数据分析的能力框架并不是天马行空想出来的，它是从解决问题的流程中提炼出来的

我们可以看到，如果要解决一个问题，首先我们要准确地定义这个问题（按照上期所讲，这个需要有深刻的业务洞察能力），然后通过一系列的数据分析，定位原因，最后讨论并实施对策（即实现项目影响）。左右两个图对比，我们可以看到，数据分析的能力框架并不是天马行空想出来的，它是从解决问题的流程中提炼出来的。

你们觉得这四大核心能力中，哪个能力最能体现数据分析师的价值呢？

在我看来，无疑是原因定位（这也是我把原因定位放在最中间的原因）。为什么呢？我先给大家讲个故事。

据说，有一次，美国一个大公司，电机发生了故障，把公司所有内行人请来也找不出症结所在。没有办法，只好派人乘专机将一个德国专家请来，德国专家问了业务人员电机以往的使用情况，看了下相关的数据，然后围着像一间房大的电机转了起来，他一会儿敲敲这，一会儿听听那……大约一个小时后，专家拿起粉笔在电机上最不起眼的部位划了一道线，对在场的工人说，把这里打开……

电机被打开了，故障，原来真在这里！

德国工程师索要1万美元费用。周围的人不理解，问道，用粉笔划了这么一道线，就一万美元，我们辛辛苦苦干一个月才几千元？工程师见他们不理解，就笑着对他们说，我拿粉笔划这一道线，只有一元钱，可是我知道在哪里去划，要9999美元。

看完这个故事，大家再想想就应该明白了。无论是业务洞察还是数据分析，都是服务于原因定位。而当原因定位好之后，如果和你配合的业务人员足够优秀，实现项目影响自然也是顺理成章的事情（就像故事里的工人，在看到故障后不需要专家指导自然就知道如何维修）。

01

接下来我们就详细讨论下原因定位的方法论。 当我们接到一个问题的时候，最忌讳的就是不经思考直接去看各种数据，迷失在数据的海洋里，纠结于不重要的数据细节中。我们要做的是先对问题进行拆解，把分析思路梳理清楚了，才能有的放矢。

拆解问题有两种方法：一种叫假设拆解（咨询公司叫做假设树），另一种称为逻辑拆解（咨询公司叫做议题树）。

假设拆解，顾名思义，就是对问题的原因列出一个个的假设。这种拆解问题的方法门槛比较低，无论是业务小白，还是资深大咖，当面临一个业务问题时，大家自然而然都能提出一系列的原因假设，进而通过数据分析验证真伪。

举个例子（案例和数据都是示例，非真实情况），微信的数据分析师小明发现，从9月11日左右开始，每日成功发送红包的总金额（即红包被抢了且成功转账的金额）逐步下跌，在此之前，这个指标一直都比较平稳。

看到这个现象，大家可能有很多假设：

• 微信内部上线了某些新功能（比如发包的上限从200元降低到100元，用户更多的使用转账），对红包功能有负面影响。
• 暑假结束开学了，学生党花销变少了，所以家长给孩子，以及学生党之间发的红包变少了。
• 竞对（比如支付宝）的红包功能开发了新玩法，对微信红包有负面影响。

假设拆解方法的优点是，如果对业务了解深刻且幸运的话，可能提出的第一个假设就是问题的核心，又快又准地定位原因；风险是人们建立假设时，很容易依赖工作中的常识、自身的经验或直觉，可能会无意识地排除一些重要的假设。

如果这些遗漏的假设恰好是问题的根源，就会陷入假设-》证伪-》再假设-》再证伪….的死循环中，这样只是花费了大量的精力排除掉错误的假设，真正的原因却迟迟找不到。

逻辑拆解方法能很好地降低遗漏。 互联网产品中常用的逻辑拆解方法，包括漏斗拆解和指标拆解。如下图，就是按照用户发送以及对方接收红包的操作路径来拆解。

下图是指标拆解，即运用“四则运算”将指标拆分成具有业务代表意义的n个具体指标，再结合重要的维度进行拆解分析。