原文：The Analytical Skills No One Teaches You
作者：SeattleDataGuy
翻译：Li Wuqiong
数据分析工作不只是写写SQL、查查数、做做报表。本文从分析思维、根因分析、KPI 设计四个方面，梳理那些很少有人系统教、却会直接影响业务判断的基本功。对初级分析师、数据从业者和需要用数据做决策的业务同学，都有参考价值。
网上关于如何做出能影响高管决策的分析的材料并不多。
即使只是做一个简单的分析，很多人也得摸索一阵子。我刚和一位数据科学负责人聊过，他说自己曾被一位高管单独叫去，直截了当地指出他的分析做得不够好。
分析师、工程师和业务同学都需要在工作中逐渐学会很多分析技能，但很少有人会明确告诉你，什么样的做法是好的，什么样的又不合格。
所以，今天就来聊聊你应该开始打磨的四项基本功。
1. 如何培养分析思维
很多公司会问求职者一些看似毫无来由的问题，比如：全世界有多少名牙医？
他们想考察的是你的分析思维或分析直觉。
简单来说，面对一个信息有限的问题，你能不能搭建出合理的分析框架/主线或解题思路；即使当下无法得出答案，至少也要知道之后需要查找哪些信息。
如果你想提升分析直觉，可以试试下面这些方法。
估算合理范围，并拆解样本
例子：全世界有多少名教师？
思路：
①先根据自己比较熟悉、且与问题相关的事物做一个有根据的猜测，把它当作参照值。
②然后利用平均值和比例关系，一步步估算出大致范围。
批判性思维：涨跌判断
一个数值上升后，之后应该会在相近的幅度上回落；反过来也一样。这也是我们使用连续分布和概率预估的原因：它们有助于判断自然波动，而不是只盯着孤立的变化。
如果你刚接触一份数据集或一个分析项目，首先要了解流量自然波动的幅度，以及基准线本身的变化范围。这样才能把正常波动和外部因素造成的变化区分开，也能判断多大的偏差才算“异常”。
理解指标和指标体系
大多数指标本质上都是一个比例，只代表由多个部分构成的整体中的一部分。
比如，你确认支付成功率是 25%，这意味着 25% 的用户成功完成了交易；同时也意味着 75% 的用户没有成功。你找到的相关指标越多，越容易相互校验。
漏斗和转化也是同样的道理。每个指标都是整体的一部分。如果一项指标上升，另一项指标应该随之下降，或者也一起上升。如果两种情况都没有发生，那就要开始质疑所有数据。
这也是为什么要理解业务，就要先梳理出指标体系：弄清指标之间的关系之后，要判断什么在下降、为什么下降，就会容易得多。
养成核查原数据的习惯
每次抽样或生成报告时，都从数据集中随机选出 5 到 10 名用户，手动核对他们的属性，例如实付价格、账单详情、订阅方案、所在国家、交易次数等。
在每份报告或仪表盘中，都要养成手动抽查和交叉核对的习惯。不要盲目信任工具或自动化流程。
2. 如何做异动分析
当一项指标出现意料之外的变化时，我们就需要做异动归因的分析（根因分析，Root Cause Analysis）。例如：
- 日活跃用户数（DAU）开始逐月缓慢下降，但月活跃用户数（MAU）保持平稳。
- 每周净新增交易量增长了 5%，总收入却没有变化。
- 年付订阅用户的流失率翻了一倍。
- 试用转付费率下降了 10%。
关键在于“意料之外”。分析师需要掌握“基准线”这个概念：它是一个估算值，可以通过建模、预测或日常业务体感认知得出，并根据季节性、环比和同比变化进行调整。
比如，你可能会注意到，9 月的总交易量比 8 月大幅下降。如果每年这个时候都会出现类似情况，那么这次下降可能是预期之内的；也可能是系统出了问题；还可能两种情况都有。
要弄清楚原因，你就得先了解基准线：在一年中的这个月份、这个时间点，你通常预计会有多少笔交易？这个数字变化了多少？
第一步：校准数据源
寻找同类数据源，看看它们是否也显示了类似的下降，以此确认问题确实存在。
追溯数据生产的上游，比如可能的问题包括：ETL（数据抽取、转换和加载）流程出错、消息队列拥堵或延迟、事件行为日志丢失等等。
如果你确信数据准确，而且下降确实发生了，就可以开始建立不同的假设模型，分析问题可能出在哪里。
分析：提出多个假设，并逐一验证或排除
- 产品假设：下降可能与产品故障或某项产品发布有关。如果是故障，指标通常会突然下跌；如果是产品灰度测试发布，下降也可能是渐进的，因为团队经常会按 1%、20%、50%、100% 的流量逐步放量。影响也可能只出现在某类用户中，例如新用户或付费用户。
- 市场或竞争假设：可能有新的工具抢走了市场份额，也可能是支出放缓，或用户获取策略发生了变化。这类问题通常会表现为逐渐下滑，不一定与某一场营销活动或促销直接相关。
- 用户假设：这种情况通常是逐步、且不太规则的下降。原因在于，(a) 不同用户画像的占比会变化；(b) 这些变化不一定和季节性有关，反而可能与吸引他们来的营销活动有关。因此，下降可能从何时开始并不容易识别。你需要按不同用户群组检查指标变化，例如注册但不活跃的用户、活跃度下降的用户、重度用户、高级版或免费用户、企业或个人用户，以及与你的业务相关的其他画像。
- 外部因素：极端天气、节假日、重大事件等；
当你根据数据验证了某个假设——无论问题出在产品故障、营销还是用户行为——就可以把问题与相关团队讨论，收集更多背景信息。理想情况下，在沟通之前，你已经准备好了几步分析和假设，能说清楚究竟是哪项指标下降了、下降了多少。
3. 如何设计KPI，并让它驱动行动
指标有很多种
- 顶层指标（Top-level metrics）：衡量公司的战略方向和整体表现。顶层指标需要根据具体的商业模式、所处环境和战略来设定和调整，背景与细节在这里尤其重要。顶层指标通常按月或季度汇报。
- 北极星指标（North Star Metric）：代表公司的一项核心目标。Mixpanel 对北极星指标的定义是：“要成为北极星指标，必须满足三个条件：能够带来收入、体现客户价值，并衡量进展。”它可以是 DAU、用户生命周期价值（LTV）、月度经常性收入（MRR）或其他指标，主要作用是让各个团队围绕一个共同目标协同工作。
- 次级指标（Secondary metrics）：更细化的健康度指标和产品目标，用来衡量产品和流程运转得有多好。次级指标对产品变化很敏感，因此可以用来衡量 A/B 测试、功能采用情况或故障带来的影响。由于这种敏感性，它们通常也会按周监控和汇报。
- 虚荣指标（Vanity metrics）：看上去很亮眼，却没有实际用途或行动价值；它们既不能带来增长或收入，也和你能采取的改进措施无关。这类指标往往过于简单，忽略了背景。比如社交媒体粉丝数或注册用户总数。就像去健身房只练手臂，却完全不练核心肌群。更多内容可看虚荣指标。
- OMTM（One Metric That Matters，当前最重要的单一指标）：它不同于北极星指标，是一个阶段性的目标，用来让公司所有团队暂时聚焦于同一个问题。比如软件被黑、所有用户账户都被删除时，OMTM 可以是已恢复的账户数量。没那么戏剧化的例子是开始迁移系统时，可以把成功迁移的账户数设为 OMTM。又比如，当流失问题明显集中在新账户和续费上时，就必须暂停其他工作，把重点放在留存上。
好的指标应该具备这些特征
- 相关性（Relevant）：能代表你想要看到的结果。如果你调整了用户流程，就应该衡量用户走过的步骤及后续行为，而不是新增收入。
- 可衡量（Measurable）：你是否真的有数据来计算这个指标？数据来源可信吗？
- 具体（Specific）：足够具体，能反映正确的产品变化。用户留存率并不是衡量 A/B 测试效果的合适指标；用户行为的频率或类型可能更合适。
- 重要性（Prioritized）：要能看出它相较于其他指标为什么更重要，也要分清哪些指标只是“有了更好”，哪些是汇报时必不可少的。
- 平衡性（Balanced）：既衡量正向结果，也衡量负向结果。如果某项功能的使用流量增加了，很可能其他地方会有所下降。
指标类型
按照统计/聚合方式，主要有四类指标，分别用于捕捉不同的信息：
- 总和与计数：日活跃用户数、销售额总和、独立退订用户数等。
- 分布指标（均值、中位数、众数、百分位数）：平均内存使用量、MAU 占比、会话时长中位数等。
- 概率与比率：如果你更改了页面布局，就需要衡量点击率或点击概率。
- 比例：月付与年付订阅的比例、男性与女性用户的使用比例等。
不同领域常见指标示例
增长与营销类：独立访客数、首次访问数、回访人数、跳出率、安装量、注册量、客户获取成本（CAC）、点击率（CTR）、单次展示成本（CPI）、单次转化成本（CPA）、用户获得价值所需时间、访客注册转化率、注册付费转化率、产品或功能采用率、病毒式传播系数、网络效应得分、广告支出回报率（ROAS）、合格潜在客户数量、潜在客户转化率、平均潜在客户评分、潜在客户获取成本（CPL）、退订人数。
收入类：月度经常性收入（MRR）、年度经常性收入（ARR）、净收入、净收入留存率、付费客户数、已激活试用用户数、免费转付费人数、付费降级为免费的人数、收入流失率、客户流失率、按月或按周完成首单的客户数、每日或每月总购买金额、用户生命周期价值（LTV）、每个账户的平均收入（ARPU）、加购转化率、新增收入、投资回报率（ROI）等。
参与度：活跃用户数（月活MAU、周活WAU、日活DAU）、相邻用户数、留存率（D0、D1、D7、D28、1年等不同时间周期）、回访用户数、每日或每小时行为次数、总观看时长/总使用时长、访问频率、单次会话浏览页数、页面滚动深度、平均会话时长、退出率、产品放弃率等。
客户成功：客户满意度（CSAT）、净推荐值（NPS）、客户健康度评分、工单解决率、平均解决时长、平均回复时长、客户费力度评分（CES）、首次响应时间、每日或每月工单请求数。
平台与工程：产品支持成本、研发成本、外包比例、成本绩效指数（CPI）、进度绩效指数（SPI）、正常运行时间、每月或每年的平均停机时长、机器停机率、计划维护占比、发布次数、运行成本、缺陷数量、拉取请求（PR）数量、容量利用率、内存使用量、每分钟请求数（RPM）、每分钟错误数等。
4. 关于设计KPI的几个常见误区
- 不要把 KPI 想得太复杂。如果你不确定该如何衡量一项计划，就先用简单指标，比如独立浏览量、行动号召（CTA）点击量，以及点击 CTA 的用户占比。不是所有事情都得和 LTV 或 MRR 挂钩。
- 使用有效的代理指标：它既要敏感，也要独立。如果一个代理指标需要复杂计算，那它就不是好的代理指标。
- 不需要过分纠结行业基准，这只是一个分析的起点，重点在于后续过程中的迭代优化。
- 不同项目的指标口径往往不同，因而不要把上一份工作的指标定义直接搬到当前项目。每个产品都不一样，用户生命周期也不同。有些应用提供月付和年付订阅，有些则有 18 种付款方案。流失率的计算方式自然也会不同。KPI 应该根据这家企业和这款产品来设计。
最后的想法
随着你逐渐成长为数据分析师或工程师，很多技能会慢慢变成理所当然。但它们都是一步步学来的。
希望这篇内容能帮你把一些概念说清楚，或者成为一篇你愿意分享给刚进入数据行业的朋友的文章。
原文：seattledataguy.substack.com/p/the-analytical-skills-no-one-teaches
编译：Wq
本文采用知识共享许可协议（CC BY-NC），由Wq授权忽南忽北Wq发布
文章为作者观点，不代表本号立场