假设你在面试数据运营或者数据产品经理，面试官可能会问你：如果某个数据指标异常了，你会怎么分析？比如转化率低了？
试想下你是否也遇到过类似问题？当时你是怎么回答的？大多数面试者可能会一上来就说分析这个数据、那个数据，然而我会认为，更合适的做法应该是：先把背景问清楚，再思考解决方案。
任何一个数据都是有来源的，任何一个指标的变化都是相对的，不同变化带来的结果也是不同的，因此如果要分析，就先要搞清楚三点：定义、参照物、影响。
1、定义
也就是说先明确指标的统计口径。如果是转化率，那分子是什么、分母是什么，分别在触发什么条件的情况下分子、分母会加1，会在哪些页面下会触发，这样的触发说明了什么问题。比如同样是转化率，有的是信息流平均每用户每刷新点击转化，分子是点击文章次数，分母是信息流请求次数，转化率高说明用户对我们推荐的文章感兴趣。再比如商品详情页的转化率，那其实应再拆分成详情页到支付收银台的转化率，和从收银台到完成支付的转化率，其分子是点击到下一个页面的次数/人数，分母是来到这个页面的次数/人数等等。总之就是说清楚到底是什么“转化率”。
2、参照物
变化这个词是相对的，因此说变化前要先明确参照物，可分横向和纵向对比，纵向是和当前指标的历史比，横向可以是看竞品的数据，可以是同一页面其他位置的操作行为对比，不同参照物的变化得出结论肯定是不同的。如果在时间维度对比，就要去看公司内部是否有做过什么运营活动，产品上是否做过功能迭代等等；如果和竞品对比，则要看竞品是否有什么行动，促销或刷量都会带来数据的波动。另外在对比时还要注意是突然变化了还是缓慢变化。
3、影响
也就是说，明确要分析的指标变化，会带来什么影响。比如是会直接影响业务还是间接，是由于某个主指标变化带来的还是个独立指标，影响范围有多大等等。明确指标影响的目的是确认其和哪些业务有关联，判断我们要分析到什么程度才能将影响降到最低或者消除影响。
确认了以上三个前提后，我们才应该进入真正的分析阶段。具体思路可以怎么开展呢？
1、确认业务模型
所谓业务模型，就是产生这条数据的过程，需要识别实体和流程，也就是讲清楚谁在什么时间什么地方做了什么为什么做做了多少？比如我们要分析电商页面的购买转化率，我们会想到这里面涉及到用户、页面、商品之间的交互和跳转，那他们之间的关系需要梳理出来。这一步主要是做一个分析的框架，知道从哪些方向考虑问题。
2、拆解维度，进行细分
这一步的目的是从数据层面去看原因，方法就是做钻取，把分析维度拆解到足够细、足够多。比如：
用户维度：是新用户还是老用户、是iOS还是Android、是河北的还是山东的……
页面：UI布局如何，有几个功能按钮，完成操作需要经过哪些流程……
商品：价格、展示信息的丰富度、相比竞品是不是必须要买、有没有替代品……
这个里面有n多维度去看，是否能命中原因，取决于分析师的数据敏感度和经验，如果穷尽了所有维度还是找不到原因，建议跟业务或者产品或者用户聊一下，也许能发现一些新思路。当然在分析前聊清楚效率会更高。
3、找到原因，验证结论
完成分析后你可能会猜测一些影响因素，然后把这些原因和提出数据问题的业务人员确认，给出改进建议，进行运营端或产品端调整，再跟进结果，确认分析思路是否正确。确认后，还要记得把这个原因加入你的知识库，后面遇到类似问题可以优先考虑，提高效率。
最后再总结一句，改变了现状的分析才是有意义的分析，能不能给出有效建议是一个数据人业务能力的体现，希望大家都能在这条路上有所成就，加油！
本文由用户@Bunny发布于新媒体运营，未经许可，禁止转载。
题图来自Unsplash，基于CC0协议。
