# 数据分析 · 第 01 篇｜数据分析是什么

> 系列：project / 数据分析（共 12 篇）｜AI生成｜2026-10-27｜codebuddy

这一篇讲什么：很多人对数据分析的第一印象是画报表——把系统里的数拉出来，做成折线图和饼图，发给老板。但报表只回答「是多少」，不回答「所以呢」。这一篇要把分析拉回它本来的位置：用数据降低一次具体决策的不确定性。你会看到数据、指标、洞察、结论这四个词的区别，看到描述、诊断、预测、规范四类问题各自长什么样，也会完整走一遍从「3 月 GMV 跌了 8%」到「下周该改哪个环节」的拆解。读完你应该能判断：手上这个需求，到底是一个可分析的问题，还是一句还没想清楚的抱怨。全文八节，前四节立框架，后四节给案例、产出形态、能力模型和误区。

## 一、数据分析不是做报表，而是降低决策的不确定性

先看一个几乎每天都发生的场景。运营总监在群里说「把上周的数据拉一下」，你花两小时导出订单、用户、渠道三张表，做了十二张图，排版精美。对方翻了两分钟，回了一个「哦」，然后没有然后了。

问题不在图做得不好，在于这份东西没有改变任何决定。他原本打算把预算加到信息流，看完还是打算加；他原本不确定老客是不是在流失，看完还是不确定。你交付的是记录，不是分析。

所以先给一个工作定义：**数据分析是在一个具体的决策情境下，用可获取的数据和明确的方法，把「我猜」变成「我有依据地判断」，并把这个判断的置信程度和适用边界说清楚的过程。**

这个定义里有三个词需要咬住。

第一是「具体决策」。没有决策就没有分析，只有统计。决策可以是「下个月预算怎么分」「这个功能要不要上」「这批货补多少」，也可以弱一点，是「这个异常要不要现在处理」。如果对方说不出看完要做什么，你有权先问回去。

第二是「可获取」。分析不是许愿。你需要的数据是否埋点、是否留痕、是否能在一周内拿到，直接决定这个问题能不能答。很多「深度分析」死在这一步：问题很好，数据不存在。

第三是「置信与边界」。这是分析区别于拍脑袋的核心。拍脑袋说「我觉得是落地页的问题」，分析说「时间吻合、且只发生在信息流渠道，但没做实验，置信中等，建议先回滚再验证」。承认不确定性，比假装确定更专业。

在这条链路上，有四层东西经常被混为一谈。

| 层级 | 回答的问题 | 北辰优选示例 | 判断标准 |
| --- | --- | --- | --- |
| 数据 | 发生了什么记录 | U1001 在 2026-03-12 10:21:03 支付 268 元 | 可追溯、可核对到原始行 |
| 指标 | 按口径聚合后是多少 | 2026 年 3 月支付 GMV 1280 万元，环比 −8.0% | 口径写死，换人算结果一致 |
| 洞察 | 差异来自哪里、为什么 | 跌幅中新客贡献 −76 万、老客贡献 −35 万；新客下滑主因是首单转化率而非流量 | 能指出可切分的来源，能证伪 |
| 结论 | 接下来做什么 | 4 月 1 日回滚信息流落地页，预算的 20% 转向老客召回 | 有对象、有动作、有代价、有验证方式 |

四层里，越往下越稀缺。取数可以被工具替代，做指标可以被模板替代，洞察和结论不能。一个分析师的市场价格，基本由他稳定产出第三、第四层的能力决定，而不是由他写 SQL 的速度决定。

需要补一句：不是所有分析都必须改变决策。监控型看板的价值在于「没事发生时确认没事」，这本身也在降低不确定性——它防止你在正常波动时误判为异常，做出过度反应。但即便是监控，也要能回答「什么情况下我会报警」，否则它仍然只是墙纸。

## 二、四类问题：描述、诊断、预测、规范

所有分析问题，不管包装成什么样，基本可以归到四类里。

| 类型 | 核心问句 | 北辰优选示例 | 常用方法 | 典型产出 |
| --- | --- | --- | --- | --- |
| 描述 | 发生了什么 | 3 月 GMV 1280 万，环比 −8.0%，日均环比 −16.9% | 汇总、同比环比、结构占比、分布 | 日报、看板、复盘事实页 |
| 诊断 | 为什么发生 | 新客 GMV 少 76 万，其中转化率从 4.2% 降到 3.3% 贡献约 80% | 拆解、下钻、对照、相关分析 | 专题分析、归因结论 |
| 预测 | 接下来会怎样 | 按当前趋势 4 月 GMV 约 1210—1240 万；恢复转化率则约 1330 万 | 回归、时间序列、分类模型 | 预测值 + 区间、预警分 |
| 规范 | 应该怎么做 | 回滚信息流落地页 + 老客召回加码，预期净增 40 万 | 实验、因果推断、优化 | 决策建议、实验方案 |

**描述**是最基础也最高频的一类。它不解释原因，只把事实说准：多少、多少比多少、变化了多少、集中在谁身上。描述做不好，后面全是错的。北辰这个案例里，如果只报「GMV 跌了 8%」，会严重低估问题——2 月只有 28 天，3 月有 31 天，按日均算是跌了 16.9%。同一份数据，描述方式不同，管理层感受到的严重程度差一倍。

**诊断**是回答「为什么」。它的技术核心是拆解：把一个总量拆成相乘或相加的几个部分，看哪一部分贡献了变化。北辰把 GMV 拆成「新客 GMV + 老客 GMV」，再把新客 GMV 拆成「新客 UV × 首单转化率 × 客单价」，立刻看到流量是涨的、转化率是跌的。诊断的难点不在算，在「拆到哪一层停」和「怎么排除别的解释」。

**预测**是回答「会怎样」。它依赖一个前提：过去的规律在未来一段时间仍然成立。促销季、改版、竞品补贴都会让这个前提失效。所以预测的正确交付方式不是一个数，是一个区间加一组假设：「在不大促、不改版的假设下，4 月 1210—1240 万」。

**规范**是回答「怎么办」，也是最容易越界的一类。它需要因果，而不只是相关。你观察到「改版后转化率下降」，这只是相关；要说是改版导致的，需要对照或实验。第 05 篇会专门讲这件事。

四类问题的难度递增，但价值不递增。日常业务里，八成需求是描述加诊断。一个常见的错误是：用预测模型去回答一个描述问题，或者在没有因果证据时给出规范建议。前者是杀鸡用牛刀，后者是拿刀乱砍。

## 三、从业务问题到结论：七步工作流

真正把分析做扎实，靠的不是灵光一现，是一条每次都能重走的路。

| 步骤 | 要做的事 | 交付物 | 常见失败点 |
| --- | --- | --- | --- |
| 1 业务问题 | 问清谁要做决定、决定什么、什么时候要 | 一句话的需求确认 | 接受「看看怎么回事」这种没有决策指向的需求 |
| 2 可分析的问题 | 把模糊问句改写成有对象、时间、口径、基准的问句 | 分析问题陈述 | 把「为什么跌」直接等同于「拉一个月数据」 |
| 3 指标与口径 | 写死分子分母、时间归属、包含排除 | 口径说明（三五行） | 口径口头约定、中途换口径 |
| 4 取数与清洗 | 取数、去重、排除测试账号、处理退款与时区 | 可复现的 SQL / 数据集 | JOIN 膨胀、日期边界、把退款算进 GMV |
| 5 分析 | 拆解、下钻、对照、验证假设 | 图表 + 中间结论 | 只做总体不做切片、把相关当因果 |
| 6 结论与建议 | 写成「谁、何时、做什么、代价、怎么验证」 | 结论页 | 只给现象、建议没有责任人和成本 |
| 7 验证与复盘 | 上线后按同一口径回看，记录偏差 | 复盘记录 | 不看结果，或换了口径导致无法比较 |

**第 1 步的关键动作是「反向确认」。** 对方说「3 月 GMV 跌了，看看怎么回事」，你要复述成：「您是要决定 4 月预算怎么分，还是想确认是不是某个改动出了问题？如果是前者，我周四前给您一版按新老客和渠道拆的结论；如果是后者，我需要知道 3 月有哪些改动上线。」这句话把「看看」逼成了一个可交付的东西。

**第 2 步是把业务语言翻译成分析语言。** 翻译的模板后面第四节会给。这里只需记住：凡是出现「为什么」「怎么样」「好不好」的问句，都要补上对象、时间、口径、基准，否则它不可执行。

**第 3 步是最容易被跳过、也最容易埋雷的一步。** 北辰的 GMV 至少有四种合理定义：按下单时间还是支付时间归属；含不含运费；含不含退款；含不含取消单。README 里的统一口径是「状态为 paid 的订单金额之和，退款单不计入，按下单日期归属」。如果 2 月用含退款口径、3 月用不含退款口径，跌幅会凭空多出两个点。口径不是文字游戏，它是结论的地基。

**第 4 步是纯手艺活，第 02 篇整篇都在讲。** 这里只提醒一个数字：订单表 LEFT JOIN 退款表，如果一笔订单有多条退款记录，GMV 会被按退款条数放大。北辰的示例里，一次错误连接让 3 月 GMV 从 1280 万变成 1341 万，多出 4.8%，足以让「跌 8%」变成「跌 3%」，结论完全反过来。

**第 5 步的核心是「先拆后看」。** 不要一上来就跑相关、跑模型。先把总量拆成二到四个互斥且完备的部分，看贡献；再对有异常的部分往下钻一层。北辰的拆法是：GMV → 新客/老客 → 新客的 UV、转化率、客单价 → 转化率按渠道 → 渠道按时间。钻到「信息流渠道 3 月 6 日起转化率断崖」这一层，假设就浮出来了。

**第 6 步要交的不是「洞察」，是「动作」。** 判断标准很土：把结论发给一个不看数据的人，他能不能照着做。北辰的结论页写的是「4 月 1 日回滚信息流落地页（1 人日），预算 20% 转向老客召回（约 30 万），两周后看首单转化率是否回到 4% 以上」，不是「建议优化落地页体验」。

**第 7 步是大多数团队缺失的一环。** 分析做完就结束，没人回来看建议有没有效。结果下一次遇到同类问题，还是从零开始猜。一个简单的做法是：每条建议后面挂一个「验证日期 + 验证指标 + 预期值」，到日子自动提醒。

## 四、好问题和坏问题差在哪里

这是本篇最值得带走的一节。分析做得好不好，七成在问题定义阶段就决定了。

| 坏问题 | 好问题 | 差在哪 |
| --- | --- | --- |
| 用户为什么流失？ | 过去 90 天未登录、且注册首周未完成「浏览商品→加购」两步的用户，主要卡在哪个环节？ | 没有对象、没有时间窗、没有可切分的环节 |
| 哪个渠道效果好？ | 按 90 天回收口径，3 月各渠道新客的获客成本与 90 天 LTV，谁的回本周期最短？ | 「好」没有定义，缺成本与回收周期 |
| 转化率能不能提升？ | 结算页从 3 步改成 1 步，支付转化率能否从 62% 提升到 66%？ | 没有具体干预，没有目标幅度 |
| 最近数据怎么样？ | 3 月支付 GMV 环比 −8.0%，是否超出近 12 个月正常波动区间（±5%）？ | 没有基准，无法判断是否异常 |
| 用户喜欢什么？ | 加购后 24 小时内未支付的人，最常返回哪个页面、点了什么？ | 「喜欢」不可测，应换成可观测行为 |

拆开看，好问题有四个必要成分，再加一个出口。

**对象**：谁。全部用户、新客、某渠道用户、某城市用户。对象的边界决定了样本，也决定了结论能推广到哪。

**时间**：哪一段。3 月、过去 90 天、注册后第 7 天。时间窗不写，数据范围就可以被随意解释。

**口径**：怎么算。GMV 含不含退款、转化率分母是 UV 还是 PV、留存是第 30 天当天还是 30 天内任意一天。

**基准**：和什么比。环比、同比、目标值、对照组、历史波动区间。没有基准的「涨了」和「跌了」没有意义——3 月比 2 月多三天，涨是应该的。

**出口**：结论能落到哪个动作。如果不管结果是什么，业务方都不会做任何改变，这个问题不值得花两周。

可以记一个改写模板：

> 在【时间范围】内，【对象】的【指标，按某口径】相比【基准】变化了多少，主要由【哪些可切分的部分】贡献？

把「3 月 GMV 跌了」套进去：在 2026 年 3 月内，北辰优选全站支付 GMV（paid 订单金额之和，按下单日归属，不含退款）相比 2 月变化了多少（同时用日均口径复核），主要由新客/老客、以及各获客渠道的哪些部分贡献？

一句话，问题就从「看看」变成了一个可以排期、可以验收的任务。

## 五、案例：把「GMV 跌了 8%」拆成可分析的问题

回到北辰优选。2026 年 4 月 1 日，管理层在会上说：「3 月 GMV 跌了 8%，看看怎么回事。」下面是一次完整的拆解示范。

**第一步，确认真实决策。** 追问后得知，管理层 4 月 8 日要定两件事：信息流预算加不加、落地页要不要改。所以这次分析不需要 40 页报告，需要的是「跌在哪、和什么有关、4 月做什么」。范围就此锁定。

**第二步，对齐口径与基准。** GMV 用 README 的统一口径；同时看环比（对比 2 月）和同比（对比 2025 年 3 月）；因为 2 月只有 28 天，必须补一个日均口径。

| 口径 | 2026-02 | 2026-03 | 变化 |
| --- | --- | --- | --- |
| 月 GMV（万元） | 1391 | 1280 | −8.0% |
| 日均 GMV（万元） | 49.7 | 41.3 | −16.9% |
| 支付订单数（万单） | 4.02 | 3.71 | −7.7% |
| 客单价（元） | 346 | 345 | −0.3% |

这张表已经改变了问题的性质：按总量看是「小幅下滑」，按日均看是「接近腰斩式下滑」。客单价几乎没变，说明问题不在「卖得贵不贵」，在「买的人少了」。

**第三步，按公式拆解。** 用两个恒等式：

```
GMV = 新客首单 GMV + 老客复购 GMV
新客首单 GMV = 新客访问 UV × 首单转化率 × 客单价
老客复购 GMV = 活跃老客数 × 复购率 × 客单价
```

代入示例数据（示意值）：

| 分项 | 2026-02 | 2026-03 | 变化 | 对总跌幅的贡献 |
| --- | --- | --- | --- | --- |
| 新客首单 GMV（万元） | 588 | 512 | −12.9% | 贡献 −5.5 个点 |
| 老客复购 GMV（万元） | 803 | 768 | −4.4% | 贡献 −2.5 个点 |
| 合计 | 1391 | 1280 | −8.0% | −8.0 个点 |

新客贡献了三分之二的跌幅，优先钻新客。继续拆：

| 新客分项 | 2026-02 | 2026-03 | 变化 |
| --- | --- | --- | --- |
| 新客访问 UV（万） | 42.0 | 46.0 | +9.5% |
| 首单转化率 | 4.2% | 3.3% | −21.4% |
| 客单价（元） | 333 | 337 | +1.2% |
| 新客 GMV（万元） | 588 | 512 | −12.9% |

流量在涨、客单价在涨，唯一在跌的是转化率，且跌幅足以吃掉流量的增长。问题从「为什么 GMV 跌」变成了「为什么新客首单转化率从 4.2% 掉到 3.3%」。

**第四步，继续下钻到渠道和时间。** 按渠道拆转化率，按周看走势：信息流渠道从 4.1% 掉到 2.8%，搜索从 5.2% 到 5.0%，老客推荐从 6.8% 到 6.6%；时间上，断崖出现在 3 月 6 日，而信息流专用落地页在 3 月 5 日晚完成改版。三条线索指向同一个假设。

**第五步，把假设写成结论，并标注证据强度。** 这一步最见功力：不是所有发现都配得上「结论」二字。

| 结论 | 证据强度 | 建议动作 | 代价 | 验证方式 |
| --- | --- | --- | --- | --- |
| 信息流落地页改版拉低首单转化率 | 中：时间吻合、渠道特异，但未做对照实验 | 4 月 1 日回滚，或对半开 AB 测试 | 1 人日 | 两周后转化率是否回到 4.0% 以上 |
| 老客复购率下降与 2 月春节促销透支有关 | 弱：仅时间先后 | 暂不动，观察 4 月自然回升 | 0 | 4 月复购率是否回到 26% 以上 |
| 搜索、推荐渠道基本稳定 | 强：多期一致 | 维持现状，预算不加不减 | 0 | 月度跟踪 |

到这一步，原始需求「看看怎么回事」已经被替换成三个带责任动作的判断。管理层 4 月 8 日的会只需要做一个选择：回滚还是做实验。这就是「降低决策不确定性」的具体样子。

顺带说明：这里所有数字都是教学虚构的示意值，不来自任何真实公司。真实项目里，你还需要核对埋点是否在 3 月 5 日也改过——埋点变更造成的「转化率下降」是非常常见的假警报。

## 六、分析的四种产出形态

同样是分析，交付物差别很大。选错形态，事倍功半。

| 形态 | 回答什么 | 更新频率 | 适合场景 | 成本 | 失败信号 |
| --- | --- | --- | --- | --- | --- |
| 日报 / 看板 | 描述：现在多少、有没有异常 | 每天或实时 | 指标稳定、多人共享、需要持续监控 | 低 | 放了 30 个图，没人打开 |
| 专题分析 | 诊断：为什么、来自哪里 | 一次性或按季度 | 异常排查、月度复盘、重大决策前 | 中 | 只有现象描述，没有归因 |
| 实验 | 规范 / 因果：这个改动有没有用 | 一次 1—4 周 | 要判断某个动作的真实效果 | 中高 | 样本不足就下结论 |
| 预测模型 | 预测：接下来会怎样 | 按需重训 | 资源排期、库存、流失预警、风险评分 | 高 | 离线指标好看，线上没人用 |

这四种不是替代关系，是一条流水线：**看板发现异常 → 专题定位原因 → 实验验证动作 → 模型把结论固化下来做规模化预警。**

选型上有一条朴素原则：能用看板回答的，不要做专题；能用专题回答的，不要上模型。模型的维护成本是专题的五到十倍，而它擅长的是「重复预测很多个体」，不是「解释一次异常」。北辰这个案例，用专题就够了；如果要做的是「给 30 万老客每人算一个流失概率、每天更新」，那才轮到模型。

另一个常见错配是：用实验去回答描述问题。有人问「3 月新客有多少」，你说「我们做个 AB 吧」——这是把工具当成了目的。

## 七、分析师的能力模型

四项能力，经常被列成并列的四条，其实它们是乘法关系。

| 能力 | 含义 | 自检问题 | 不合格的表现 |
| --- | --- | --- | --- |
| 业务理解 | 知道钱从哪来、谁做决定、哪些变量真的能动 | 如果这个指标跌 10%，公司会做什么？ | 只会问「你要看哪些字段」 |
| 数据能力 | 能独立取数、清洗、校验、复现 | 这个数你能自己跑出来吗？换个人算是否一样？ | 拿到数据就用，从不核对总量 |
| 方法 | 知道什么时候用对比、漏斗、回归、实验 | 你为什么选这个方法？换一个会不会得出相反结论？ | 任何问题都上同一个模型 |
| 表达 | 让不看数据的人在 3 分钟内抓到重点 | 你的结论能不能用一句没有术语的话说清？ | 先讲三个月的取数过程，最后才说结论 |

**业务理解是乘数里的第一个因子。** 它为 0 时，其余三项再强，结果还是 0——你会做出逻辑严密、方法正确、但和业务无关的分析。判断一个人业务理解好不好，有个很灵的测试：问他「这个指标跌了，你们会怎么办」。答得出具体动作的人，是真的懂；答「先分析原因」的人，还在门外。

**数据能力是底线。** 它不要求你会写复杂 SQL，要求的是「你交出去的数是可信的」。可信的标准很具体：总量能对上财务或上游系统、口径写在文档里、换个人按文档能复现。

**方法是天花板。** 它决定你能不能从「看到差异」走到「排除其他解释」。但方法是最容易过学的——网上课程最多，也最容易让人误以为自己会分析。

**表达是放大器。** 它能把前面三项的价值放大三倍，也能把 0 放大成 0。第 11 篇整篇讲这件事。

成长顺序上，建议先把业务理解和 SQL 打扎实，再补方法，最后练表达。理由很实际：表达是放大器，前面的信号是 0 时，放大也没有用；而方法和表达都可以在有了真实问题之后现学，业务理解不行。

## 八、五个常见误区

**误区一：只堆图表。** 十二张图，没有一句结论，让读者自己找重点。检验方法很粗暴：把所有图删掉，只留标题和一句话小结，还能不能读懂？如果不能，说明图是装饰。

**误区二：把相关当因果。** 北辰案例里，「落地页改版」和「转化率下降」同时发生，这只是相关。同期还可能有竞品涨价、埋点变更、流量结构变化。要说是改版导致，至少需要：时间上改版在前、只影响改版渠道、其他渠道稳定、最好有对照。第 04、05 篇会详细讲。

**误区三：只看总体。** 总体 GMV −8.0%，拆开是新客 −12.9%、老客 −4.4%。如果只看总体，你会得出「全面下滑，需要全面促活」；拆开看，资源应该集中在新客转化。更极端的版本是辛普森悖论：分渠道看都在涨，合起来却在跌，因为高转化渠道的占比下降了。

**误区四：指标口径不一致。** 2 月用含退款 GMV，3 月用不含退款 GMV；或者 2 月按支付时间、3 月按下单时间。这类错误不会报错，只会让你的结论安静地错掉。防御方式只有一个：口径写在分析文档的第一屏，且中途不改。

**误区五：结论不可执行。** 「建议提升用户体验」「建议加强用户运营」——这不是结论，是愿望。可执行的结论必须回答：谁、在什么时间、做什么、花多少钱、怎么判断成功。北辰案例里「回滚信息流落地页，1 人日，两周后看转化率是否回到 4%」才是。

## 本篇要点回顾

1. 分析的产出不是一个数或一张图，而是一个被改变的决定；判断标准是看完之后，有没有人原本要做的事发生了变化——北辰案例最终落在「回滚落地页」这一个动作上。
2. 数据、指标、洞察、结论是四层，越往下越值钱：从「一笔 268 元的订单」走到「4 月预算切 20% 给老客召回」，中间隔着三次拆解。
3. 描述、诊断、预测、规范四类问题，决定你需要什么数据、能说多硬的话；日常八成需求是前两类，别用预测模型回答描述问题。
4. 好问题 = 对象 + 时间 + 口径 + 基准 + 可执行出口；「用户为什么流失」不是问题，「过去 90 天未登录且首周未激活的用户卡在哪个环节」才是。
5. 七步工作流里最容易翻车的不是分析，是第 3 步口径和第 6 步建议；北辰的「跌 8%」在按日均复核后其实是 −16.9%，差了一倍。

## 延伸阅读

- **第 02 篇《数据准备与 SQL 取数》**：本篇只说了「要什么数」，第 02 篇讲怎么把 users / orders / events 三张表连起来，以及一次错误的 LEFT JOIN 如何把 1280 万变成 1341 万。
- **第 03 篇《描述性分析与指标体系》**：本篇第五节的「拆解」在第 03 篇变成具体工具——指标树、漏斗、cohort 留存和 RFM 分层。
- **第 04 篇《诊断性分析与归因》**：北辰案例里「改版导致转化下降」还只是中等强度的假设，第 04 篇讲怎么用下钻、对照和排除法把它变成证据。
- **第 07 篇《分析方法全景与选择》**：把本篇第二节的四类问题展开成一张方法选择地图，解决「看到问题不知道用哪个方法」。
- **第 11 篇《分析报告与沟通》**：承接本篇第六节的四种产出形态，讲怎么把结论写成一份能推动落地的报告。