写在最前：分析工具我们可能已经会很多，但是依然做不好分析。分析出来的结果，同事往往会说:"你说的我们都知道，那又怎么样呢？有什么解决办法？"
因此，我选择了一个具体的问题：产品异常问题定位，它是在工作中经常会遇到的问题，也是常见的数据分析面试问题。在此我结合网上的一些分享以及自己的相关经验，总结一些分析框架，让大家在遇到此类问题的时候有一个明确的着力点。

文章目录

数据分析常用的三个应用场景分别是前期评估分析、中期异常问题定位、后期复盘分析。无论哪种场景都适用底层的三种核心思维，结构化、公式化、业务化。

一、结构化

结构化思维用来解决"为什么"，帮助我们理清分析思路。它是对影响问题的相关因素进行罗列，站在宏观的角度思考问题。其实结构化思考来源于麦肯锡，金字塔思维，每一个论点都围绕上一个问题目标，层层拆解相互独立，最终会形成金字塔结构。

二、公式化

公式化是验证上一层结构化的论点或原因是否可以量化，就是用数据来衡量，量化的公式是比较基础的加减乘除。尽量把一切可以量化的进行量化，最后的维度最小不可分割。举个栗子：销售额=销售量*客单价，销量=购买人数，购买人数还可以往下拆分成新用户、老用户占比等。

三、业务化

上面我们已经了解结构化和公式化，似乎已经能解决大部分问题，但是仔细看分析的各个论点，有时候会由于对业务的不理解而导致漏掉某些原因，这时候就需要用业务化思维来补全可能会遗漏的点。这就需要我们深入了解业务，多站在业务的角度考虑问题，多与业务人员沟通，并参与到其中。

案例分析

你是一家互联网公司的数据分析师，某天产品的DAU（用户日活跃度）突然下降了20%，请你分析原因。你拥有查看基础用户和行为数据的权限，面对这一需求，你会怎样进行分析？拿到这个分析任务，如果无从下手的话，我们可以将思路套用到上面的分析框架中，一步一步来分析。

首先：先做数据异常的假设，再用数据验证

这个分析案例属于异常问题定位，不建议大家第一步先对数据进行拆分，做数据异常原因分析的核心就是结合以往经验及各种信息，找出最有可能的原因假设，通过数据的拆分进行多维度分析来验证假设，定位问题所在。过程中可能会在原假设基础上建立新的假设或者是调整原来假设，直到定位原因。还有在开始分析前非常重要的一点，验证好数据的真实性。

其次：根据常用维度进行搭建分析框架

计算影响系数：对内部原因每一项数据都要和以往正常值做对比

影响系数=(今日量-昨日量)/(今日总量-昨日总量)

影响系数越大，说明此处就是主要的下降点。初步定位原因后，还需要再结合自身业务经验确定几个最可能的原因假设，进一步的排查。最后找到公司里相关人员，比如运营、技术、产品的同事进行沟通。

最后：经过分析，确立原因

除了上述，在实际工作中，可以细分分析的维度其实是非常多的。无论做多复杂的分析。只要我们建立底层的思维框架，将零散的问题组合起来将其结构化、公式化、业务化。对每一个核心论点进行假设再验证，在假设为真的基础上，进行更细维度的数据拆分，直到最后找到真正的原因。相信大家，下次再遇到这类问题，不会再无从下手，用好底层思维框架会使我们分析问题越来越熟练，更有逻辑性。

希望本篇内容对大家有实际的帮助，后续想了解更多互联网数据分析相关内容，欢迎关注点赞转发，欢迎一起探讨更多话题。欢迎关注我的公众号"Python之每日一课"。