做数据分析这么久，大家有没有思考过一个问题：数据分析的最高境界是啥？这里我可以给一个非常明确的回答：

具体问题，具体分析

就这八个字。

看到这里，很多新人会表示：“这个我早知道了呀，那么我已经达到最高境界了？”答：读出这个八个汉字，容易。能结合实际工作做到这八个字，非常难。

一、什么算具体问题

很多同学在提问的时候，喜欢用这种问法：

• 类型1：老师，有没有互联网行业的分析思路

• 类型2：老师，有没有用户画像分析思路

• 类型3：老师，有没有归因分析的思路

那么，这三种算不算具体问题呢。

不算！

随便问几个问题：

• 谁要看这个分析？

• 他看了能干啥事？

• 到底是什么业务的分析？

• 这个业务到底有没有数据？

• 现有的数据是否足够用XX方法？

什么都不知道。当然不能算是具体问题了。所谓：量体裁衣、看菜下饭。如果从源头上，分析的问题都不够具体，那也就无法确认：到底分析结果能不能让人满意。最后输出结果的时候就是拆盲盒，要么稀里糊涂过关，要么莫名其妙被批。

一个具体的问题，至少包括下述三个层面：

• 人：谁需要这个分析？

• 事：业务场景是什么？

• 数：数据有多少、质量如何？

相当多场景下， 数据分析是做给别人看的。领导/同事/客户/公众都有可能。想要做出来的分析符合需求，就得知道对方想要什么。

识别分析对象，要看五个方面：

身份：指的是听分析的人是什么部门的。部门决定了需求人所关注的工作流程、工作KPI以及对应的工作情况。了解了部门基本能初步判断需求人的关注点。

等级：部门领导、组长、小兵关注点肯定有区别。了解了等级差异，能更好地追踪到真正的需求发起人，避免被一个听风就是雨的下属搞得团团转！

技术能力：到底对数字化、数据采集、数据分析了解多少。实际上，在数据分析领域的头号问题，就是：不懂数据的领导/同事对数据模型日益增长的幻想，与基础数据采集、基本业务流程数字化建设落后之间的矛盾。如果发现对方懂得少，趁早停止吹牛逼，扔掉复杂的方法。否则吹得越大，摔得越惨。

分析动机：有相当多的人，做分析不是想了解真实情况，而是为了达成自己的目的。想借机邀功的，想甩锅的，想争取资源的。因此，弄清楚提需求的人到底屁股坐在哪里，非常重要。否则不管怎么做，他都不收货。

基础认知：到底他对业务现状，在数据上的表现，了解多少。实际工作中，相当多的人没有基础认知，遇到事凭着心情、媒体报道、领导只言片语、顾客投诉等等碎片化、感性的信息下判断。一开始判断就是错的，给出来的分析需求肯定是错的。

在工作中，很多同学觉得很委屈：

“为什么总说我不深入”

“为什么波动这么点还要纠结”

“为什么总是分析结果总改来改去”

归根到底，都是没有整明白人的问题。面对客观、理性、有逻辑的人，可以一板一眼地分析；面对主观、感性、不讲理的人，就得用非常手段。单靠书本上教的代码或者共识，可应不了他们。

三、业务场景是什么

所谓业务场景，是：达成一个业务目标的所有业务动作的合集。业务场景也分宏观、中观、微观（如下图）：

中观的部门分工与跟人员角色是一致的。因此在实际沟通汇总，先定了需求人，再结合其部门、职责分析问题场景，就很容易。对于在甲方上班的同学尤其如此，知道对方的部门和职位，就大概能判断对方的场景是啥。

对于陈老师这种乙方公司的，就得很细心地了解情况，从对方的行业、商业模式、部门分工、业务流程、系统流程，一点点去梳理，避免因为名字不同，导致的理解误差。

在这里很多同学会偷懒，经常说：老师，我是互联网/传统行业，你告诉我互联网/传统行业的通用知识就好了。

这种大而全的通识，根本就不存在。就拿医疗行业举例子，陈老师接触的客户里，以下风马牛不相及的所有人，都管自己叫：健康产业。大家看完，觉得这帮人能不能共识一个健康行业的通用标准出来……（如下图）

所以在梳理业务场景的时候，不要试图用一个大而全的概念套各种模式，商业模式、产品类型、部门分工三个是必须了解的。如果讨论具体一个产品功能/营销活动这些细节，则要细化到三大流程里去讨论。生搬硬套，只会落得一句：你这分析根本不符合我们实际。

当然，也没必要神话细节，认为每个场景都独一无二，叫嚣：“你没有在这一行干50年，赚1个亿，你就没资格做分析”。在业务场景的宏观、中观、微观的每个层级上，同一层级，同一类型，是有很多相似之处的。

比如：

• 都是B2B+冷链供应的场景，医药和生鲜就很像

• 都是B2B+电话销售的场景，卖广告还是卖招聘差异不大

• 都是B2C+分销销售的场景，保险和微商又有多大区别

具体到某一个层级+某一类型场景后，相似点多，很多分析经验就能套用。这种感受，在乙方的同学会比较深刻，特别是像陈老师这种老乙方，见多了各种场面，灵感自然源源不断。

业务场景，和数据采集形式，数据丰富程度，数据质量直接相关。业务场景，也和分析思路直接相关，落实到业务场景里，才能抓住真正业务问题，提出有价值的建议。

四、数据质量如何确认

数据分析最怕什么，答：没数据。而数据的多少，是直接由业务场景的数字化程度决定的。数字化程度低，没有数据，就是没法分析。

这一点在B2B类业务中尤其明显！以B2B+业务员跟单销售为例，理论上，跟单流程可以形成一个完整的转化漏斗（如下图）。

有系统支持和对应的管理流程，任何行业都能做到像互联网行业一样的分析！

但实际上，常常是这个鸟样：

所以，B2B类业务的同学说：老师，为什么我分析不深入？答：因为你没数据呀。甚至数字化程度低到，连客户标签库都没有。只有一个未经处理的，汉字组成的客户企业名+签约订单。这要是能分析出个子丑寅卯来就见鬼了。

类似的情况在B2C业务里也很常见。比如用的是淘系、抖音的后台，看不到明细数据；比如自建的商城埋点不够（特别是仓促上的活动页），总之没有米，肯定煮不了饭。

基础数据采集仅仅是第一步，数据质量还受到业务方动作的影响。原本没有数据的流程，只要业务方肯做，就能一定程度采集上来数据。因此只要有机会，数据部门应该全力以赴推动业务流程数字化，把短板补上。

原本正常的指标，业务方做个动作就能把形态扭曲，因此不了解业务方做出的动作，不考虑业务影响，是无法做出准确分析的。经常是做完了以后落得一句：我早知道了。

综上，这里要确认的数据质量，不仅仅指的是数据库的脏数据，而是从源头上有下面三者一起努力，才能做到：有数可用，有米下锅。后边的分析才能做得深入，精确。

1、业务流程中，有多少数据被采集

2、业务流程中，有多少数据被操控，怎么控制的

3、业务流程中，有多少潜在数据，能被捞回来

以上，我们只是简单分享了一下：具体问题到底咋个具体法，就拖了这么长的篇幅。实际上，制约很多同学做出深入分析的原因，就是简简单单的：见识太少了。连别人在做什么都不知道，怎么分析呢？

而相当多分析类书籍或者文章，要么只是在理论层面坐而论道，要么试图用一个大而全的概念去归纳宇宙万物，整什么：核心逻辑、底层思维，最后试图用几个很简单的词（什么对比思维、分解思维）解释万事万物。这种东西看多了，只会越来越虚化，更没法具体问题、具体分析了。

所以，不要再问笼统地在网上问“数据分析到底挣不挣钱？”、“怎么转行做数据？”、“怎么学习数据分析”这类大大的问题啦，对未来迷惑的，想理清自己的职业方向的。