引言：凡是做过数据分析的人，都应该听过这么一句话：“数据分析要懂的业务”，但是很多人都没有真正搞懂这句话。在实际中很多人因为不能充分理解业务需求，从而导致数据分析紧急停留在数据提取的表面上，根本不能产生价值。企业的数据分析是个很复杂的工程，需要业务和分析技术两块知识，如何让数据分析充分为业务赋能，是现在业界最想解决的难题。

我们都知道数据分析最基本的作用是发现问题，而解决问题就不是简单依靠数据就能够完成的，一般来说用数据分析解决问题的流程是这样的：数据分析–发现问题–结合业务分析原因–返回数据验证–发现新问题–循环往复–解决问题。

数据分析闭环的完成是需要结合业务才能实现的，任何抛开业务需求谈数据分析的，都是空谈！因此，为了避免出现数据分析沦为空谈主义，就必须要充分理解业务，针对业务场景进行数据分析，这样的结果才有价值。

一、理解业务的本质。也就是业务是怎么挣钱的，其背后是对整个业务经营模式的理解，比如，某个业务是靠什么挣钱的，要理解产品；挣的是谁的钱，要挖掘用户需求；怎么吸引用户来挣钱，要搞清业务渠道；靠谁来挣钱，要掌握业务分工。

二、梳理业务信息，建立分析系统。业务的复杂程度决定了系统的复杂程度，若一个复杂的业务能够被梳理的逻辑清晰条理清晰，系统也不会很复杂，但前提是你很懂很懂业务。比如，业务环节的处理动作是否清楚？跨部门的业务关系是否了解？业务基础数据、信息流向是否掌握？

三、带着数据意识去看业务。业务分析的逻辑思维是以业务经验为基础的，有时候跟业务走的太近往往会忘记了数据方法论，从而使得业务脱离了数据，导致结果偏离实际，不能为决策提供支持。因此，要带着数据意识去看业务，才能加深对业务的理解，否则跟普通的业务人员就没有区别了。

在进行数据分析之前，我们首先要理解大体的思路是什么？

简单来说，第一步就是要明确业务场景，业务场景包括用户需求、业务流程等内容，了解这些场景需要什么内容和信息，作为我们分析的基础；

第二步就是确定分析目标，做数据分析需要以目标为导向，学会做数据维度的逐级拆分，以结构化思维来做运营数据的全面的，系统性的分析；

第三步就是建立分析体系，包括方法论和方法，方法论包括5W2H分析法、SWOT分析法、PEST分析法等，分析方法包括趋势分析、漏斗分析、用户调查等等；

第四步就是树立核心指标，和分析思维一样，指标也能结构化，也应该用结构化。

具体我们举个零售商的例子：

首先我们明确业务场景包括销售、渠道、商品、会员、竞品等等，在整个业务分析体系中，电商行业遵循“人货场”的思维逻辑，其指标可这样划分：

1、销售类分析

销售分析主要是为了追踪销售情况，与KPI对比，调整销售策略，进一步提升销售额。

分析思路：基本上任何一个问题都可以套用“人货场的模型来分析”。比如分析客单价下降的原因，从人货场角度切入的话，可建立如下的分析模型：

分析方法：数据分析可通过数据对比、极值、预测的方式来分析

2、商品分析

商品分析是基于商品的一个流程管理——进销存。比如商品库存太大，占用资金，则采购进货不合理；商品陈列不合理，造成发货不及时，销售滞后。

商品分析体系——“进销存”思路，常用的指标如商品的折扣率、动销率、周转率等。

3、会员数据分析

会员数据分析一方面是可以指导销售营运，另一方面是提高营销的精准度，增加用户的粘性，减少流失。

会员分析管理体系：

4、其他管理分析

人力资源管理中的数据分析一般包括两个方面，一方面是人员结构分析，另一方面是人力效能的分析。在人效分析过程中最关注两个指标，人均产出和人员费用产出率。人员结构分析包括不同职能部门的人力结构、不同层级的人才结构、不同工作年限的人才结构等等。分析人力结构是防止人才的断层，在招聘上做好预案，优化薪酬分布。

数据分析领域的财务主要是管理财务，管理财务需要细化到每个子公司、每个业务、每个产品、每个业务部门、每个客户，以他们为主题的分析有：现金流分析、盈利能力分析、财务预算分析等。

业务分析是数据分析走向推动决策的第一步，这要求数据分析人员不仅要看重数据处理、数理统计，对于业务的理解也要放在第一位，才能充分给业务赋能，让数据分析成为决策、智能执行的推动或补充者。