶數已經還不錯了，那是不是還有必要花人力去優化拉新環節？
2.“為什么”：如果現在的用戶數上不去，為什么整體用戶數上不去？如果因為新用戶的留存和轉化很差，新用戶沒幾個能留下來，那么工作的重點應該是提升留存，而不是拉新。
3.得出結論：不應該采用裂變拉新，原因是我們的業務場景和拼多多不同，我們現在無法承接新用戶的轉化，需要優化產品體驗后再做會更好。
無目標的需求
沒目標的，這類就比較坑了。
只知道”為什么“
這種問題往往是有一些客戶的反饋，比如用戶反饋一個常用的功能經常找不到入口在哪。
這個反饋比數據分析的結論要準確多了，數據分析最多知道一類人的使用特點是什么，基本不可能知道用戶到底在想什么。
產品經理拿到這種反饋，需求背景寫起來都理直氣壯了，這可是客戶的的真實需求。
分析這種問題，首先得確定目標。如果優化這個功能的入口，到底要優化哪個指標？
是做用戶留存率，還是功能轉化率？
如果是為了優化用戶留存率，那現在留存率是多少，這個反饋的用戶的留存情況怎么樣？
會不會這個用戶是一個重度用戶，留存情況非常好。而常用這類功能的用戶都是重度用戶，優不優化這群用戶都會留下來。
那這種反饋優先級肯定比較低。
而如果目標是提高功能轉化率，那么看一下目前這個功能的點擊率，看一下是普遍問題還是這個用戶的個別問題。之后再按順序繼續分析即可。
還有一類沒目標的需求更坑。
業務方看到競品在搞降價促銷活動，于是提示“我們是不是也可以搞一個降價促銷？”
這類需求根本沒考慮清楚搞一個這樣的活動目的是什么。是提升銷量嗎？
也許競品搞這個活動的目的是清庫存，降低庫存成本。而你根本沒有庫存壓力，直接照抄最后庫存也沒清掉，銷售額提升也不明顯。
如何分析就不贅述了。
總結
日常的分析需求一般不會超過上述這個分析框架，拿到分析需求的時候思考一下這個需求目前擁有的要素，然后從左到右推導，可以快速組織分析思路。
作者：Jason 產品、運營、數據是一家
總結
以上是生活随笔為你收集整理的需求分析 应该先写业务还是功能_一个套路，拆解常见数据分析需求的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 不确定规划及应用代码_性能测试划分之应用
- 下一篇： 批量提取文件创建时间_不要眨眼！批量提取