业务人员提的数据分析需求往往很杂，各种千奇百怪的
“
是不是、有多少、为什么、能不能、会不会，怎么办
”
等问题层出不穷。到底哪些问题可以归为一类，这类问题又该如何分析，这是每个数据分析师都想知道的。
我根据自己的经验和理解，整理了一套定义问题的方法，分享给大家。
一个业务分析需求，必备的要素有哪些？
上一篇提到了一个思考框架，业务流、管理流与数据流。
这里简单复习一下，一般常见的分析流程：
是什么：
用数据流反应管理流，解决
“
是什么
”
的问题。留存率是多少，算高算低？如果留存率低的话是哪类用户低？
我一般把常见的细分分析得出的结论，都归纳成
“
是什么
”
。
“
为什么购买转化率低？
”
，
“
因为落地页的转化率低
”
。
类似这样的回答，其实只是对转化率做了细分，本质上还是
“
是什么
”
。真正的
“
为什么
”
是
“
为什么落地页的转化率低，用户到底在想什么，需求是什么？
”
为什么：
用数据流反应业务流，解决
“
为什么
”
的问题。
什么原因造成一部分用户的留存率低？是因为需求无法满足？还是非目标用户群体？
如果是落地页转化问题，那么现在落地页上的问题是什么？哪些元素降低了转化率？
这类问题的答案要落实到具体的用户需求上。
有时候数据可以反应用户的实际使用情况，比如用户在落地页上停留较长，也愿意查看活动规则，但是转化率很低。那么这种情况大概率是用户被卖点吸引，但是看不懂规则，或者实际活动与他的理解不一致。
很多情况下，数据没法直接反应用户遇到的问题，必须通过用户调研实现。
怎么办：
在管理流中找对策解决业务流的问题，解决
“
怎么办
”
的问题。如果是需求无法满足这部分用户，那么我们可以怎么解决这个问题？增加功能还是优化现有功能的体验？
有时候，这一步并不一定是数据分析师来做的，甚至不是从数据上推导的。上一步的
“
为什么
”
如果已经找到非常具体的原因，比如
“A
类用户流失主要是由于会员到期
”
，那业务方围绕着如何促进续费就能改善这一状况。
目的：
除了分析的常见流程，还有一个分析的前提
——
这次分析的目的是什么。
这个目的往往是改善某一个具体的指标。
我虽然经常吐槽业务人员没有数据驱动业务的思维，但是在
KPI
问题上，业务人员对数据思维往往非常好。如果做的事情没办法用数据衡量，对业务人员来说价值不大。
所以：一般来说，一个数据分析需求一共要经过四个阶段：
目的：确定分析的目的，优化什么指标。
是什么：确认现在的指标情况
“
是什么
”
，问题集中在哪个部分？
为什么：现状为什么是这样，用户的需求是什么？
怎么办：制定什么样的对策来优化指标。
最常规的问题类型，是业务方知道前面
N
个环节，需要分析后面的环节。
比如最常规的，只知道目的，后续都需要分析。
用户运营找到数据分析师，想要做一个专题分析，主题是如何提升用户的活跃率。
这个问题的目的很明确
——“
提升用户活跃率
”
。但是后面的部分就没那么清楚了，数据分析师可以按照之前提到的四个步骤一步一步地向后推进。
首先要做的是
“
是什么
”
，把现有的用户活跃率的数据提取出来，看一下目前的数据表现如何。如果数据表现确实不太理想，那么再看看到底是整体都低，还是有部分群体特别低。
之后是
“
为什么
”
的阶段。如果有部分群体活跃率特别低，那么这部分用户为什么活跃率低？他们的需求是什么？
最后，针对新用户的问题，制定对应的业务动作。如果发现这部分群体只使用一些基础功能，那么如何引导他们使用高级的功能？
这样一个完整的分析基本就完成了。
其中的具体分析细节本篇暂时不讨论，放到下一篇再讲，这篇主要讲一下整个分析思路的框架。
这类问题是知道前面
N
个环节，分析过程都是类似的，向后分析即可。
其他的数据分析问题，可以用一个表来归纳。
大体分为两类，一类是有目标的，一类是没目标的。
有目标的，一般是验证猜想
比如，知道
“
目的
”
和
“
为什么
”
。
业务方想提升新功能的使用率，提出一个猜想。
新上的功能对于新用户来说理解成本比较高，想做一些优化。
但这只是一个猜想，甚至连问题本身是否存在都不确定。
这类问题需要把缺失的
“
是什么
”
补上，
1.
是什么：用数据证明新用户现有的使用率怎么样，如果新用户使用率已经较高，那么这个猜想的基础就不存在了。
如果新用户使用率确实比较低，那么再验证新功能是不是理解成本太高。
2.
怎么办：验证了猜想，再思考怎么办。
还有知道
“
目的
”
和
“
怎么办
”
的。
业务方想要提升用户数量，然后看到拼多多的微信裂变拉新搞的很成功，我们拉新是不是也可以微信裂变提升新用户数呢？
需要做的步骤：
1.“
是什么
”
：看一下目前的新用户数。也许现在的新用户数已经还不错了，那是不是还有必要花人力去优化拉新环节？
