我们工作中有太多地方需要数据分析了，我说说我实际工作中对于数据分析的步骤吧，算不上标准的方法，就自己的工作方法，或许可以给小伙伴一些参考；

有的时候是产品里已经给分析好了，我们自己不需要额外的去分析，只需要去制定下一步计划即可，比如：

公众号后台的用户分析、内容分析……，我们可以根据后台的数据分析图表，制定接下来的文章类型、推送时间……，以追求更好的效果；

自己产品的后台有数据分析，一般的产品后台至少都有一些简单的统计性数据，比如总用户数、每日新增……而这些是可以让我们去做一些简单的数据分析的，其实在产品初期，借助这些基本是可以满足我们的运营需求；

如果我们使用的是第三方产品，后台有完善的分析数据，这样是没太多必要去额外做分析的；

如果我们是产品初期，也没必要追求复杂的数据分析，因为这个时候产品各种数据量、数据维度可能都不完善，做简单的、粗狂式的分析即可；

但有的时候我们还是需要数据数据分析的，比如用户的反馈分析、用户的调研分析、产品的问题分析、产品的效果分析……，其实各种情况分析的思路都不太相同，但核心是差不多的，我说个大概的思路和步骤吧；

说明：本文稍微有一丢丢长，我本来想最后加一个完整的案例做总结，但一写完发现太多了，就没说这个案例了，不过过程中也有各种场景，可以作为小例子；

01

明确分析目的

这一步很多人觉得想明白了，觉得目的嘛，不就是为了找出问题么，怎么可能不明确呢，但其实很多人没明确，很容易导致数据抽取有问题；怎么说呢，一定要自己去构思清楚，自己要分析的目的是什么，这里面一定要避开“幸存者偏差”，这是非常容易犯的思考错误；关于这一点，我就不多说了，但这是数据分析开始之前的很很很很重要的一个工作，一定要做好；

02

清洗数据

PS.以前读书学编程的时候学的数据处理中有个就是“清洗数据”，我一时半会儿也找不到合适的词语来形容这一步，所以还是用这个词语了；什么是清洗数据呢，就是我们拿到数据后，把那些明显有问题的数据先剔除，比如：

1）重复的数据：

如，分析用户反馈问题的时候，发现同一个用户反馈同一个问题多次，这样的数据就可以剔除了；

2）异常的数据：

如，分析订单数据的时候，发现有一天的某个商品销售量特别高，该商品以前就几个，这一天几百个，后来找研发调后台记录，发现该天有个用户恶意购买并退款，这样的数据也可以剔除；

3）缺失的数据：

如，分析用户调研问题的时候，发现有些回收回来的调研单数据都不完整，就仅仅有姓名、性别，其他的都没填，这样的数据也可以暂时剔除；

但这里也有例外，比如分析调研回收质量效果，就需要这种缺失的调研单，以便看调研回收质量效果，看收回的所有调研单，那些质量不好的调研单是什么类型，就需要保留了，所以还是看分析的目的是啥，具体来看；

经过以上这些呢，基本上就可以把数据做个大概的清洗了，然后再对清洗后的数据做分析；

03

整理数据

在整理数据这一步，不同情况有一丢丢不同，说2个常见的场景吧，比如：

1）分析用户反馈问题时

需要做的整理是依次去标注收集到的反馈，可能有些是用户纯抱怨，有些是用户的建议，有些是用的过程中出现的bug……给定标签和备注说明，去依次标定所有的反馈；

如果这些反馈是我们自己产品后台呢，可能已经在用户填写时做了分类选择，但如果我们是从其他渠道，比如公众号后台、微博留言私信、贴吧等等拿到的用户反馈，就需要我们这样去标注了；

2）分析效果时

一个在线学习网站，上线了一个新课程，上线一周后发现该课程付费转化率不高，为了找到原因，我们需要拿的数据不是成功付费的数据，而是未付费成功的用户数据，从这些数据中找到未成功付费的原因；

先拆解影响成功付费的因素，然后根据拿到的新课程一周的未成功付费的数据，根据数据来依次分类到我们拆解的各个因素中；

网站上用户购买课程总共就2个步骤，提交订单、付款，所以影响成功付费的因素可能是订单提交环节出现问题，或者付款环节出现问题；

从这2个方向看那些未成功付费的用户原因属于哪一类，是订单提交环节的问题，还是付款成功环节的问题；

以上是很常见的两个场景，不一定要我这样整理，自己逻辑说得通就行，也还有其他场景，就不说了；

04

统计问题

根据前面整理的数据，或分类或标注来分析问题，这一步说起来很简单，就把标注或分类的问题再去细化拆解进行统计一下就行了，但也有值得说的地方；

我们首先要想统计的目的是为了帮我们我们制定下一步的行动计划，或是完善功能、或者迭代产品、或是发现问题……因此我们的统计的颗粒度一定要能够给出行动方向才行，不然统计也是白统计；

我们可能统计后发现了不同的问题占比分别是多少，比如用户反馈问题中，用户bug占了10%，用户抱怨占了30%，用户建议占了20%……我们可能无法根据这些数据制定下一步行动计划，所以还得细化分解统计；

就需要将不同问题单独拿出来做统计整理，bug类的问题可能还需要找研发一起来细化统计，哪些是明显的问题，哪些是需要测试介入的，哪些是需要产品介入的，哪些是需要客服回访用户才行的……

用户抱怨类问题也是，可能分为系统性能抱怨，产品抱怨，分别统计出来给研发和产品……

效果分析也是一样，按照这样的方式来细化统计每个大分类下的问题，直到这些问题能够指导行动或明确；

05

优先级排序

有些问题，是需要多个部门一起来看优先级的，至于优先级怎么排，相信不同的团队有不同的考虑，就不说了，自己内部确定好即可；

比如在整理和统计课程未成功付费用户的数据后，发现提交订单环节有3种情况，分别是提交后未付款（35%）、提交订单失败（20%）、未提交订单（45%）；

提交订单失败就还需要继续拆解，看失败的原因是什么，然后把原因列举出来找研发一起看，按照怎样的优先级来解决，提交后未付款和未提交订单也是一样，继续拆解，然后列出优先级；

可以马上改的改，优化的优化，可能还有些是现阶段无法解决的，就先搁置着，有些问题是影响较小但投入较大，综合权衡后决定暂时不做改变……

这就是优先级，按照自己部门和公司的各种准则综合来排优先级就行；

06

制定下一步计划

这个也很重要，因为分析后不就是为了制定下一步行动计划么，根据前面的优先级，依次制定下一步的计划即可，就不多说了；

多说几句

里面可能有些步骤是可以同步进行的，没必要非得这样一步一步来，或者完全按照这个来，基本上以上5个步骤是我在分析数据时会用到的大概步骤，大概思路是这样的，其实里面要细说还有很多可以说的，就不啰嗦了；

题图来源：Photo by Isaac N.C. on Unsplash